CN116362139B - 基于层次化长短时记忆网络的多参量火灾检测方法 - Google Patents

基于层次化长短时记忆网络的多参量火灾检测方法 Download PDF

Info

Publication number
CN116362139B
CN116362139B CN202310395956.5A CN202310395956A CN116362139B CN 116362139 B CN116362139 B CN 116362139B CN 202310395956 A CN202310395956 A CN 202310395956A CN 116362139 B CN116362139 B CN 116362139B
Authority
CN
China
Prior art keywords
lstm unit
representing
gate
data
lstm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310395956.5A
Other languages
English (en)
Other versions
CN116362139A (zh
Inventor
王力
李泊宁
张曦
梅志斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Fire Research Institute of MEM
Original Assignee
Shenyang Fire Research Institute of MEM
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang Fire Research Institute of MEM filed Critical Shenyang Fire Research Institute of MEM
Priority to CN202310395956.5A priority Critical patent/CN116362139B/zh
Publication of CN116362139A publication Critical patent/CN116362139A/zh
Application granted granted Critical
Publication of CN116362139B publication Critical patent/CN116362139B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Emergency Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Fire Alarms (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

一种基于层次化长短时记忆网络的多参量火灾检测方法，包括以下步骤：1、通过烟雾传感器、热电偶和风速仪获取当前烟雾浓度、温度和风速的数据；2、对获取到的数据进行预处理；3、将处理后的数据送入对应的S‑LSTM单元进行处理；4、将S‑LSTM单元处理后的数据送入F‑LSTM单元进行处理。5、将F‑LSTM单元处理后的数据进行Softmax操作，得到最终结果。本方法综合衡量了多类传感器的数据，有效学习了传感器采集数据的时序特征，具有准确率高，误报率低的优势。

Description

基于层次化长短时记忆网络的多参量火灾检测方法
技术领域
本发明涉及深度学习领域中火灾探测报警技术领域，提出了一种基于层次化长短时记忆网络的多参量火灾检测方法。
背景技术
火灾是日常生活中常见的灾难，全世界每年都有火灾引起惨重的财产和人员伤亡。如果能及时发现火情，合理进行灭火和疏散，可以大大减轻火灾的严重后果。因此，各种类型的火灾报警器被广泛应用于建筑中。传统的火灾报警器主要有温度感应、烟雾感应、气体感应等。这类火灾探测器的原理基本相同：通过各种传感器采集环境中的数据，将光线，温度或者气体浓度信号转化为电信号，当采集值上升达到预设阈值时，即认为发生火灾。这种探测器具有设计简单、安装方便、成本低等优点，在一定程度上解决了某些场景的火灾报警问题。
然而，传统的火灾报警器主要存在两个问题：（1）一些以往的火灾探测方法只考虑单一因素，没有综合考虑其他因素的影响，导致误报率高率。例如，对于烟雾火灾探测器，香烟产生的烟雾会导致误报，对于温度探测器，高温物体的突然接触也会引起误报。（2）以往的火灾探测器大多采用阈值法判断是否发生火灾，忽略时间序列的变化特征。以烟雾火灾探测器为例，当火灾发生时，烟雾浓度应逐渐升高，随后到达阈值后发生报警。然而，烹饪烟雾/吸烟烟雾/水蒸气的突然形成，会导致传感器采集的数值在瞬间达到阈值，引发误报。
诸如中国专利文献CN111341059A公开了一种基于深度分离和目标感知的早期野火烟雾检测方法和装置。将样本图像和目标图像分别输入目标感知深度网络得到第一深度特征矩阵和第二深度特征矩阵，分离特征矩阵进行卷积操作，获取烟雾响应矩阵的最大值，与阈值比较确定烟雾位置。
诸如中国专利文献CN115424116A公开了一种轻量级卷积神经网络的火灾检测方法，获取特高压换流变压器区域图像，输入到预先训练好的火灾识别网络模型得到火灾检测结果。
然而，现有技术中缺少一种由数据层从多个传感器获取实时数据，学习全局层面的时间序列特征，从而降低报错率的解决技术方案。
发明内容
鉴于现有技术中存在的技术问题，本发明旨在提出一种基于层次化长短时记忆网络的多参量火灾检测方法，由数据层，S-LSTM层和F-LSTM层组成，数据层负责从多个传感器中实时获取数据；S-LSTM层用于学习传感器中采集的数据的时间序列特征；F-LSTM层负责聚合多个S-LSTM单元的特征，并学习全局层面的时间序列特征。
具体而言，本发明提供一种基于层次化长短时记忆网络的多参量火灾检测方法，该方法包括以下步骤：
步骤A：通过烟雾传感器、热电偶和风速仪获取当前烟雾浓度、温度和风速的数据；
步骤B：对获取到的数据进行预处理；
步骤C：将处理后的数据送入对应的S-LSTM单元进行处理；
步骤D：将S-LSTM单元处理后的数据送入F-LSTM单元进行处理；
步骤E：将F-LSTM单元处理后的数据进行Softmax操作，得到最终结果。
进一步，其中步骤B具体包括如下步骤：
B01. 对步骤A中得到的第秒的各类传感器采集到的数据进行归一化操作。
其中表示向量/>中最大值，/>表示向量/>中最小值，/>表示/>中第/>个元素。
进一步，其中步骤C具体包括如下步骤：
C01.将B01中得到的归一化处理后的数据送入S-LSTM单元中的输入门进行处理。
其中表示Sigmoid激活函数，/>表示第/>个传感器对应的输入门，/>，/>表示输入门中的权重矩阵，/>表示输入门中的偏差向量，/>表示第/>个传感器对应的S-LSTM单元在/>时刻的输出，/>表示 B01中得到的第/>个传感器在/>时刻的输入，/>表示对应的传感器的种类，分别为风速传感器、温度传感器和烟雾浓度传感器。
C02.将B01中得到的归一化处理后的数据送入S-LSTM单元中的遗忘门进行处理。
其中，/>，/>，/>表示遗忘门中的权重矩阵，/>，/>表示遗忘门中的偏差向量，/>表示tan激活函数。
C03.将B01中得到的归一化处理后的数据送入S-LSTM单元中的输出门进行处理。
其中，/>表示输出门中的权重矩阵，/>表示输出门中的偏差向量。
C04.将B01中得到的归一化处理后的数据以及C02中得到的进行处理，得到细胞状态/>。
其中表示两个矩阵对应位置元素进行乘积，/>表示相邻LSTM单元中cell的状态所占的权重大小,
其中表示向量/>的模，/>表示传感器的总数。
C05.将B01中得到的归一化处理后的数据以及C03、C04中得到的和/>进行处理，得到S-LSTM单元的输出。
进一步，其中步骤D具体包括如下步骤：
D01：对C05中得到的S-LSTM单元的输出计算余弦相似度。
D02：根据D01中相似度的计算方式，计算C05得到的每个S-LSTM单元输出对应的权重。
D03：将D02得到的权重与C05中S-LSTM单元对应的输出进行相乘并求和，得到F-LSTM单元在时刻的输入/>。
D04：将D03中得到的F-LSTM单元在时刻的输入/>送入F-LSTM单元中的输入门进行处理。
其中，表示F-LSTM单元中的输入门，/>，/>表示输入门中的权重矩阵，/>表示输入门中的偏差向量。
D05：将D03中得到的F-LSTM单元在时刻的输入/>送入F-LSTM单元中的遗忘门进行处理。
其中，/>，/>，/>表示遗忘门中的权重矩阵，/>，/>表示遗忘门中的偏差向量。
D06：将D03中得到的F-LSTM单元在时刻的输入/>送入F-LSTM单元中的输出门进行处理。
其中，/>表示输出门中的权重矩阵，/>表示输出门中的偏差向量。
D07：将D05中得到的进行处理，得到细胞状态/>。
D08：将D06和D07中得到的和/>进行处理，得到F-LSTM单元的输出。
进一步，其中步骤F具体包括如下步骤：
将D08得到F-LSTM单元的输出进行softmax操作，得到最终的结果。
根据本发明，提出了一种基于层次化长短时记忆网络的多参量火灾检测方法，由于包括将处理后的数据送入对应的S-LSTM单元进行处理；将S-LSTM单元处理后的数据送入F-LSTM单元进行处理；将F-LSTM单元处理后的数据进行Softmax操作，得到最终结果。因此，本方法综合衡量了多类传感器的数据，有效学习了传感器采集数据的时序特征，具有准确率高，误报率低的优势。
附图说明
图1是示出本发明一具体实施方式涉及的基于层次化长短时记忆网络的多参量火灾检测方法中各数据特征层的结构图。
图2是示出本发明一具体实施方式涉及的基于层次化长短时记忆网络的多参量火灾检测方法中的时间序列特征S-LSTM单元的示意图。
图3是示出本发明一具体实施方式涉及的基于层次化长短时记忆网络的多参量火灾检测方法中的聚合多个S-LSTM单元的特征的学习全局层面的时间序列特征F-LSTM单元的示意图。
图4是示出本发明一具体实施方式涉及的基于层次化长短时记忆网络的多参量火灾检测方法的流程图。
实施方式
下面参照附图结合具体实施方式对本发明进行进一步详细的说明，本领域技术人员懂得，该说明是示例性的，本发明并不仅限于该具体实施方式之中。
图1-4示出本发明一具体实施方式涉及的基于层次化长短时记忆网络的多参量火灾检测方法的数据层，S-LSTM层和F-LSTM层组成结构图以及检测方法流程图。
如图1所示，本发明一具体实施方式中的基于层次化长短时记忆网络的多参量火灾检测方法，由数据层，S-LSTM层和F-LSTM层组成，数据层负责从多个传感器中实时获取数据（图示为风速仪、烟雾传感器、热电偶等）；S-LSTM层用于学习传感器中采集的数据的时间序列特征；F-LSTM层负责聚合多个S-LSTM单元的特征，并学习全局层面的时间序列特征，后将详述。
如图2、3示出S-LSTM层用于学习传感器中采集的数据的时间序列特征以及学习全局层面的F-LSTM层，图示为风速LSTM单元、烟雾LSTM单元、温度LSTM单元中的时间序列特征，后将详述。
如图4所示，本发明一具体实施方式的基于层次化长短时记忆网络的多参量火灾检测方法，包括获取数据（步骤1）、数据预处理（步骤2）、S-LSTM单元处理（步骤3）、F-LSTM单元处理（步骤4）和Softmax操作（步骤5）五个过程。
在步骤1）中、获取数据，诸如当前烟雾浓度、温度和风速等等，具体包括如下步骤：
通过烟雾传感器、热电偶和风速仪获取当前（第秒内）烟雾浓度、温度和风速的数据。将得到的数据记为/>，/>表示第/>个传感器。
针对步骤2）数据预处理，具体包括如下步骤：
对步骤1）中得到的第秒的各类传感器采集到的数据进行归一化操作。
其中表示向量/>中最大值，/>表示向量/>中最小值，/>表示/>中第/>个元素。
步骤3）S-LSTM单元处理，具体包括如下步骤：
步骤301：将步骤2）中得到的归一化处理后的数据送入S-LSTM单元中的输入门进行处理。
其中表示Sigmoid激活函数，/>表示第/>个传感器对应的输入门，/>，/>表示输入门中的权重矩阵，/>表示输入门中的偏差向量，/>表示步骤2）中得到的第/>个传感器在/>时刻的输入，/>表示第/>个传感器对应的S-LSTM单元在/>时刻的输出，/>表示对应的传感器的种类，分别为风速传感器、温度传感器和烟雾浓度传感器。
步骤302：将步骤2）中得到的归一化处理后的数据送入S-LSTM单元中的遗忘门进行处理。
其中，/>，/>，/>表示遗忘门中的权重矩阵，/>，/>表示遗忘门中的偏差向量，/>表示/>激活函数。
步骤303：将步骤2）中得到的归一化处理后的数据送入S-LSTM单元中的输出门进行处理。
其中，/>表示输出门中的权重矩阵，/>表示输出门中的偏差向量。
步骤304：将步骤2）中得到的归一化处理后的数据以及步骤302中得到的进行处理，得到细胞状态/>。
其中表示两个矩阵对应位置元素进行乘积，/>表示相邻LSTM单元中cell的状态所占的权重大小,
其中表示向量/>的模，/>表示传感器的总数。
步骤305：将步骤2）中得到的归一化处理后的数据以及步骤303、步骤304中得到的和/>进行处理，得到S-LSTM单元的输出。
步骤4）F-LSTM单元处理，具体包括以下步骤：
步骤401：对步骤305中得到的S-LSTM单元的输出计算余弦相似度。
步骤402：根据步骤401中相似度的计算方式，计算步骤305得到的每个S-LSTM单元输出对应的权重。
步骤403：将步骤402得到的权重与步骤305中S-LSTM单元对应的输出进行相乘并求和，得到F-LSTM单元在时刻的输入/>。
步骤404：将步骤403中得到的F-LSTM单元在时刻的输入/>送入F-LSTM单元中的输入门进行处理。
其中，表示F-LSTM单元中的输入门，/>，/>表示输入门中的权重矩阵，/>表示输入门中的偏差向量。
步骤405：将步骤403中得到的F-LSTM单元在时刻的输入/>送入F-LSTM单元中的遗忘门进行处理。
其中，/>，/>，/>表示遗忘门中的权重矩阵，/>，/>表示遗忘门中的偏差向量。
步骤406：将步骤403中得到的F-LSTM单元在时刻的输入/>送入F-LSTM单元中的输出门进行处理。
其中，/>表示输出门中的权重矩阵，/>表示输出门中的偏差向量。
步骤407：将步骤405中得到的进行处理，得到细胞状态/>。
步骤408：将步骤406和步骤407中得到的和/>进行处理，得到F-LSTM单元的输出。
步骤5）、将步骤4）得到F-LSTM单元的输出进行softmax操作，得到最终的结果。
以上根据具体实施方式对本发明做出了详细的说明，本领域技术人员懂得，其仅仅是做出示例性的说明，其可以做出各种变更和修饰，只要不脱离本发明宗旨和精神，这些变更和修饰均应落入本发明的范畴之内，本发明的保护范围由所附权利要求书限定。

Claims (3)

1.一种基于层次化长短时记忆网络的多参量火灾检测方法，其特征在于，包括以下步骤：
步骤A：通过烟雾传感器、热电偶和风速仪获取当前烟雾浓度、温度和风速的数据；
步骤B：对获取到的数据进行预处理；
步骤C：将处理后的数据送入对应的S-LSTM单元进行处理；
步骤D：将S-LSTM单元处理后的数据送入F-LSTM单元进行处理；
步骤E：将F-LSTM单元处理后的数据进行Softmax操作，得到最终结果；
步骤B具体包括如下步骤：
B01.对步骤A中得到的第t秒的各类传感器采集到的数据进行归一化操作：
其中表示向量/>中最大值，/>表示向量/>中最小值，/>表示/>中第j个元素；
步骤C具体包括如下步骤：
C01.将B01中得到的归一化处理后的数据送入S-LSTM单元中的输入门进行处理，
其中σ表示Sigmoid激活函数，表示第*个传感器对应的输入门，/> 表示输入门中的权重矩阵，/>表示输入门中的偏差向量，/>表示第*个传感器对应的S-LSTM单元在t-1时刻的输出，/>表示B01中得到的第*个传感器在t时刻的输入，*表示对应的传感器的种类，分别为风速传感器、温度传感器和烟雾浓度传感器；
C02.将B01中得到的归一化处理后的数据送入S-LSTM单元中的遗忘门进行处理，
其中表示遗忘门中的权重矩阵，/>表示遗忘门中的偏差向量，Ф表示tan激活函数；
C03.将B01中得到的归一化处理后的数据送入S-LSTM单元中的输出门进行处理，
其中表示输出门中的权重矩阵，/>表示输出门中的偏差向量；
C04.将B01中得到的归一化处理后的数据以及C02中得到的进行处理，得到细胞状态
其中⊙表示两个矩阵对应位置元素进行乘积，表示相邻LSTM单元中cell的状态所占的权重大小，
其中表示向量/>的模，n表示传感器的总数；
C05.将B01中得到的归一化处理后的数据以及C03、C04中得到的和/>进行处理，得到S-LSTM单元的输出：
2.根据权利要求1所述的方法，其中步骤D具体包括如下步骤：
D01：对C05中得到的S-LSTM单元的输出计算余弦相似度：
D02：根据D01中相似度的计算方式，计算C05得到的每个S-LSTM单元输出对应的权重
D03：将D02得到的权重与C05中S-LSTM单元对应的输出进行相乘并求和，得到F-LSTM单元在t时刻的输入
D04：将D03中得到的F-LSTM单元在t时刻的输入送入F-LSTM单元中的输入门进行处理：
it＝σ(Wxixt+Whtht-1+bi)
其中，it表示F-LSTM单元中的输入门，Wxi，Whi表示输入门中的权重矩阵，bi表示输入门中的偏差向量；
D05：将D03中得到的F-LSTM单元在t时刻的输入送入F-LSTM单元中的遗忘门进行处理：
ft＝σ(Wxfxt+Whfht-1+bf)
gt＝Φ(Wxgxt+Whght-1+bg)
其中Wxf，Whf，Wxg，Whg表示遗忘门中的权重矩阵，bf，bg表示遗忘门中的偏差向量；
D06：将D03中得到的F-LSTM单元在t时刻的输入送入F-LSTM单元中的输出门进行处理：
ot＝σ(Wxoxt+Whoht-1+bo)
其中Wxo，Who表示输出门中的权重矩阵，bo表示输出门中的偏差向量；
D07：将D05中得到的ft进行处理，得到细胞状态
ct＝ft⊙ct-1
D08：将D06和D07中得到的ot和ct进行处理，得到F-LSTM单元的输出：
3.根据权利要求2所述的方法，其中步骤F具体包括如下步骤：
将D08得到F-LSTM单元的输出进行softmax操作，得到最终的结果yt：
CN202310395956.5A 2023-04-14 2023-04-14 基于层次化长短时记忆网络的多参量火灾检测方法 Active CN116362139B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310395956.5A CN116362139B (zh) 2023-04-14 2023-04-14 基于层次化长短时记忆网络的多参量火灾检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310395956.5A CN116362139B (zh) 2023-04-14 2023-04-14 基于层次化长短时记忆网络的多参量火灾检测方法

Publications (2)

Publication Number Publication Date
CN116362139A CN116362139A (zh) 2023-06-30
CN116362139B true CN116362139B (zh) 2024-01-30

Family

ID=86916252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310395956.5A Active CN116362139B (zh) 2023-04-14 2023-04-14 基于层次化长短时记忆网络的多参量火灾检测方法

Country Status (1)

Country Link
CN (1) CN116362139B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239859A (zh) * 2017-06-05 2017-10-10 国网山东省电力公司电力科学研究院 基于串联长短期记忆循环神经网络的供热负荷预测方法
CN111625994A (zh) * 2020-05-25 2020-09-04 齐鲁工业大学 一种基于动态集成神经网络的多源信息融合火灾预测方法
CN112949894A (zh) * 2020-12-10 2021-06-11 北京工业大学 一种基于简化型长短期记忆神经网络的出水bod预测方法
WO2021212866A1 (zh) * 2020-04-21 2021-10-28 长安大学 一种车辆出行量预测模型构建方法及预测方法和系统
CN114036838A (zh) * 2021-11-09 2022-02-11 云南大学 一种基于多层lstm神经网络的垂向水温模拟方法
CN115457428A (zh) * 2022-08-16 2022-12-09 应急管理部沈阳消防研究所 融入可调节坐标残差注意力的改进YOLOv5火灾检测方法及装置
CN115759336A (zh) * 2022-10-17 2023-03-07 昆明能讯科技有限责任公司 一种面向短期电力负荷预测的预测方法及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11580365B2 (en) * 2019-07-03 2023-02-14 Honda Motor Co., Ltd. Sensor fusion

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239859A (zh) * 2017-06-05 2017-10-10 国网山东省电力公司电力科学研究院 基于串联长短期记忆循环神经网络的供热负荷预测方法
WO2021212866A1 (zh) * 2020-04-21 2021-10-28 长安大学 一种车辆出行量预测模型构建方法及预测方法和系统
CN111625994A (zh) * 2020-05-25 2020-09-04 齐鲁工业大学 一种基于动态集成神经网络的多源信息融合火灾预测方法
CN112949894A (zh) * 2020-12-10 2021-06-11 北京工业大学 一种基于简化型长短期记忆神经网络的出水bod预测方法
CN114036838A (zh) * 2021-11-09 2022-02-11 云南大学 一种基于多层lstm神经网络的垂向水温模拟方法
CN115457428A (zh) * 2022-08-16 2022-12-09 应急管理部沈阳消防研究所 融入可调节坐标残差注意力的改进YOLOv5火灾检测方法及装置
CN115759336A (zh) * 2022-10-17 2023-03-07 昆明能讯科技有限责任公司 一种面向短期电力负荷预测的预测方法及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Tracking The Untrackable: Learning to Track Multiple Cues with Long-Term Dependencies;Amir Sadeghian, Alexandre Alahi, Silvio Savarese;2017 IEEE International Conference on Computer Vision;300-311 *
基于LSTM 和RBF－BP 深度学习模型的火灾预测方法;许春芳，乔元健，李军;齐鲁工业大学学报;第34卷(第3期);53-59 *

Also Published As

Publication number Publication date
CN116362139A (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN111627181B (zh) 融合多源参数及其梯度信息的综合管廊火灾预警方法
Bhoi et al. Fireds-iot: A fire detection system for smart home based on iot data analytics
US11860038B2 (en) Method, apparatus and system for passive infrared sensor framework
CN109255921A (zh) 一种基于分层模糊融合的多传感器火灾检测方法
Nakip et al. Recurrent trend predictive neural network for multi-sensor fire detection
CN111986436B (zh) 一种基于紫外、深度神经网络的综合火焰检测方法
CN113469050A (zh) 基于图像细分类的火焰检测方法
CN116362139B (zh) 基于层次化长短时记忆网络的多参量火灾检测方法
CN113906436A (zh) 用于探测烟雾的方法和设备
Nakıp et al. Multi-sensor fire detector based on trend predictive neural network
Madhwaraj et al. Forest fire detection using machine learning
CN112085096A (zh) 一种基于迁移学习的物体局部异常发热检测的方法
CN114283367B (zh) 用于园区火灾预警的人工智能明火探测方法及系统
Hamami et al. Classification of air pollution levels using artificial neural network
Kim et al. Uncertainty assessment-based active learning for reliable fire detection systems
CN115962428A (zh) 一种燃气管网泄漏实时在线智能可解释性监测溯源方法
Yoon et al. A fire detection scheme using 5G network-based KNN algorithm
CN112257690B (zh) 一种重金属污染评估方法及装置
CN115243192A (zh) 基于蓝牙数据耦合气压数据的楼层定位方法、装置及设备
CN114282611A (zh) 基于深度学习模型的多传感器数据融合火源定位算法
Wen et al. Design of an intelligent alarm system based on multi-sensor data fusion
Xue et al. A Fire Detection and Assessment Method based on YOLOv8
Suklabaidya et al. Processing iot sensor fire dataset using machine learning techniques
Andrew et al. Classification of domestic burning smell using covariance k-nearest neighbour algorithm for early fire detection application
GRARI et al. FOREST FIRE DETECTION AND MONITORING THROUGH ENVIRONMENT SOUND SPECTRUM USING DEEP LEARNING

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant