CN116887212A - 基于无线通信网络的火灾情况信息处理与传输方法 - Google Patents
基于无线通信网络的火灾情况信息处理与传输方法 Download PDFInfo
- Publication number
- CN116887212A CN116887212A CN202311145926.5A CN202311145926A CN116887212A CN 116887212 A CN116887212 A CN 116887212A CN 202311145926 A CN202311145926 A CN 202311145926A CN 116887212 A CN116887212 A CN 116887212A
- Authority
- CN
- China
- Prior art keywords
- fire
- wireless communication
- information
- data
- priority
- 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.)
- Granted
Links
- 238000004891 communication Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000010365 information processing Effects 0.000 title claims abstract description 30
- 230000005540 biological transmission Effects 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 35
- 230000004044 response Effects 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 230000002787 reinforcement Effects 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 239000002096 quantum dot Substances 0.000 claims description 24
- 238000013526 transfer learning Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 8
- 230000005012 migration Effects 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 abstract description 4
- 230000009471 action Effects 0.000 description 12
- 230000007613 environmental effect Effects 0.000 description 10
- 238000009826 distribution Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000005610 quantum mechanics Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/90—Services for handling of emergency or hazardous situations, e.g. earthquake and tsunami warning systems [ETWS]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/535—Allocation or scheduling criteria for wireless resources based on resource usage policies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/56—Allocation or scheduling criteria for wireless resources based on priority criteria
- H04W72/566—Allocation or scheduling criteria for wireless resources based on priority criteria of the information or information source or recipient
Abstract
本发明涉及无线通信领域，尤其涉及基于无线通信网络的火灾情况信息处理与传输方法。首先，将从传感器接收到的数据进行预处理；使用图神经网络模型对图数据进行处理，并通过强化学习模型来确定最佳的响应策略；其次，为每个接收到的信息分配一个优先级标签；再次，综合运用量子计算和启发式算法的方法，为无线通信网络的拓扑结构提供优化路径；最后，通过火灾警报和资源调度模块监控和管理火灾情况，确保及时响应和协调救援工作。解决了现有技术往往采用基于静态优先级的信息传输方式，优先级不会随着情况的变化而改变，以及传统优先级优化方法通常需要依赖于特定的问题域知识和规则，无法应对数据量不足、概念漂移等情况的问题。
Description
技术领域
本发明涉及无线通信领域，尤其涉及基于无线通信网络的火灾情况信息处理与传输方法。
背景技术
无线通信网络在现代社会中发挥着至关重要的作用，不仅用于日常通信，还在许多关键领域如紧急情况响应中发挥着关键作用。随着城市化和工业化的不断发展，火灾成为一种常见但仍然极具威胁性的灾害，可以在短时间内造成严重的人员伤亡和财产损失。因此，快速、准确地获取和传输火灾信息对于应急响应至关重要。传统的火灾信息传输方法可能受到物理障碍或网络拥塞的限制，因此需要一种更加高效的方法来确保信息的及时传达。
然而，无线通信网络的带宽受限，而火灾情况信息通常涉及大量数据，因此，如何在这有限的带宽内有效传输这些信息成为一个至关重要的挑战。为了应对这一挑战，研究者们提出了多种基于优先级的信息传输策略，以确保最关键的信息得到优先传输。在火灾情况中，信息的重要性不同。一些信息，比如火源探测和疏散路线，具有极高的紧急性和重要性，需要立即传输，而其他信息，比如环境监测数据，可能具有较低的优先级。因此，通过动态调整信息的传输优先级，可以确保关键信息能够迅速传输，而不关键的信息可以稍后传输，以充分利用有限的带宽资源。这些基于优先级的传输策略可以通过智能算法来实现，根据信息的紧急性、重要性和网络带宽的可用性来进行动态调整。这样，无线通信网络可以更加智能地管理火灾情况信息的传输，确保最关键的信息始终优先考虑，从而提高火灾情况的效率和可靠性。
我国专利申请号：CN200610055062.8，公开日：2011.12.14，公开了在紧急状况期间控制车辆通信的系统和方法。该方法包括确定紧急状况。确定通信优先级。基于紧急状况和通信优先级在车辆远程信息处理装置和呼叫中心之间选择性地传递信息。系统包括用于确定紧急状况的部件和用于确定通信优先级的部件。系统还包括用于基于紧急状况和通信优先级在车辆远程信息处理装置和呼叫中心之间选择性地传递信息的部件。
上述技术至少存在如下技术问题：现有技术往往采用基于静态优先级的这种最基本的信息传输优先级方式，在该种方式中信息的优先级在系统设置中是静态预先定义的，不会随着情况的变化而改变，这可能导致一些信息因为被错误地设定为低优先级而无法及时传输，尤其是在复杂和快速变化的情况下；此外，传统优先级优化方法通常需要依赖于特定的问题域知识和规则，无法应对数据量不足、概念漂移等情况。
发明内容
本申请实施例通过提供基于无线通信网络的火灾情况信息处理与传输方法，解决了现有技术往往采用基于静态优先级的这种最基本的信息传输优先级方式的问题，在该种方式中信息的优先级在系统设置中是静态预先定义的，不会随着情况的变化而改变，这可能导致一些信息因为被错误地设定为低优先级而无法及时传输，尤其是在复杂和快速变化的情况下；此外，传统优先级优化方法通常需要依赖于特定的问题域知识和规则，无法应对数据量不足、概念漂移等情况。
本申请提供了基于无线通信网络的火灾情况信息处理与传输方法，具体包括以下技术方案：
基于无线通信网络的火灾情况信息处理与传输系统，包括以下部分：
传感器，数据采集与处理模块，中央监控处理模块，火灾情况智能调度模块，无线通信传输模块，火灾警报和资源调度模块；
所述传感器，用于实时监测火灾相关的环境参数，传感器将监测到的火灾情况信息通过数据传输的方式与数据采集与处理模块相连；
所述数据采集与处理模块，用于接收从传感器中监测到火灾情况信息，并对接收的信息进行去噪、数据清洗的预处理，数据采集与处理模块通过数据传输的方式与中央监控处理模块相连；
所述中央监控处理模块，用于通过图神经网络模型对传感器节点进行状态预测，标记处于火灾状态的节点并通知其相邻节点；当节点被标记为存在潜在火灾时，通过强化学习模型来做出最佳的响应策略；中央监控处理模块通过数据传输的方式与火灾情况智能调度模块相连；
所述火灾情况智能调度模块，用于为每个接收到的信息分配一个优先级标签，并执行优化操作；通过条件随机场为每个输入信息分配一个优先级标签；进行优先级标记后，通过迁移学习来优化火灾情况信息的优先级预测结果；火灾情况智能调度模块通过数据传输的方式与无线通信传输模块相连；
所述无线通信传输模块，通过结合量子计算和启发式算法的方法，为无线通信网络的拓扑结构提供优化路径；利用量子计算的特性来模拟和优化无线通信网络的拓扑结构，再通过遗传算法的交叉、变异操作来逐步优化网络拓扑结构；所述无线通信传输模块通过数据传输的方式与火灾警报和资源调度模块相连；
所述火灾警报和资源调度模块，用于监控和管理火灾情况，以确保及时响应和协调救援工作。
基于无线通信网络的火灾情况信息处理与传输方法，应用于无线通信网络的火灾情况信息处理与传输系统，包括以下步骤：
S1.将从传感器接收到的数据进行预处理；基于传感器节点构建一个图结构，使用图神经网络模型对图数据进行处理，并通过强化学习模型来确定最佳的响应策略；
S2. 通过火灾情况智能调度模块为每个接收到的信息分配一个优先级标签，以表示输入信息的优先级；在火灾情况信息进行优先级标记后，通过迁移学习来优化火灾情况信息的优先级预测结果；
S3.综合运用量子计算和启发式算法的方法，为无线通信网络的拓扑结构提供优化路径；
S4.通过火灾警报和资源调度模块监控和管理火灾情况，确保及时响应和协调救援工作；
所述基于无线通信网络的火灾情况信息处理与传输方法，应用于无线通信网络的火灾情况信息处理与传输系统。
优选的，所述步骤S1，具体包括：
将从传感器接收到的数据进行预处理；通过图神经网络模型对传感器节点进行状态预测，标记处于火灾状态的节点并通知其相邻节点；当节点被标记为存在潜在火灾时，通过强化学习模型来做出最佳的响应策略。
优选的，所述步骤S1，还包括：
基于传感器节点构建一个图结构，每个节点代表一个传感器，每条边表示传感器之间的关系；每个传感器节点的数据以及各条边将构成图数据的一部分；为每个传感器节点分配标签，表示其当前状态；使用图神经网络模型对图数据进行处理，通过在节点之间传播信息以学习节点的表示，并执行信息传播和更新，逐渐捕捉到节点周围的信息和全局图结构；通过已标记的传感器节点数据来训练图神经网络模型，并预测未标记节点的状态；通过分析模型的输出，可以初步判断节点的火灾状态，标记处于火灾状态的节点并通知其相邻节点。
优选的，所述步骤S1，还包括：
当节点被标记为存在潜在火灾时，通过强化学习模型来确定最佳的响应策略；通过Q-learning进行强化学习，用于学习在不同状态下选择最优决策。
优选的，所述步骤S2，具体包括：
选择一个与火灾情况信息的优先级预测有相似性的领域作为源领域；收集和准备源领域的数据集，包括数据样本和标签，并且数据集中的数据包含源领域的特征和知识，与火灾情况信息的优先级预测相关；使用源领域的数据来训练一个机器学习模型，学习源领域的特征和知识，以解决源领域的任务；将源领域的知识迁移到目标领域，即火灾情况信息的优先级预测；在进行特征或知识迁移后，使用火灾情况信息的数据来调整模型；评估目标领域模型在火灾情况信息的优先级预测任务上的性能，根据性能表现，进一步优化模型；将迁移学习优化后的模型应用于火灾情况信息的优先级预测，使用目标领域的数据来进行预测，并通过源领域的知识来提高性能。
优选的，所述步骤S3，具体包括：
将无线通信网络中的所有节点信息映射到量子比特；每个量子比特代表网络中的一个节点；所述映射可以通过量子比特的不同状态或它们的组合来表示节点的不同特征；定义一个量子态，该量子态代表了无线通信网络的一个潜在的配置；使用张量积来初始化量子态；使用量子门来模拟拓扑结构的演化和优化，所述量子门表示为复数矩阵，用于改变量子比特之间的关系；对于每个节点i，通过使用相位门将信息优先级编码到相应的量子比特上；所述相位门的作用是改变量子比特的相位，相位的改变量等于/>个弧度；每个量子门操作都对应着网络中的一个连接或关系；通过改变/>的值，改变相应节点的信息优先级，从而影响量子比特的相位，进而导致量子态的演化。
优选的，所述步骤S3，还包括：
利用量子态演化的方法，使量子态逐步演化，以寻找最优的网络拓扑结构；使用遗传算法的交叉操作通过SWAP门来交换量子比特之间的状态；而遗传算法的变异操作则通过旋转门来实现，用于引入新的特性以优化搜索空间中的解；通过信息源的优先级和路径长度得到适应度函数，将/>的值编码到一个量子比特的相位上，将信息传输问题转化为一个量子态的问题；在每轮优化中，通过测量这个量子比特的状态，确定具有最大适应度值的解；使用新选出的解来更新量子态，进行下一轮的交叉和变异操作；迭代进行上述过程，直到达到预定的迭代次数或者适应度值满足预定的阈值；最终，找到具有最大适应度值的解，即最优的火灾情况信息传输策略。
优选的，所述步骤S4，具体包括：
当检测到火灾事件或接收到火灾报警时，生成警报信号，确保火灾事件被及时通知相关的人员和机构，从而启动紧急响应；根据火灾事件的性质、位置和严重程度来决定资源的调度方式；对火源位置、资源可用性、交通状况进行分析。
有益效果：
1、本申请通过无线通信网络，可以远程实时监控多个地点的火灾情况，使火警能够更快地被检测到并响应；通过利用图神经网络模型，系统可以自动学习节点之间的复杂关系，并根据传感器节点的当前观测数据对其状态进行预测，使系统能够进行实时的状态监测和决策；强化学习模型可以根据不同的环境因素和传感器网络拓扑自动调整响应策略，增加了系统的灵活性，使其适用于不同场景和条件。
2、本申请通过使用CRFs和迁移学习的方法可以自动分配及优化信息的优先级，通过有效地为信息分配优先级，系统可以更快速地响应火灾事件，提高火灾管理效率；CRFs能够有效地捕获传感器节点之间的关系，并且可以灵活地适应不同类型的数据和关系；传统的机器学习算法可能需要大量的标记数据来训练模型，通过迁移学习，可以使用源领域的数据来改善目标领域的性能，从而减少了在目标领域收集大量数据的需求，迁移学习允许系统从以往的经验中学习，并将这些经验应用于新的情境中，从而提高系统的适应性和性能，特别是在面对新型火灾情况时。
3、本申请通过综合运用量子计算和启发式算法，可以在搜索过程中灵活地调整策略，还可以根据搜索进展和问题特性来自适应地改进拓扑结构，从而更好地满足无线通信网络的性能需求，为无线通信网络的拓扑结构优化提供了更智能、更高效的途径；量子计算的并行性允许同时探索多个可能的拓扑结构，从而能够在高维、复杂的搜索空间中进行高效的全局搜索，这使得在大规模的无线通信网络中找到最佳拓扑结构更加容易，因为传统的优化算法在这种情况下可能会陷入局部最优解。
4、本申请采用动态的信息传输优先级，可以实时响应不同信息的重要性和紧急性，确保重要信息优先传输，从而提高整体效率；同时，可以根据不同情境和任务自适应地调整信息传输的优先级，无需人工干预；采用迁移学习，解决了数据量不足、概念漂移和模型过拟合的问题；在某些情况下，目标任务的数据分布可能会随时间发生变化，导致概念漂移，通过迁移学习，可以更好地适应这种变化，因为先前学到的知识可以帮助模型更快地适应新的数据分布；在目标任务上训练的模型可能会因为数据不足而容易过拟合，迁移学习可以通过引入来自源任务的知识来缓解这种风险，使模型更稳定地进行学习。
附图说明
图1为本申请所述的基于无线通信网络的火灾情况信息处理与传输系统结构图；
图2为本申请所述的基于无线通信网络的火灾情况信息处理与传输方法流程图；
具体实施方式
本申请实施例通过提供基于无线通信网络的火灾情况信息处理与传输方法，解决了现有技术往往采用基于静态优先级的这种最基本的信息传输优先级方式的问题，在该种方式中信息的优先级在系统设置中是静态预先定义的，不会随着情况的变化而改变，这可能导致一些信息因为被错误地设定为低优先级而无法及时传输，尤其是在复杂和快速变化的情况下；此外，传统优先级优化方法通常需要依赖于特定的问题域知识和规则，无法应对数据量不足、概念漂移等情况。
本申请实施例中的技术方案为解决上述问题，总体思路如下：
本申请使用传感器实时监测火灾相关环境参数，将数据传输给数据采集与处理模块进行预处理，为后续分析提供干净的数据；通过图神经网络模型对传感器节点进行状态预测，并标记可能存在火灾的节点，并与相邻节点进行信息传递；对于被标记为火灾可能性高的节点，利用强化学习模型来制定最佳的响应策略；为每个信息分配优先级标签，并进行优化操作，根据信息紧急程度和重要性，动态调整优先级，以协调应急响应；通过融合量子计算和启发式算法，为通信网络的拓扑结构提供最佳优化路径，有助于快速传输紧急信息和资源调度指令。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本申请所述的基于无线通信网络的火灾情况信息处理与传输系统包括以下部分：
所述传感器10，用于实时监测火灾相关的环境参数，包括温度传感器、烟雾传感器，气体传感器等，这些传感器分布在建筑物内、周围或其他可能发生火灾的区域，传感器10将监测到的火灾情况信息通过数据传输的方式与数据采集与处理模块20相连；
所述数据采集与处理模块20，用于接收从传感器10中监测到火灾情况信息，并对接收的信息进行去噪、数据清洗等预处理，数据采集与处理模块20通过数据传输的方式与中央监控处理模块30相连；
所述中央监控处理模块30，基于传感器节点构建一个图结构，每个节点代表一个传感器，每条边表示传感器之间的关系，例如传感器之间的物理连接或通信强度等，使用图神经网络（Graph Neural Networks，GNN）模型对图数据进行处理，GNN将基于传感器节点的当前观测值和图结构信息，对每个节点进行状态预测。通过分析模型的输出，可以初步判断哪些节点可能处于火灾状态，标记处于火灾状态的节点并通知其相邻节点；当一个或多个节点被标记为可能存在火灾时，中央监控处理模块30可以通过强化学习模型进行决策，模型可以考虑传感器之间的拓扑关系、传感器的可靠性以及其他环境因素，来确定最佳的响应策略；基于强化学习的决策过程可以优化响应，确保在不同的环境状态下都能够做出最佳的决策；中央监控处理模块30通过数据传输的方式与火灾情况智能调度模块40相连；
所述火灾情况智能调度模块40，用于为每个接收到的信息分配一个优先级标签，这些标签用于表示信息的紧急程度和重要性；一旦分配了初始的优先级标签，模块会执行优化操作，例如：根据实时情况，模块可以动态调整信息的优先级，或者模块可以参考过去的火灾情况信息处理和传输的经验数据，以确定优先级；火灾情况智能调度模块40通过数据传输的方式与无线通信传输模块50相连；
所述无线通信传输模块50，结合了量子计算、遗传算法和通信网络优化；利用量子计算的特性来模拟和优化无线通信网络的拓扑结构，再通过遗传算法的交叉、变异等操作来逐步优化网络拓扑结构；无线通信传输模块50通过数据传输的方式与火灾警报和资源调度模块60相连；
所述火灾警报和资源调度模块60，用于监控和管理火灾情况，以确保及时响应和协调救援工作，如检测到火灾事件或收到火灾报警时生成警报信号，确保及时通知相关人员和机构；根据火灾事件的性质和严重程度来决定资源的调度方式，资源包括消防车辆、医疗服务、人员、设备等；还可以整合各种数据，包括火源位置、资源可用性、交通状况等，以支持更智能的资源调度决策。
参照附图2，本申请所述的基于无线通信网络的火灾情况信息处理与传输方法包括以下步骤：
S1.将从传感器接收到的数据进行预处理；基于传感器节点构建一个图结构，使用图神经网络模型对图数据进行处理，并通过强化学习模型来确定最佳的响应策略；
传感器用于实时监测与火灾相关的环境参数，如温度、烟雾浓度和气体浓度等。这些传感器分散安装在建筑物内、周围区域以及潜在火灾发生地点，以提供全面的火警监测覆盖。这些传感器的数据在火灾情况信息处理与传输中被收集、分析和用于火灾检测和响应。
通过数据采集与处理模块接收来自传感器的火灾监测数据，并执行去噪和数据清洗等预处理。
具体地，在火灾情况场景中，基于传感器节点构建一个图结构，每个节点代表一个传感器，每条边表示传感器之间的关系，例如传感器之间的物理连接或通信强度。每个传感器节点的数据以及与其他节点的关系将构成图数据的一部分。为每个传感器节点分配标签，表示其当前状态，例如正常、警告或火灾。这些标签是训练模型的目标。使用图神经网络（GNN）模型对图数据进行处理。GNN通过在节点之间传播信息以学习节点的表示，并执行多轮信息传播和更新，逐渐捕捉到节点周围的信息和全局图结构。通过已标记的传感器节点数据来训练GNN模型，在模型训练后，使用它来预测未标记节点的状态。GNN将基于传感器节点的当前观测值和图结构信息，对每个节点进行状态预测。通过分析模型的输出，可以初步判断哪些节点可能处于火灾状态，标记处于火灾状态的节点并通知其相邻节点。
初始化节点特征以及在每一层网络中执行信息传播和更新操作的具体过程如下：
初始化节点特征，将每个节点的原始特征转化为初始的隐藏状态，然后，对于每一层网络，执行以下步骤：
（1）邻接节点聚合：首先，通过聚合函数，如求和或平均值等，汇总相邻节点的隐藏状态以实现对每个节点的邻接节点执行信息聚合操作；
（2）节点状态更新：接下来，使用得到的邻接节点信息和节点自身的隐藏状态，来更新节点的隐藏状态，其中 />表示当前网络层数；
更新公式为：
，
其中，表示在第/>层网络中节点i的隐藏状态；/>是激活函数；/>是第/>层的可学习权重矩阵；/>是第/>层的聚合函数，常见的聚合函数有平均、求和、最大值等；/>表示节点i的邻接节点u在第/>层网络中的隐藏状态，/>表示节点i的邻接节点。
（3）重复步骤： 重复上述信息传播和更新操作，直到达到所需的网络层数或达到收敛条件为止。每一层网络都会逐渐融合来自邻接节点的信息，以改进节点状态的预测。
以上过程将使GNN逐渐学习到更复杂的特征表示，这些特征表示可以用于节点状态的预测。完成信息传播和节点状态更新后，进行读出操作，以获取整个图的表示，并通过一个全连接层进行最终的分类预测，以判断其火灾状态。如果某个节点被标记为可能存在火灾的节点，则将这一信息传输给相邻节点。
进一步，当一个或多个节点被标记为可能存在火灾时，通过强化学习模型综合考虑多种因素来确定最佳的响应策略，这些因素包括传感器之间的拓扑关系，传感器的可靠性，以及其他环境因素。通过强化学习模型来优化火灾检测和响应，这一决策的具体过程如下：
（1）状态空间：在火灾情况中，状态可以包括传感器数据、火源位置、烟雾浓度、温度、人员分布等。这些状态信息是系统用来做出决策的基础。
（2）动作空间： 定义可以采取的行动，例如触发警报、喷洒灭火剂、启动疏散程序、调度救援队伍等。这些行动将是强化学习算法可以选择的动作。
（3）奖励函数： 制定一个奖励函数，用于衡量每个时间点所采取行动的好坏，奖励函数根据火灾情况的严重性和响应效果来评估系统的决策。
通过Q-learning进行强化学习，用于学习在不同状态下选择最优决策。具体地，使用Q表进行Q-learning：
首先，初始化一个Q表，其大小与状态空间和动作空间的维度相对应。将Q表的所有条目初始化为0或者随机值；在每一步中，火灾情况系统根据当前状态使用某种策略（如ε-greedy策略）从Q表中选择一个动作；执行所选择的动作，与环境互动；观察环境的反馈，包括新状态和奖励信号，这些信息用于更新Q表；使用Q-learning的更新规则，更新Q表中的Q值。更新规则基于贝尔曼方程，其目标是将当前状态-动作对的Q值调整为更接近真实的价值。更新规则的形式如下：
，
其中，表示状态-动作对/>的价值，/>是当前状态，/>是当前动作，/>是学习率，/>是获得的奖励，/>是折扣因子，表示未来奖励的重要性，/>是新状态，/>是新状态下的最佳动作，/>是新状态下所有动作的最大Q值。
重复上述步骤，直到达到一定的训练次数或达到收敛条件。在训练过程中，Q表将逐渐收敛到近似的最优Q值；火灾情况系统将使用训练后的Q表来选择最优动作，以根据当前状态做出决策。
作为具体实施例，火灾情况决策输出值可以被编码为一个包含多个特征的特征向量或数值列表，以便于进一步处理和决策。这些特征可以提供关于火灾的各种信息，如可能性、严重性和位置等。
S2. 通过火灾情况智能调度模块为每个接收到的信息分配一个优先级标签，以表示输入信息的优先级；在火灾情况信息进行优先级标记后，通过迁移学习来优化火灾情况信息的优先级预测结果。
条件随机场（Conditional Random Fields，CRFs）是一种概率图模型，用于为每个输入信息分配一个优先级标签，以表示该信息的优先级。
具体地，在火灾情况下，CRFs的目标是通过考虑火灾情况信息的各种特征来建立输入信息和输出优先级标签之间的条件概率分布。设定一个输入信息的特征表示为 x，而相应的优先级标签表示为 y。在这个条件概率框架下，输入和输出的概率分布公式为：
，
其中，表示概率分布函数，/>和/>分别表示定义在边和节点上的特征函数，/>和/>为对应的权重，/>表示归一化因子，用于确保概率之和为1。
在火灾情况信息进行优先级标记后，通过迁移学习来优化火灾情况信息的优先级预测结果。具体步骤如下：
（1）选择源领域：首先，选择一个具有一定相关性的源领域，该领域具有大量数据和相关知识。源领域应该与火灾情况信息的优先级预测有某种程度的相似性或相关性。例如，可以选择一个用于监测和响应自然灾害的系统。
（2）准备源领域数据：收集和准备源领域的数据集，包括数据样本和标签。这些数据应该包含源领域的特征和知识，与火灾情况信息的优先级预测相关。例如，这些数据可以包括事件的紧急程度、事件类型、处理时间等。
（3）建立源领域模型：使用源领域的数据来训练一个机器学习或深度学习模型，以解决源领域的任务，例如事件紧急程度分类。这个模型将学习源领域的特征和知识，从而在源领域上达到一定的性能。
（4）知识迁移：将源领域的知识迁移到目标领域，即火灾情况信息的优先级预测。具体为，将源领域模型的权重参数或模型结构迁移到目标领域模型中。这可以包括冻结源领域模型的某些层，并将其连接到目标领域模型，从而共享一部分知识。
（5）目标领域微调：在进行知识迁移后，对目标领域的模型进行微调，即使用火灾情况信息的数据来调整模型，以适应目标领域的特征和任务。微调可以包括在源领域模型的基础上添加额外的层或进行一些训练迭代。
（6）评估和优化：在微调后，评估目标领域模型在火灾情况信息的优先级预测任务上的性能。根据性能表现，可以进一步优化模型，例如调整超参数或增加训练数据。
（7）应用到优先级预测：将迁移学习优化后的模型应用于火灾情况信息的优先级预测。使用目标领域的数据来进行预测，并通过源领域的知识来提高性能。
S3. 综合运用量子计算和启发式算法的方法，为无线通信网络的拓扑结构提供优化路径。
基于量子态演化原理，充分利用了量子力学中的特殊性质，包括量子态的叠加和纠缠，以实现更快速、更高效、更可靠的信息处理和传输。此外，这种低延迟的通信方式可以确保紧急信息能够及时到达目标，从而提高火灾管理和响应的效率和准确性。
具体地，利用量子力学的特性来进行无线通信网络的拓扑结构优化的具体步骤如下：
（1）节点信息映射：将无线通信网络中的所有节点信息映射到量子比特。每个量子比特代表网络中的一个节点；这个映射过程可以通过量子比特的不同状态或它们的组合来表示节点的不同特征，例如节点的位置、通信能力、负载等；
（2）定义量子态：定义一个量子态，该量子态代表了无线通信网络的一个可能的配置，可以用一个复数向量来表示，/>是复数，/>是基态，/>是量子态的维度，其中每个元素对应一个网络配置的概率振幅；
（3）初始化量子态：使用张量积来初始化量子态，，其中/>表示单量子比特的态，称为“零态”或“基态”，n是网络中的节点数，/>表示量子态的张量积；
（4）引入量子门：使用量子门来模拟拓扑结构的演化和优化，所述量子门可以表示为复数矩阵，用于改变量子比特之间的关系；
（5）信息优先级编码：对于每个节点i，可以通过使用相位门将信息优先级编码到相应的量子比特上；所述相位门的作用是改变量子比特的相位，相位的改变量等于/>个弧度；
（6）量子门操作和网络结构演化：每个量子门操作都对应着网络中的一个连接或关系；通过改变相位门的参数，即改变的值，可以改变相应节点的信息优先级，从而影响量子比特的相位，进而导致量子态的演化；由于每个量子比特对应一个节点，所以这种演化将影响网络的拓扑结构；
（7）量子态演化：利用量子态演化的方法，使量子态逐步演化，以寻找最优的网络拓扑结构；使用遗传算法的交叉操作通过SWAP门这一特殊的量子门来交换量子比特之间的状态。这将导致新的量子态的产生，/>，其中，/>是量子门；具体地，在两个量子比特的状态分别为/>和/>的情况下，SWAP门的作用如下：
，
遗传算法的变异操作用于引入新的特性以优化搜索空间中的解，可以通过旋转门（如RX门、RY门、RZ门等）来实现；
适应度函数计算步骤如下：
步骤一：对于每个信息源i，计算从该信息源到目的地的最短路径长度，即；
步骤二：对于每个信息源i，计算的值，其中/>表示信息源i的优先级；
步骤三：将所有信息源的值相加，得到适应度函数/>的值，即：
，
这个值表示了整个火灾情况信息传输策略的适应度，其中考虑了信息源优先级和路径长度；
步骤四：将的值编码到一个额外的量子比特的相位上，将信息传输问题转化为一个量子态的问题；在每轮优化中，通过测量这个附加的量子比特的状态，确定具有最大适应度值的解，所获得的解代表了当前信息传输策略的一个改进；接下来，使用新选出的解来更新量子态，然后进行下一轮的交叉和变异操作；迭代进行上述过程，直到达到预定的迭代次数或者适应度值满足某个预定的阈值。最终，算法会找到具有最大适应度值的解，即最优的火灾情况信息传输策略。
S4. 通过火灾警报和资源调度模块监控和管理火灾情况，确保及时响应和协调救援工作。
具体地，当检测到火灾事件或接收到火灾报警时，生成警报信号，确保火灾事件被及时通知相关的人员和机构，从而启动紧急响应；根据火灾事件的性质、位置和严重程度来决定资源的调度方式，所述资源包括消防车辆、医疗服务、专业人员、设备等；整合多种数据源，包括火源位置、资源可用性、交通状况等，通过对这些数据进行分析，以支持更智能的资源调度决策。例如，可以选择最近的可用资源，并考虑交通堵塞情况来优化响应时间。
综上所述，便完成了本申请所述的基于无线通信网络的火灾情况信息处理与传输方法。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
1、本申请通过无线通信网络，可以远程实时监控多个地点的火灾情况，使火警能够更快地被检测到并响应；通过利用图神经网络模型，系统可以自动学习节点之间的复杂关系，并根据传感器节点的当前观测数据对其状态进行预测，使系统能够进行实时的状态监测和决策；强化学习模型可以根据不同的环境因素和传感器网络拓扑自动调整响应策略，增加了系统的灵活性，使其适用于不同场景和条件。
2、本申请通过使用CRFs和迁移学习的方法可以自动分配及优化信息的优先级，通过有效地为信息分配优先级，系统可以更快速地响应火灾事件，提高火灾管理效率；CRFs能够有效地捕获传感器节点之间的关系，并且可以灵活地适应不同类型的数据和关系；传统的机器学习算法可能需要大量的标记数据来训练模型，通过迁移学习，可以使用源领域的数据来改善目标领域的性能，从而减少了在目标领域收集大量数据的需求，迁移学习允许系统从以往的经验中学习，并将这些经验应用于新的情境中，从而提高系统的适应性和性能，特别是在面对新型火灾情况时。
3、本申请通过综合运用量子计算和启发式算法，可以在搜索过程中灵活地调整策略，还可以根据搜索进展和问题特性来自适应地改进拓扑结构，从而更好地满足无线通信网络的性能需求，为无线通信网络的拓扑结构优化提供了更智能、更高效的途径；量子计算的并行性允许同时探索多个可能的拓扑结构，从而能够在高维、复杂的搜索空间中进行高效的全局搜索，这使得在大规模的无线通信网络中找到最佳拓扑结构更加容易，因为传统的优化算法在这种情况下可能会陷入局部最优解。
4、本申请采用动态的信息传输优先级，可以实时响应不同信息的重要性和紧急性，确保重要信息优先传输，从而提高整体效率；同时，可以根据不同情境和任务自适应地调整信息传输的优先级，无需人工干预；采用迁移学习，解决了数据量不足、概念漂移和模型过拟合的问题；在某些情况下，目标任务的数据分布可能会随时间发生变化，导致概念漂移，通过迁移学习，可以更好地适应这种变化，因为先前学到的知识可以帮助模型更快地适应新的数据分布；在目标任务上训练的模型可能会因为数据不足而容易过拟合，迁移学习可以通过引入来自源任务的知识来缓解这种风险，使模型更稳定地进行学习。
效果调研：
本申请首先通过无线通信网络，实现了对火灾情况的远程实时监控，使得火警可以更快地被检测到和响应，从而提高了火灾管理的效率；利用图神经网络模型，可以自动学习传感器节点之间的复杂关系，并根据当前观测数据对节点状态进行实时预测，从而实时监测状态并决策，有助于快速应对火灾事件；强化学习模型为系统带来了灵活性，它可以根据不同的环境因素和传感器网络拓扑，自动调整响应策略，确保系统适用于不同的场景和条件；通过使用CRFs和迁移学习，系统能够自动分配和优化信息的优先级，使得系统更快速地响应火灾事件，提高了火灾管理效率；综合运用量子计算和遗传算法，以更快速、更智能地优化无线通信网络的拓扑结构；量子计算的并行性使得算法能够高效地全局搜索，而遗传算法引入了多样性，这使得系统能够更好地满足无线通信网络的性能需求，为拓扑结构的优化提供了更智能、更高效的途径。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.基于无线通信网络的火灾情况信息处理与传输系统，其特征在于，包括以下部分：
传感器，数据采集与处理模块，中央监控处理模块，火灾情况智能调度模块，无线通信传输模块，火灾警报和资源调度模块；
所述传感器，用于实时监测火灾相关的环境参数，传感器将监测到的火灾情况信息通过数据传输的方式与数据采集与处理模块相连；
所述数据采集与处理模块，用于接收从传感器中监测到火灾情况信息，并对接收的信息进行去噪、数据清洗的预处理，数据采集与处理模块通过数据传输的方式与中央监控处理模块相连；
所述中央监控处理模块，用于通过图神经网络模型对传感器节点进行状态预测，标记处于火灾状态的节点并通知其相邻节点；当节点被标记为存在潜在火灾时，通过强化学习模型来做出最佳的响应策略；中央监控处理模块通过数据传输的方式与火灾情况智能调度模块相连；
所述火灾情况智能调度模块，用于为每个接收到的信息分配一个优先级标签，并执行优化操作；通过条件随机场为每个输入信息分配一个优先级标签；进行优先级标记后，通过迁移学习来优化火灾情况信息的优先级预测结果；火灾情况智能调度模块通过数据传输的方式与无线通信传输模块相连；
所述无线通信传输模块，通过结合量子计算和启发式算法的方法，为无线通信网络的拓扑结构提供优化路径；利用量子计算的特性来模拟和优化无线通信网络的拓扑结构，再通过遗传算法的交叉、变异操作来逐步优化网络拓扑结构；所述无线通信传输模块通过数据传输的方式与火灾警报和资源调度模块相连；
所述火灾警报和资源调度模块，用于监控和管理火灾情况，以确保及时响应和协调救援工作。
2.基于无线通信网络的火灾情况信息处理与传输方法，其特征在于，包括以下步骤：
S1.将从传感器接收到的数据进行预处理；基于传感器节点构建一个图结构，使用图神经网络模型对图数据进行处理，并通过强化学习模型来确定最佳的响应策略；
S2.通过火灾情况智能调度模块为每个接收到的信息分配一个优先级标签，以表示输入信息的优先级；在火灾情况信息进行优先级标记后，通过迁移学习来优化火灾情况信息的优先级预测结果；
S3.综合运用量子计算和启发式算法的方法，为无线通信网络的拓扑结构提供优化路径；
S4.通过火灾警报和资源调度模块监控和管理火灾情况，确保及时响应和协调救援工作；
所述基于无线通信网络的火灾情况信息处理与传输方法，应用于权利要求1所述的无线通信网络的火灾情况信息处理与传输系统。
3.根据权利要求2所述的基于无线通信网络的火灾情况信息处理与传输方法，其特征在于，所述步骤S1，具体包括：
将从传感器接收到的数据进行预处理；通过图神经网络模型对传感器节点进行状态预测，标记处于火灾状态的节点并通知其相邻节点；当节点被标记为存在潜在火灾时，通过强化学习模型来做出最佳的响应策略。
4.根据权利要求3所述的基于无线通信网络的火灾情况信息处理与传输方法，其特征在于，所述步骤S1，还包括：
基于传感器节点构建一个图结构，每个节点代表一个传感器，每条边表示传感器之间的关系；每个传感器节点的数据以及各条边将构成图数据的一部分；为每个传感器节点分配标签，表示其当前状态；使用图神经网络模型对图数据进行处理，通过在节点之间传播信息以学习节点的表示，并执行信息传播和更新，逐渐捕捉到节点周围的信息和全局图结构；通过已标记的传感器节点数据来训练图神经网络模型，并预测未标记节点的状态；通过分析模型的输出，可以初步判断节点的火灾状态，标记处于火灾状态的节点并通知其相邻节点。
5.根据权利要求4所述的基于无线通信网络的火灾情况信息处理与传输方法，其特征在于，所述步骤S1，还包括：
当节点被标记为存在潜在火灾时，通过强化学习模型来确定最佳的响应策略；通过Q-learning进行强化学习，用于学习在不同状态下选择最优决策。
6.根据权利要求2所述的基于无线通信网络的火灾情况信息处理与传输方法，其特征在于，所述步骤S2，具体包括：
选择一个与火灾情况信息的优先级预测有相似性的领域作为源领域；收集和准备源领域的数据集，包括数据样本和标签，并且数据集中的数据包含源领域的特征和知识，与火灾情况信息的优先级预测相关；使用源领域的数据来训练一个机器学习模型，学习源领域的特征和知识，以解决源领域的任务；将源领域的知识迁移到目标领域，即火灾情况信息的优先级预测；在进行特征或知识迁移后，使用火灾情况信息的数据来调整模型；评估目标领域模型在火灾情况信息的优先级预测任务上的性能，根据性能表现，进一步优化模型；将迁移学习优化后的模型应用于火灾情况信息的优先级预测，使用目标领域的数据来进行预测，并通过源领域的知识来提高性能。
7.根据权利要求2所述的基于无线通信网络的火灾情况信息处理与传输方法，其特征在于，所述步骤S3，具体包括：
将无线通信网络中的所有节点信息映射到量子比特；每个量子比特代表网络中的一个节点；所述映射可以通过量子比特的不同状态或它们的组合来表示节点的不同特征；定义一个量子态，该量子态代表了无线通信网络的一个潜在的配置；使用张量积来初始化量子态；使用量子门来模拟拓扑结构的演化和优化，所述量子门表示为复数矩阵，用于改变量子比特之间的关系；对于每个节点i，通过使用相位门将信息优先级编码到相应的量子比特上；所述相位门的作用是改变量子比特的相位，相位的改变量等于/>个弧度；每个量子门操作都对应着网络中的一个连接或关系；通过改变/>的值，改变相应节点的信息优先级，从而影响量子比特的相位，进而导致量子态的演化。
8.根据权利要求7所述的基于无线通信网络的火灾情况信息处理与传输方法，其特征在于，所述步骤S3，还包括：
利用量子态演化的方法，使量子态逐步演化，以寻找最优的网络拓扑结构；使用遗传算法的交叉操作通过SWAP门来交换量子比特之间的状态；而遗传算法的变异操作则通过旋转门来实现，用于引入新的特性以优化搜索空间中的解；通过信息源的优先级和路径长度得到适应度函数，将/>的值编码到一个量子比特的相位上，将信息传输问题转化为一个量子态的问题；在每轮优化中，通过测量这个量子比特的状态，确定具有最大适应度值的解；使用新选出的解来更新量子态，进行下一轮的交叉和变异操作；迭代进行上述过程，直到达到预定的迭代次数或者适应度值满足预定的阈值；最终，找到具有最大适应度值的解，即最优的火灾情况信息传输策略。
9.根据权利要求8所述的基于无线通信网络的火灾情况信息处理与传输方法，其特征在于，所述步骤S4，具体包括：
当检测到火灾事件或接收到火灾报警时，生成警报信号，确保火灾事件被及时通知相关的人员和机构，从而启动紧急响应；根据火灾事件的性质、位置和严重程度来决定资源的调度方式；对火源位置、资源可用性、交通状况进行分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311145926.5A CN116887212B (zh) | 2023-09-07 | 2023-09-07 | 基于无线通信网络的火灾情况信息处理与传输方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311145926.5A CN116887212B (zh) | 2023-09-07 | 2023-09-07 | 基于无线通信网络的火灾情况信息处理与传输方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116887212A true CN116887212A (zh) | 2023-10-13 |
| CN116887212B CN116887212B (zh) | 2024-01-19 |
Family
ID=88259095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311145926.5A Active CN116887212B (zh) | 2023-09-07 | 2023-09-07 | 基于无线通信网络的火灾情况信息处理与传输方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116887212B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117319451A (zh) * | 2023-11-28 | 2023-12-29 | 爱瑞克(大连)安全技术集团有限公司 | 基于多模态大数据的城市级消防物联网监管系统及其方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102739786A (zh) * | 2012-06-22 | 2012-10-17 | 渤海大学 | 基于泛在网络的建筑火灾智能救助系统及方法 |
| CN106297139A (zh) * | 2016-08-16 | 2017-01-04 | 西安建筑科技大学 | 无线楼宇火灾监测系统 |
| CN107124748A (zh) * | 2017-05-08 | 2017-09-01 | 浙江树人学院 | 一种移动传感网的Sink节点移动路径规划方法 |
| CN109190787A (zh) * | 2018-07-09 | 2019-01-11 | 广东工业大学 | 水下潜航器的双重粒子群多监测点访问路径规划方法 |
| CN113542031A (zh) * | 2021-07-20 | 2021-10-22 | 深圳市泛海三江电子股份有限公司 | 一种基于消防火灾自动报警系统的智能组网方法 |
| US20220193474A1 (en) * | 2020-12-22 | 2022-06-23 | Aztek Securities, LLC | System and method for fire incident mitigation |
| CN114864125A (zh) * | 2022-04-25 | 2022-08-05 | 中广核工程有限公司 | 核电厂火灾信息的失效处理方法、装置和计算机设备 |
| CN116367109A (zh) * | 2023-06-01 | 2023-06-30 | 北京航天常兴科技发展股份有限公司 | 一种基于无线通信网络的火灾防控信息交互方法及系统 |
-
2023
- 2023-09-07 CN CN202311145926.5A patent/CN116887212B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102739786A (zh) * | 2012-06-22 | 2012-10-17 | 渤海大学 | 基于泛在网络的建筑火灾智能救助系统及方法 |
| CN106297139A (zh) * | 2016-08-16 | 2017-01-04 | 西安建筑科技大学 | 无线楼宇火灾监测系统 |
| CN107124748A (zh) * | 2017-05-08 | 2017-09-01 | 浙江树人学院 | 一种移动传感网的Sink节点移动路径规划方法 |
| CN109190787A (zh) * | 2018-07-09 | 2019-01-11 | 广东工业大学 | 水下潜航器的双重粒子群多监测点访问路径规划方法 |
| US20220193474A1 (en) * | 2020-12-22 | 2022-06-23 | Aztek Securities, LLC | System and method for fire incident mitigation |
| CN113542031A (zh) * | 2021-07-20 | 2021-10-22 | 深圳市泛海三江电子股份有限公司 | 一种基于消防火灾自动报警系统的智能组网方法 |
| CN114864125A (zh) * | 2022-04-25 | 2022-08-05 | 中广核工程有限公司 | 核电厂火灾信息的失效处理方法、装置和计算机设备 |
| CN116367109A (zh) * | 2023-06-01 | 2023-06-30 | 北京航天常兴科技发展股份有限公司 | 一种基于无线通信网络的火灾防控信息交互方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李思宇: "华北科技学院硕士专业学位论文-高层建筑火灾监控系统研究" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117319451A (zh) * | 2023-11-28 | 2023-12-29 | 爱瑞克(大连)安全技术集团有限公司 | 基于多模态大数据的城市级消防物联网监管系统及其方法 |
| CN117319451B (zh) * | 2023-11-28 | 2024-02-27 | 爱瑞克(大连)安全技术集团有限公司 | 基于多模态大数据的城市级消防物联网监管系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116887212B (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nadi et al. | Adaptive multi-agent relief assessment and emergency response | |
| Iqbal et al. | Multi-objective optimization in sensor networks: Optimization classification, applications and solution approaches | |
| Said et al. | Accurate performance prediction of IoT communication systems for smart cities: An efficient deep learning based solution | |
| CN116887212B (zh) | 基于无线通信网络的火灾情况信息处理与传输方法 | |
| Pourghebleh et al. | A roadmap towards energy‐efficient data fusion methods in the Internet of Things | |
| Bagwari et al. | An Enhanced Energy Optimization Model for Industrial Wireless Sensor Networks Using Machine Learning | |
| Mahajan et al. | Prediction of network traffic in wireless mesh networks using hybrid deep learning model | |
| CN110460662A (zh) | 物联网数据的处理方法和系统 | |
| Wang et al. | Ordered visibility graph weighted averaging aggregation operator: A methodology based on network analysis | |
| Ghosh et al. | CLAWER: Context-aware cloud-fog based workflow management framework for health emergency services | |
| Zhang et al. | Distributed gas concentration prediction with intelligent edge devices in coal mine | |
| Priyadarshi | Exploring machine learning solutions for overcoming challenges in IoT-based wireless sensor network routing: a comprehensive review | |
| Serrano | iBuilding: artificial intelligence in intelligent buildings | |
| Yang | A SDN-based traffic estimation approach in the internet of vehicles | |
| Dubey et al. | Optimal path selection using reinforcement learning based ant colony optimization algorithm in IoT-Based wireless sensor networks with 5G technology | |
| Aiswarya et al. | Latency Reduction in Medical IoT Using Fuzzy Systems by Enabling Optimized Fog Computing | |
| Zroug et al. | Towards performance evaluation prediction in WSNs using artificial neural network multi-perceptron | |
| Gheibi et al. | Dealing with drift of adaptation spaces in learning-based self-adaptive systems using lifelong self-adaptation | |
| Nandhini et al. | Integration of Big Data Analytics Into Cyber‐Physical Systems | |
| Ebrahim et al. | Privacy-aware load balancing in fog networks: A reinforcement learning approach | |
| Saini et al. | Fog-inspired framework for emergency rescue operations in post-disaster scenario | |
| Chitra et al. | Leveraging fog computing and deep learning for building a secure individual health-based decision support system to evade air pollution | |
| Martins et al. | A prediction-based multisensor heuristic for the internet of things | |
| Mughal et al. | An intelligent Hybrid‐Q Learning clustering approach and resource management within heterogeneous cluster networks based on reinforcement learning | |
| Ghosh et al. | Machine learning for fog computing-based iot networks in smart city environment |
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 |