CN116934555B - 一种基于物联网的安消一体化的管理方法及装置 - Google Patents
一种基于物联网的安消一体化的管理方法及装置 Download PDFInfo
- Publication number
- CN116934555B CN116934555B CN202311126857.3A CN202311126857A CN116934555B CN 116934555 B CN116934555 B CN 116934555B CN 202311126857 A CN202311126857 A CN 202311126857A CN 116934555 B CN116934555 B CN 116934555B
- Authority
- CN
- China
- Prior art keywords
- data
- mimicry
- safety fire
- fire control
- space data
- 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
Links
- 238000007726 management method Methods 0.000 title claims abstract description 70
- 230000008030 elimination Effects 0.000 title claims abstract description 15
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 136
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 123
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000007613 environmental effect Effects 0.000 claims abstract description 21
- 238000006243 chemical reaction Methods 0.000 claims description 161
- 238000011156 evaluation Methods 0.000 claims description 42
- 238000005457 optimization Methods 0.000 claims description 31
- 230000010354 integration Effects 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 9
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 13
- 238000012549 training Methods 0.000 abstract description 13
- 238000004590 computer program Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005202 decontamination Methods 0.000 description 3
- 230000003588 decontaminative effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/50—Safety; Security of things, users, data or systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Computer Security & Cryptography (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Alarm Systems (AREA)
Abstract
本公开提供一种基于物联网的安消一体化的管理方法及装置,通过获取待检测的目标安全消防数据;挖掘目标安全消防数据中目标管理区域的环境状态描述载体;通过环境状态描述载体与预警状态检测参数,确定目标管理区域对应于各预警状态类型的支持系数,其中,预警状态检测参数是通过拟态安全消防数据和现实安全消防数据进行优化得到的算法参数,拟态安全消防数据中包括拟态管理区域对应的安消设备采集的安全消防数据;基于支持系数确定目标安全消防数据中目标管理区域匹配的预警状态类型。如此一来,采用拟态数据对环境状态检测算法进行优化,训练成本低,预警状态的检测过程简单,提升检测速度。
Description
技术领域
本公开涉及人工智能、物联网领域,并且更具体地,涉及一种基于物联网的安消一体化的管理方法及装置。
背景技术
物联网(Internet of Things,IoT)在安全与消防(安消)领域具有广泛的应用和重要性。安消领域的主要目标是通过监测、预防和应对各种安全和紧急情况,保障人员和财产的安全。在物联网技术的支持下,安消领域可以实现更高效、智能和可持续的安全管理和响应系统。随着人工智能(Artificial Intelligence,AI)的发展,结合大算力芯片,其在安消领域得到了广泛的应用。例如图像识别与分析、智能火灾预警、智能安全巡检、预测潜在的安全风险和故障等,尤其是在自动预警中,人工智能的重要性不言而喻。人工智能往往借助神经网络算法,按照预设的样本数据对算法进行训练,得到泛化性和鲁棒性高的算法模型,其中,样本数据的数量和质量决定了算法的性能,而在安消领域,发生预警状态的实际数据量少,导致算法调优过程耗费大量成本于数据采集和算法优化上,成本与效率需要得到提升。
发明内容
有鉴于此,本公开实施例至少提供一种基于物联网的安消一体化的管理方法及装置。
根据本公开实施例的一个方面,提供了一种基于物联网的安消一体化的管理方法,所述方法包括:
获取待检测的目标安全消防数据;
挖掘所述目标安全消防数据中目标管理区域的环境状态描述载体;
通过所述环境状态描述载体与预警状态检测参数,确定所述目标管理区域对应于各预警状态类型的支持系数;其中,所述预警状态检测参数是通过拟态安全消防数据和现实安全消防数据进行优化得到的环境状态检测算法的算法参数,所述环境状态检测算法包括用于将现实空间数据转换为拟态空间数据的第一转换算子,用于将拟态空间数据转换为现实空间数据的第二转换算子,以及多个决策算子,所述拟态安全消防数据中包括拟态管理区域对应的安消设备采集的安全消防数据;
基于所述支持系数确定所述目标安全消防数据中目标管理区域匹配的预警状态类型。
根据本公开实施例的一个示例,其中,在获取待检测的目标安全消防数据之前,所述方法还包括:
获取所述拟态安全消防数据和所述现实安全消防数据,其中,所述拟态安全消防数据来源于多个拟态安全消防数据库,每个所述拟态安全消防数据库分别匹配类型注释,所述类型注释包括用于表征所述拟态安全消防数据库为目标类型预警状态的第一模板类型,及用于表征所述拟态安全消防数据库不是所述目标类型预警状态的第二模板类型;
通过所述拟态安全消防数据和所述现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止,将所述第一转换算子的算子可学习变量确定为所述预警状态检测参数。
根据本公开实施例的一个示例,其中,所述通过所述拟态安全消防数据和所述现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止包括:
将所述拟态安全消防数据输入所述第二转换算子,转换得到第一参照现实空间数据;在所述第一参照现实空间数据的决策结果指示符合第一参照优化评估条件时,将所述第一参照现实空间数据输入所述第一转换算子,转换得到第一参照拟态空间数据;获取所述拟态安全消防数据与所述第一参照拟态空间数据之间的第一代价;
将所述现实安全消防数据输入所述第一转换算子,转换得到第二参照拟态空间数据;在所述第二参照拟态空间数据的决策结果指示符合第二参照优化评估条件时,将所述第二参照拟态空间数据输入所述第二转换算子,转换得到第二参照现实空间数据;获取所述现实安全消防数据与所述第二参照现实空间数据之间的第二代价;
在所述第一代价及所述第二代价符合第一临界值时,确定所述环境状态检测算法符合所述预设条件。
根据本公开实施例的一个示例,其中,所述将所述拟态安全消防数据输入所述第二转换算子,转换得到第一参照现实空间数据包括:将所述拟态安全消防数据中的所述多个拟态安全消防数据库输入所述第二转换算子,得到参照背景现实空间数据;
在所述第一参照现实空间数据的决策结果指示符合第一参照优化评估条件时,将所述第一参照现实空间数据输入所述第一转换算子,转换得到第一参照拟态空间数据包括:将所述参照背景现实空间数据输入第一决策算子,得到第一决策结果;在所述第一决策结果指示不符合第一转换评估条件时,修正所述第二转换算子的算子可学习变量;在所述第一决策结果指示符合所述第一转换评估条件时,将所述参照背景现实空间数据输入所述第一转换算子,得到参照状态拟态空间数据;
所述获取所述拟态安全消防数据与所述第一参照拟态空间数据之间的第一代价包括:获取所述拟态安全消防数据库中的拟态状态安全消防数据与所述参照状态拟态空间数据之间的背景差异;在所述背景差异指示不符合第二转换评估条件时,根据所述背景差异修正所述第一转换算子中的算子可学习变量;在所述背景差异指示符合所述第二转换评估条件时,根据所述背景差异获取所述第一代价。
根据本公开实施例的一个示例,其中,将所述拟态安全消防数据输入所述第二转换算子,转换得到第一参照现实空间数据包括:将所述拟态安全消防数据中的所述多个拟态安全消防数据库对应的前后关联状态数据输入所述第二转换算子,得到参照关联状态现实空间数据;
在所述第一参照现实空间数据的决策结果指示符合第一参照优化评估条件时,将所述第一参照现实空间数据输入所述第一转换算子,转换得到第一参照拟态空间数据包括:将所述参照关联状态现实空间数据输入第二决策算子,得到第二决策结果;在所述第二决策结果指示不符合第三转换评估条件时,修正所述第二转换算子的算子可学习变量;在所述第二决策结果指示符合所述第三转换评估条件时,将所述参照关联状态现实空间数据输入所述第一转换算子,得到参照关联状态拟态空间数据;
获取所述拟态安全消防数据与所述第一参照拟态空间数据之间的第一代价包括:获取所述拟态安全消防数据库中的拟态状态安全消防数据与所述参照关联状态拟态空间数据之间的状态差异;在所述状态差异指示不符合第四转换评估条件时,根据所述状态差异修正所述第一转换算子中的算子可学习变量;在所述状态差异指示符合所述第四转换评估条件时,根据所述状态差异获取所述第一代价;
所述通过所述拟态安全消防数据和所述现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止还包括:
将所述拟态安全消防数据划分为第一拟态数据和第二拟态数据,并将所述现实安全消防数据划分为第一现实数据和第二现实数据,其中,所述第一拟态数据的转换时间先于所述第二拟态数据的转换时间,所述第一现实数据的转换时间先于所述第二现实数据的转换时间;
将所述第一拟态数据输入所述第二转换算子,得到参照顺序拟态空间数据;获取所述第二拟态数据与所述参照顺序拟态空间数据之间的第一顺序差异;
将所述第一现实数据输入所述第一转换算子,得到参照顺序现实空间数据;获取所述第二现实数据与所述参照顺序现实空间数据之间的第二顺序差异;
在所述第一顺序差异及所述第二顺序差异符合第二临界值时,确定所述环境状态检测算法符合所述预设条件。
根据本公开实施例的一个示例,其中,确定所述环境状态检测算法符合所述预设条件包括:
对所述第一代价、所述第二代价、所述第一顺序差异以及所述第二顺序差异进行加权整合,得到整合结果;
在所述整合结果指示符合目标临界结果时,确定所述环境状态检测算法符合所述预设条件。
根据本公开实施例的一个示例,其中,在所述通过所述拟态安全消防数据和所述现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止之后,还包括:
获取与符合所述预设条件的环境状态检测算法中,所述第一转换算子及所述第二转换算子连接的仿射网络的执行结果;
在所述执行结果指示符合检测条件时,确定将所述第一转换算子的算子可学习变量确定为所述预警状态检测参数,其中,所述检测条件指示所述执行结果的类型和与所述执行结果匹配的拟态安全消防数据库的类型注释相同。
根据本公开实施例的另一方面,提供了一种算法优化方法,包括:
获取拟态安全消防数据和现实安全消防数据,其中,所述拟态安全消防数据包括拟态管理区域对应的安消设备采集的安全消防数据,所述现实安全消防数据包括现实安全消防背景数据和现实安全消防状态数据,所述拟态安全消防数据来源于多个拟态安全消防数据库,每个所述拟态安全消防数据库分别匹配类型注释,所述类型注释包括用于表征所述拟态安全消防数据库为目标类型预警状态的第一模板类型,及用于表征所述拟态安全消防数据库不是所述目标类型预警状态的第二模板类型;
通过所述拟态安全消防数据和所述现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止,其中,所述初始化环境状态检测算法中包括用于将现实空间数据转换为拟态空间数据的第一转换算子,用于将拟态空间数据转换为现实空间数据的第二转换算子及多个决策算子;其中,所述通过所述拟态安全消防数据和所述现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止包括:
将所述拟态安全消防数据输入所述第二转换算子,转换得到第一参照现实空间数据;在所述第一参照现实空间数据的决策结果指示符合第一参照优化评估条件时,将所述第一参照现实空间数据输入所述第一转换算子,转换得到第一参照拟态空间数据;获取所述拟态安全消防数据与所述第一参照拟态空间数据之间的第一代价;
将所述现实安全消防数据输入所述第一转换算子,转换得到第二参照拟态空间数据;在所述第二参照拟态空间数据的决策结果指示符合第二参照优化评估条件时,将所述第二参照拟态空间数据输入所述第二转换算子,转换得到第二参照现实空间数据;获取所述现实安全消防数据与所述第二参照现实空间数据之间的第二代价;
在所述第一代价及所述第二代价符合第一临界值时,确定所述环境状态检测算法符合所述预设条件。
根据本公开实施例的一个示例,其中,所述通过所述拟态安全消防数据和所述现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止,还包括:
将所述拟态安全消防数据划分为第一拟态数据和第二拟态数据,并将所述现实安全消防数据划分为第一现实数据和第二现实数据,其中,所述第一拟态数据的转换时间先于所述第二拟态数据的转换时间,所述第一现实数据的转换时间先于所述第二现实数据的转换时间;
将所述第一拟态数据输入所述第二转换算子,得到参照顺序拟态空间数据;获取所述第二拟态数据与所述参照顺序拟态空间数据之间的第一顺序差异;
将所述第一现实数据输入所述第一转换算子,得到参照顺序现实空间数据;获取所述第二现实数据与所述参照顺序现实空间数据之间的第二顺序差异;
在所述第一顺序差异及所述第二顺序差异符合第二临界值时,获取所述第一代价、所述第二代价、所述第一顺序差异及所述第二顺序差异的加权整合结果;在所述整合结果指示符合目标临界结果时,确定所述环境状态检测算法符合所述预设条件。
根据本公开实施例的另一方面,提供了一种基于物联网的安消一体化的管理装置,包括:
数据获取模块,用于获取待检测的目标安全消防数据;
载体挖掘模块,用于挖掘所述目标安全消防数据中目标管理区域的环境状态描述载体;
类型预测模块,用于通过所述环境状态描述载体与预警状态检测参数,确定所述目标管理区域对应于各预警状态类型的支持系数;其中,所述预警状态检测参数是通过拟态安全消防数据和现实安全消防数据进行优化得到的环境状态检测算法的算法参数,所述环境状态检测算法包括用于将现实空间数据转换为拟态空间数据的第一转换算子,用于将拟态空间数据转换为现实空间数据的第二转换算子,以及多个决策算子,所述拟态安全消防数据中包括拟态管理区域对应的安消设备采集的安全消防数据;
类型确定模块,用于基于所述支持系数确定所述目标安全消防数据中目标管理区域匹配的预警状态类型。
本公开至少包含的有益效果:
在本公开实施例中,通过获取待检测的目标安全消防数据;挖掘目标安全消防数据中目标管理区域的环境状态描述载体;通过环境状态描述载体与预警状态检测参数,确定目标管理区域对应于各预警状态类型的支持系数,其中,预警状态检测参数是通过拟态安全消防数据和现实安全消防数据进行优化得到的算法参数,拟态安全消防数据中包括拟态管理区域对应的安消设备采集的安全消防数据;基于支持系数确定目标安全消防数据中目标管理区域匹配的预警状态类型。如此一来,采用拟态数据对环境状态检测算法进行优化,训练成本低,预警状态的检测过程简单,提升检测速度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开的技术方案。
附图说明
通过结合附图对本公开实施例进行更详细的描述,本公开实施例的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为本公开实施例提供的应用场景的示意图。
图2为本公开实施例提供的一种基于物联网的安消一体化的管理方法的实现流程示意图。
图3为本公开实施例提供的一种基于物联网的安消一体化的管理装置的组成结构示意图。
图4为本公开实施例提供的一种计算机设备的硬件实体示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本公开一部分的实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
为了使本公开的目的、技术方案和优点更加清楚,下面结合附图和实施例对本公开的技术方案进一步详细阐述,所描述的实施例不应视为对本公开的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本公开保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本公开实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开的目的,不是旨在限制本公开。
本公开实施例提供的基于物联网的安消一体化的管理方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,安全消防数据可存储在终端102的本地存储中,也可存储至数据存储系统或者与服务器104关联的云端存储中,当需要进行数据管理分析时,服务器104可从终端102本地存储、或数据存储系统、或云端存储中,获取安全消防数据。其中,终端102可以但不限于是各种物联网感测终端,例如各类传感器设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本公开实施例中,通过获取待检测的目标安全消防数据;挖掘目标安全消防数据中目标管理区域的环境状态描述载体;通过环境状态描述载体与预警状态检测参数,确定目标管理区域对应于各预警状态类型的支持系数,其中,预警状态检测参数是通过拟态安全消防数据和现实安全消防数据进行优化得到的算法参数,拟态安全消防数据中包括拟态管理区域对应的安消设备采集的安全消防数据;基于支持系数确定目标安全消防数据中目标管理区域匹配的预警状态类型。从而通过拟态数据对环境状态检测算法进行优化,训练成本低,预警状态的检测过程简单,提升检测速度。
请参照图2,本公开实施例供的基于物联网的安消一体化的管理方法可以应用于服务器104,具体包括以下步骤:
S101,获取待检测的目标安全消防数据。
S102,挖掘目标安全消防数据中目标管理区域的环境状态描述载体。
S103,通过环境状态描述载体与预警状态检测参数,确定目标管理区域对应于各预警状态类型的支持系数。
其中,预警状态检测参数是通过拟态安全消防数据和现实安全消防数据进行优化得到的算法参数,拟态安全消防数据中包括拟态管理区域对应的安消设备采集的安全消防数据。预警状态类型可以是二分类的类型,如预警和非预警,也可以是按照预警的等级进行分类,例如一级预警,二级预警,三级预警等,具体分类方式不做限定,可以根据实际需要进行适应的分类器选择。支持系数表示结果支持某一预警状态类型的支持度,可以通过概率、置信度等进行表示。
S104,基于支持系数确定目标安全消防数据中目标管理区域匹配的预警状态类型。
以上所述的目标安全消防数据为安消设备采集的目标管理区域(例如厂房、楼宇、街道等区域)的数据,例如,安消设备可以为传感器设备和摄像设备,例如可以是温度传感器、湿度传感器、烟雾探测器、气体传感器、摄像机,目标安全消防数据还可以包括重要安全消防设备的数据源,例如灭火器的可用状态、消防水管是否正常供水等。这些数据被采集到后,通过网关无线通信传输到中央控制系统或云平台进行处理存储。为了方便计算机计算,获取到的数据可以进行独热编码和归一化,生成编码数据,然后对编码数据进行特征挖掘,得到环境状态描述载体,需要说明的是,对于各类传感器数据和摄像机拍摄的目标区域的图像,可以分别进行特征挖掘后进行挖掘后载体的融合,得到融合载体,作为环境状态描述载体,环境状态描述载体为承载环境特征信息的载体,具体为目标区域的环境状态特征,其可以表征为一个特征向量、矩阵或张量,本公开不做限定。环境状态表征对应的目标管理区域当前是否需要预警的状态,具体的,可以训练一个环境状态检测算法,通过大量的安全消防数据对算法进行优化调试后,算法的参数达到最优状态,能够准确检测目标安全消防数据是否为需要预警的状态。
以上获取的数据为现实空间中的安全消防数据,在本公开实施例中,基于预警状态检测参数对现实空间中获取的安全消防数据进行预警状态检测,但是,因包括现实空间的安消监测中具有预警状态的数据模板数量不足,若通过包括现实空间的预警状态的安消监测数据来对预警状态检测参数进行优化训练,数据量显然不符合要求,而获取符合要求的数据量,数据收集的成本将限制算法的应用,同时增加算法的优化训练成本,效率也得不到提高。本公开实施例旨在解决以上提及的训练数据量的问题,具体是基于拟态安全消防数据和现实安全消防数据进行结合的方式来优化预警状态检测参数,因拟态安全消防数据模板与现实空间的安全消防数据模板是相近的,此外,可以采用控制拟态安全消防数据来得到具有预警状态的数据模板,如此一来,即可缓解预警状态数据模板的收集成本。
获得待检测的目标安全消防数据时,挖掘待检测的安全消防数据中的目标管理区域对应的环境状态描述载体,例如基于通用深度学习网络(例如CNN、LSTM)进行特征提取,完成环境状态描述载体的挖掘,然后将环境状态描述载体输入包括转换算子的算法,通过优化得到的预警状态检测参数得到支持系数,如上所述支持系数可以为对应状态的概率或置信度,在符合目标类型预警状态匹配的检测条件时,确定目标状态是目标类型预警状态。
本公开实施例中,通过获取待检测的目标安全消防数据;挖掘目标安全消防数据中目标管理区域的环境状态描述载体;通过环境状态描述载体与预警状态检测参数,确定目标管理区域对应于各预警状态类型的支持系数,其中,预警状态检测参数是通过拟态安全消防数据和现实安全消防数据进行优化得到的算法参数,拟态安全消防数据中包括拟态管理区域对应的安消设备采集的安全消防数据;基于支持系数确定目标安全消防数据中目标管理区域匹配的预警状态类型。从而通过拟态数据对环境状态检测算法进行优化,训练成本低,预警状态的检测过程简单,提升检测速度。
在一个实施例中,获取待检测的目标安全消防数据之前,方法还包括以下步骤:
S10,获取拟态安全消防数据和现实安全消防数据。
其中,拟态安全消防数据来源于多个拟态安全消防数据库(可以是事先准备好的素材库,可以通过仿真软件进行仿真得到),每个拟态安全消防数据库分别匹配类型注释(如前所述,可以是注释类型的信息,例如预警和非预警的二分类注释),类型注释包括用于表征拟态安全消防数据库为目标类型预警状态的第一模板类型,以及用于表征拟态安全消防数据库不是目标类型预警状态的第二模板类型。
S20,通过拟态安全消防数据和现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止。
其中,初始化环境状态检测算法包括用于将现实空间数据转换为拟态空间数据的第一转换算子,用于将拟态空间数据转换为现实空间数据的第二转换算子及多个决策算子,在符合预设条件时,将第一转换算子的算子可学习变量(参变量,如权重、偏置)确定为预警状态检测参数。此处的预设条件可以是算法收敛,如达到最大调优次数、代价数值达到最小等。
进行算法优化的安全消防数据包括三类,具体地,拟态安全消防数据取自具有预警状态的拟态安全消防数据库,现实安全消防数据取自提供现实状态背景的现实空间状态数据库和提供现实空间背景的数据库。检测预警状态是基于检测算子进行的,检测算子在调优过程中,每一轮输入一拟态安全消防数据,同时任意选取一个现实空间状态安全消防数据和现实空间背景安全消防数据组成安全消防数据集合输入初始算子中进行优化,在算子收敛时停止。
基于此,获取拟态安全消防数据和现实安全消防数据,并通过拟态安全消防数据和现实安全消防数据对初始化环境状态检测算法进行优化,并在符合预设条件时停止,从而优化得到用于预警状态检测算子,也即通过拟态数据对环境状态检测算法进行优化,不用通过大量现实的安全消防数据优化环境状态检测算法,降低了成本,提高了效率。
在一个实施例中,通过拟态安全消防数据和现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止包括:
Step11,将拟态安全消防数据输入第二转换算子,转换得到第一参照现实空间数据;在第一参照现实空间数据的决策结果(具体是基于一个辨别网络辨别得到的决策结果,请参后续说明)指示符合第一参照优化评估条件(例如辨别概率接近二分之一)时,将第一参照现实空间数据输入第一转换算子,转换得到第一参照拟态空间数据;获取拟态安全消防数据与第一参照拟态空间数据之间的第一代价。
Step12,将现实安全消防数据输入第一转换算子,转换得到第二参照拟态空间数据;在第二参照拟态空间数据的决策结果指示符合第二参照优化评估条件时,将第二参照拟态空间数据输入第二转换算子,转换得到第二参照现实空间数据;获取现实安全消防数据与第二参照现实空间数据之间的第二代价。
Step13,在第一代价和第二代价符合第一临界值时,确定环境状态检测算法符合预设条件。
上述过程中,因为采用拟态安全消防数据优化获得用于现实预警状态检测的算法,在采取以上步骤对算子可学习变量进行优化时,需要确保拟态安全消防数据和现实空间安全消防数据的背景是适应的,此处所说的背景代表数据运行的背景,例如数据的结构、数据的数值范围、数据的类型等构建数据环境的要素,需要彼此适应。此外,还需要聚焦数据的背景变迁、考虑拟态状态和现实状态的差异,以及确保拟态状态于转换后的上下文关联(前后关系)。按照上述衡量因素,空间适应具体可从背景空间匹配,状态平缓空间匹配以及顺序关系进行,通过以上方法完成背景空间匹配的参数优化,即安全消防数据背景的空间匹配。
具体地,可以采用循环生成判别策略将一个拟态安全消防数据库B11输入算法中,通过第一转换算子(可理解为一个生成器)挖掘到描述载体,基于插值方式将描述载体还原,得到通过拟态安全消防数据转换得到的拟态的现实空间背景安全消防数据B1。再将B1输入辨别网络,辨别网络为一个判别器,本质为一个二分类的分类器,将其简称为Disc,辨别真的现实空间背景数据和拟态的现实空间背景数据。优化完成时,如果辨别出的概率接近二分之一,则说明辨别网络难以对数据进行准确辨别,此时可以推定转换生成的安全消防数据的逼真程度很高。第一转换算子经训练拥有将拟态安全消防数据转换为现实空间背景安全消防数据的局部效能。之后,将B1输入第二转换算子(可理解为一个反向的生成器),输出二次转换的安全消防数据B2,计算B2和B11均方误差,第一转换算子和第二转换算子经过训练后各自都能够从拟态安全消防数据转换为现实空间背景数据,以及从现实空间背景转换为拟态安全消防数据。
上述实施例将拟态安全消防数据输入第二转换算子,转换得到第一参照现实空间数据,在第一参照现实空间数据的决策结果指示符合第一参照优化评估条件时,将第一参照现实空间数据输入第一转换算子,转换得到第一参照拟态空间数据,获取拟态安全消防数据与第一参照拟态空间数据之间的第一代价,将现实安全消防数据输入第一转换算子,转换得到第二参照拟态空间数据,在第二参照拟态空间数据的决策结果指示符合第二参照优化评估条件时,将第二参照拟态空间数据输入第二转换算子,转换得到第二参照现实空间数据,获取现实安全消防数据与第二参照现实空间数据之间的第二代价,在第一代价和第二代价符合(例如大于)第一临界值(根据实际需要进行设定)时,确定环境状态检测算法符合预设条件,此时优化得到兼顾适应拟态空间到现实空间背景的算法,能够提升算法在背景转换精度和速度。
可选地,本公开提供的方法还可以包括以下步骤:
S1a,将拟态安全消防数据输入第二转换算子,转换得到第一参照现实空间数据包括:将拟态安全消防数据中的多个拟态安全消防数据库输入第二转换算子,得到参照背景现实空间数据。
S1b,在第一参照现实空间数据的决策结果指示符合第一参照优化评估条件时,将第一参照现实空间数据输入第一转换算子,转换得到第一参照拟态空间数据包括:将参照背景现实空间数据输入第一决策算子,得到第一决策结果;在第一决策结果指示不符合第一转换评估条件(即转换过程的收敛条件)时,修正第二转换算子的算子可学习变量;在第一决策结果指示符合第一转换评估条件时,将参照背景现实空间数据输入第一转换算子,得到参照状态拟态空间数据。
S1c,获取拟态安全消防数据与第一参照拟态空间数据之间的第一代价包括:获取拟态安全消防数据库中的拟态状态安全消防数据与参照状态拟态空间数据之间的背景差异;在背景差异指示不符合第二转换评估条件时,根据背景差异修正第一转换算子中的算子可学习变量;在背景差异指示符合第二转换评估条件时,根据背景差异获取第一代价。
以上步骤中,标签或称目标变量是来回往复的,第二转换算子的性能具有局限性,为了提高算法性能完成算法的对称,以上步骤将反向执行,具体地:将现实空间背景安全消防数据B3输入算法中,通过第二转换算子挖掘到描述载体后,进行差值还原,获得由B3安全消防数据转换生成的假的拟态安全消防数据B1。经过第二转换算子后获得转换得到的B2,输入到辨别网络Disc'进行辨别其是否是真的拟态安全消防数据。优化完成时,辨别网络辨别得到的结果趋近二分之一时,即辨别网络难以辨别拟态和现实数据,此时代表第二转换算子转换得到的安全消防数据效果足以达到使用标准。第二转换算子在训练后拥有将现实空间背景安全消防数据转换为拟态安全消防数据的局部效能,之后将B2输入第一转换算子,获得再次转换后的假的拟态的现实空间背景安全消防数据B1,再计算B1和B3的均方误差,B1与B3将越发靠近,第一转换算子和第二转换算子在分别二次训练后增强了在拟态安全消防数据转换为现实空间背景数据,以及在现实空间背景转换为拟态安全消防数据的效果,通过算法对偶增强,使得算法的泛化性更强。
可选地,还可以采用以下步骤对算法进行优化,具体包括以下步骤:
S2a,将拟态安全消防数据输入第二转换算子,转换得到第一参照现实空间数据包括:将拟态安全消防数据中的多个拟态安全消防数据库对应的前后关联状态数据输入第二转换算子,得到参照关联状态现实空间数据。
S2b,在第一参照现实空间数据的决策结果指示符合第一参照优化评估条件时,将第一参照现实空间数据输入第一转换算子,转换得到第一参照拟态空间数据包括:将参照关联状态现实空间数据输入第二决策算子,得到第二决策结果;在第二决策结果指示不符合第三转换评估条件时,修正第二转换算子的算子可学习变量;在第二决策结果指示符合第三转换评估条件时,将参照关联状态现实空间数据输入第一转换算子,得到参照关联状态拟态空间数据。
S2c,获取拟态安全消防数据与第一参照拟态空间数据之间的第一代价包括:获取拟态安全消防数据库中的拟态状态安全消防数据与参照关联状态拟态空间数据之间的状态差异;在状态差异指示不符合第四转换评估条件时,根据状态差异修正第一转换算子中的算子可学习变量;在状态差异指示符合第四转换评估条件时,根据状态差异获取第一代价。
可以理解以上对检测算法的拟态空间数据以及现实空间数据的状态平缓性(也即状态过渡的平顺程度)进行了适应优化。状态平缓性空间匹配的安全消防数据集合分别为拟态安全消防数据的前后关联安全消防数据和现实空间状态安全消防数据的前后关联安全消防数据,第一转换算子和第二转换算子为前述提及的算子,辨别网络分别为:Disc21,用于辨别输入信息是否是真的现实空间状态前后关联安全消防数据;Disc22,用于辨别输入信息是否是真的拟态安全消防数据前后关联安全消防数据。
将一个拟态安全消防数据安全消防数据的前后关联安全消防数据库B41输入算法,通过第一转换算子挖掘到描述载体,基于插值进行还原,得到由拟态安全消防数据前后关联安全消防数据生成的拟态的现实空间前后关联安全消防数据B4,再将拟态的现实空间前后关联安全消防数据B4输入辨别网络Disc21,辨别为真的现实空间前后关联安全消防数据和拟态的现实空间前后关联安全消防数据。优化完成时,辨别概率接近二分之一时,表明辨别网络无法辨别拟态和现实,此时转换算子转换得到的安全消防数据的效果足以符合训练标准。第一转换算子经训练后拥有将拟态安全消防数据转换为现实空间前后关联安全消防数据的局部效能。将拟态的现实空间前后关联安全消防数据B4输入第二转换算子,得到二次转换得到的前后关联安全消防数据B5,计算B5和B41的均方误差,使之靠近,此时,第一转换算子和第二转换算子经过训练后,各自拥有在拟态安全消防数据前后关联安全消防数据转换为现实空间前后关联安全消防数据,以及在现实空间前后关联安全消防数据转换为拟态安全消防数据前后关联安全消防数据的效能。
因标签或称目标变量的来回往复,第二转换算子将现实空间前后关联安全消防数据转换为拟态前后关联安全消防数据具有局限性。为了优化其相关性能,将以上步骤进行反向执行,该过程与背景空间匹配的优化方法中,进行反向执行的原理一致。
通过上述的实施方案,采用拟态安全消防数据的前后关联安全消防数据与现实空间状态安全消防数据的前后关联安全消防数据对检测算法进行优化,提高了算法对拟态安全消防数据和现实空间状态安全消防数据的状态平缓性的转换效果,从而使得检测算法的检测速度提升。
在一个实施例中,通过拟态安全消防数据和现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止,还包括:
Sa,将拟态安全消防数据划分为第一拟态数据和第二拟态数据,并将现实安全消防数据划分为第一现实数据和第二现实数据,其中,第一拟态数据的转换时间先于第二拟态数据的转换时间,第一现实数据的转换时间先于第二现实数据的转换时间。
Sb,将第一拟态数据输入第二转换算子,得到参照顺序拟态空间数据;获取第二拟态数据与参照顺序拟态空间数据之间的第一顺序差异。
Sc,将第一现实数据输入第一转换算子,得到参照顺序现实空间数据;获取第二现实数据与参照顺序现实空间数据之间的第二顺序差异。
Sd,在第一顺序差异和第二顺序差异符合第二临界值时,确定环境状态检测算法符合预设条件。
以上步骤Sa~Sd是顺序推理关系的检测能力的提升训练过程,本公开实施例通过输入一拟态安全消防数据安全消防数据的靠前部分的安全消防数据安全消防数据和靠后部分的安全消防数据安全消防数据:Bf和Bb,现实空间(背景和状态都涉及)安全消防数据Br1和Br2,Bf输入第一转换算子,得到Bf1,计算Bb和Bf1的均方误差,使得Bf1接近监督信息,将Bb和Bf1输入Disc'2进行辨别是否为真的拟态安全消防数据靠后部分安全消防数据。输入一现实空间安全消防数据的靠前部分安全消防数据安全消防数据和靠后部分安全消防数据安全消防数据,将Br1输入到第二转换算子得到Br21,计算Br21和Br2的均方误差,使得Br21接近监督信息,将Br21和Br2输入Disc2辨别是否是真的现实空间靠后部分安全消防数据安全消防数据。
如此,完成了检测算法对于顺序推理关系的检测效能,进而提高检测算法对预警状态的检测速度。
可选地,确定环境状态检测算法符合预设条件包括:
S(1),获取第一代价、第二代价、第一顺序差异和第二顺序差异的整合结果(如加权求和进行整合)。
S(2),在整合结果指示符合(如小于)目标临界结果时,确定环境状态检测算法符合预设条件。
在一个实施例中,在通过拟态安全消防数据和现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止之后,还包括:
S(a),获取与符合预设条件的环境状态检测算法中的第一转换算子和第二转换算子连接的仿射网络的执行结果。
S(b),在执行结果指示符合检测条件时,确定将第一转换算子的算子可学习变量确定为预警状态检测参数。
其中,检测条件指示执行结果的类型和与执行结果匹配的拟态安全消防数据库的类型注释相同。
本公开实施方式中,每次输入一个拟态安全消防数据,以及任意选取一个现实空间状态安全消防数据和现实空间背景安全消防数据组成安全消防数据集合输入算法以进行优化,得到适应拟态安全消防数据和现实空间安全消防数据的背景、状态平缓以及顺序关系的算法,算法中包括第二转换算子,将算法自身的权重、偏置等参数确定为预警状态检测参数,以及基于包括了第二转换算子的算法进行预警状态检测。
本公开通过获取待检测的目标安全消防数据;挖掘目标安全消防数据中目标管理区域的环境状态描述载体;通过环境状态描述载体与预警状态检测参数,确定目标管理区域对应于各预警状态类型的支持系数,其中,预警状态检测参数是通过拟态安全消防数据和现实安全消防数据进行优化得到的算法参数,拟态安全消防数据中包括拟态管理区域对应的安消设备采集的安全消防数据;基于支持系数确定目标安全消防数据中目标管理区域匹配的预警状态类型。如此一来,采用拟态数据对环境状态检测算法进行优化,训练成本低,预警状态的检测过程简单,提升检测速度。
在另一实施例中,算法的优化还可以包括:
St1,获取拟态安全消防数据和现实安全消防数据,其中,拟态安全消防数据包括拟态管理区域对应的安消设备采集的安全消防数据,现实安全消防数据包括现实安全消防背景数据和现实安全消防状态数据,拟态安全消防数据来源于多个拟态安全消防数据库,每个拟态安全消防数据库分别匹配类型注释,类型注释包括用于表征拟态安全消防数据库为目标类型预警状态的第一模板类型,及用于表征拟态安全消防数据库不是目标类型预警状态的第二模板类型;
St2,通过拟态安全消防数据和现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止。
其中,初始化环境状态检测算法中包括用于将现实空间数据转换为拟态空间数据的第一转换算子,用于将拟态空间数据转换为现实空间数据的第二转换算子及多个决策算子,在符合预设条件时,将第一转换算子的算子可学习变量确定为预警状态检测参数。
以上算法优化的过程包括安全消防数据预处理和背景空间匹配优化,获取的安全消防数据包括涵盖预警状态的拟态安全消防数据库,提供现实状态背景的现实空间状态安全消防数据库,以及提供现实空间背景的安全消防数据库。背景空间匹配优化请参以上介绍。
基于同样的发明构思,本公开实施例还提供了一种用于实现上述所涉及的标签处理方法的基于物联网的安消一体化的管理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于物联网的安消一体化的管理装置实施例中的具体限定可以参见上文中对于标签处理方法的限定,在此不再赘述。
在一个实施例中,如图3所示,提供了一种基于物联网的安消一体化的管理装置300,包括:
数据获取模块310,用于获取待检测的目标安全消防数据;
载体挖掘模块320,用于挖掘所述目标安全消防数据中目标管理区域的环境状态描述载体;
类型预测模块330,用于通过所述环境状态描述载体与预警状态检测参数,确定所述目标管理区域对应于各预警状态类型的支持系数;其中,所述预警状态检测参数是通过拟态安全消防数据和现实安全消防数据进行优化得到的算法参数,所述拟态安全消防数据中包括拟态管理区域对应的安消设备采集的安全消防数据;
类型确定模块340,用于基于所述支持系数确定所述目标安全消防数据中目标管理区域匹配的预警状态类型。
上述标签处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。基于物联网的安消一体化的管理装置的原理和以上提及的基于物联网的安消一体化的管理方法一致,由于前述已经进行说明,此处不再赘述。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储包含安全消防数据等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于物联网的安消一体化的管理方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本公开所涉及的对象信息(包括但不限于对象的设备信息、对应的个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经对象授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本公开所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本公开所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本公开所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本公开的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本公开专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本公开构思的前提下,还可以做出若干变形和改进,这些都属于本公开的保护范围。因此,本公开的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于物联网的安消一体化的管理方法,其特征在于,所述方法包括:
获取待检测的目标安全消防数据;
挖掘所述目标安全消防数据中目标管理区域的环境状态描述载体;
通过所述环境状态描述载体与预警状态检测参数,确定所述目标管理区域对应于各预警状态类型的支持系数;其中,所述预警状态检测参数是通过拟态安全消防数据和现实安全消防数据进行优化得到的环境状态检测算法的算法参数,所述环境状态检测算法包括用于将现实空间数据转换为拟态空间数据的第一转换算子,用于将拟态空间数据转换为现实空间数据的第二转换算子,以及多个决策算子,所述拟态安全消防数据中包括拟态管理区域对应的安消设备采集的安全消防数据;
基于所述支持系数确定所述目标安全消防数据中目标管理区域匹配的预警状态类型;
在获取待检测的目标安全消防数据之前,所述方法还包括:
获取所述拟态安全消防数据和所述现实安全消防数据,其中,所述拟态安全消防数据来源于多个拟态安全消防数据库,每个所述拟态安全消防数据库分别匹配类型注释,所述类型注释包括用于表征所述拟态安全消防数据库为目标类型预警状态的第一模板类型,及用于表征所述拟态安全消防数据库不是所述目标类型预警状态的第二模板类型;
通过所述拟态安全消防数据和所述现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止,将所述第一转换算子的算子可学习变量确定为所述预警状态检测参数;
其中,所述通过所述拟态安全消防数据和所述现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止包括:
将所述拟态安全消防数据输入所述第二转换算子,转换得到第一参照现实空间数据;在所述第一参照现实空间数据的决策结果指示符合第一参照优化评估条件时,将所述第一参照现实空间数据输入所述第一转换算子,转换得到第一参照拟态空间数据;获取所述拟态安全消防数据与所述第一参照拟态空间数据之间的第一代价;
将所述现实安全消防数据输入所述第一转换算子,转换得到第二参照拟态空间数据;在所述第二参照拟态空间数据的决策结果指示符合第二参照优化评估条件时,将所述第二参照拟态空间数据输入所述第二转换算子,转换得到第二参照现实空间数据;获取所述现实安全消防数据与所述第二参照现实空间数据之间的第二代价;
在所述第一代价及所述第二代价符合第一临界值时,确定所述环境状态检测算法符合所述预设条件;
将所述拟态安全消防数据输入所述第二转换算子,转换得到第一参照现实空间数据包括:将所述拟态安全消防数据中的所述多个拟态安全消防数据库对应的前后关联状态数据输入所述第二转换算子,得到参照关联状态现实空间数据;
在所述第一参照现实空间数据的决策结果指示符合第一参照优化评估条件时,将所述第一参照现实空间数据输入所述第一转换算子,转换得到第一参照拟态空间数据包括:将所述参照关联状态现实空间数据输入第二决策算子,得到第二决策结果;在所述第二决策结果指示不符合第三转换评估条件时,修正所述第二转换算子的算子可学习变量;在所述第二决策结果指示符合所述第三转换评估条件时,将所述参照关联状态现实空间数据输入所述第一转换算子,得到参照关联状态拟态空间数据;
获取所述拟态安全消防数据与所述第一参照拟态空间数据之间的第一代价包括:获取所述拟态安全消防数据库中的拟态状态安全消防数据与所述参照关联状态拟态空间数据之间的状态差异;在所述状态差异指示不符合第四转换评估条件时,根据所述状态差异修正所述第一转换算子中的算子可学习变量;在所述状态差异指示符合所述第四转换评估条件时,根据所述状态差异获取所述第一代价;
所述通过所述拟态安全消防数据和所述现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止还包括:
将所述拟态安全消防数据划分为第一拟态数据和第二拟态数据,并将所述现实安全消防数据划分为第一现实数据和第二现实数据,其中,所述第一拟态数据的转换时间先于所述第二拟态数据的转换时间,所述第一现实数据的转换时间先于所述第二现实数据的转换时间;
将所述第一拟态数据输入所述第二转换算子,得到参照顺序拟态空间数据;获取所述第二拟态数据与所述参照顺序拟态空间数据之间的第一顺序差异;
将所述第一现实数据输入所述第一转换算子,得到参照顺序现实空间数据;获取所述第二现实数据与所述参照顺序现实空间数据之间的第二顺序差异;
在所述第一顺序差异及所述第二顺序差异符合第二临界值时,确定所述环境状态检测算法符合所述预设条件。
2.根据权利要求1所述的方法,其特征在于,所述将所述拟态安全消防数据输入所述第二转换算子,转换得到第一参照现实空间数据包括:将所述拟态安全消防数据中的所述多个拟态安全消防数据库输入所述第二转换算子,得到参照背景现实空间数据;
在所述第一参照现实空间数据的决策结果指示符合第一参照优化评估条件时,将所述第一参照现实空间数据输入所述第一转换算子,转换得到第一参照拟态空间数据包括:将所述参照背景现实空间数据输入第一决策算子,得到第一决策结果;在所述第一决策结果指示不符合第一转换评估条件时,修正所述第二转换算子的算子可学习变量;在所述第一决策结果指示符合所述第一转换评估条件时,将所述参照背景现实空间数据输入所述第一转换算子,得到参照状态拟态空间数据;
所述获取所述拟态安全消防数据与所述第一参照拟态空间数据之间的第一代价包括:获取所述拟态安全消防数据库中的拟态状态安全消防数据与所述参照状态拟态空间数据之间的背景差异;在所述背景差异指示不符合第二转换评估条件时,根据所述背景差异修正所述第一转换算子中的算子可学习变量;在所述背景差异指示符合所述第二转换评估条件时,根据所述背景差异获取所述第一代价。
3.根据权利要求2所述的方法,其特征在于,确定所述环境状态检测算法符合所述预设条件包括:
对所述第一代价、所述第二代价、所述第一顺序差异以及所述第二顺序差异进行加权整合,得到整合结果;
在所述整合结果指示符合目标临界结果时,确定所述环境状态检测算法符合所述预设条件。
4.根据权利要求2或3所述的方法,其特征在于,在所述通过所述拟态安全消防数据和所述现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止之后,还包括:
获取与符合所述预设条件的环境状态检测算法中,所述第一转换算子及所述第二转换算子连接的仿射网络的执行结果;
在所述执行结果指示符合检测条件时,确定将所述第一转换算子的算子可学习变量确定为所述预警状态检测参数,其中,所述检测条件指示所述执行结果的类型和与所述执行结果匹配的拟态安全消防数据库的类型注释相同。
5.一种基于物联网的安消一体化的管理方法的算法优化方法,其特征在于,包括:
获取拟态安全消防数据和现实安全消防数据,其中,所述拟态安全消防数据包括拟态管理区域对应的安消设备采集的安全消防数据,所述现实安全消防数据包括现实安全消防背景数据和现实安全消防状态数据,所述拟态安全消防数据来源于多个拟态安全消防数据库,每个所述拟态安全消防数据库分别匹配类型注释,所述类型注释包括用于表征所述拟态安全消防数据库为目标类型预警状态的第一模板类型,及用于表征所述拟态安全消防数据库不是所述目标类型预警状态的第二模板类型;
通过所述拟态安全消防数据和所述现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止,其中,所述初始化环境状态检测算法中包括用于将现实空间数据转换为拟态空间数据的第一转换算子,用于将拟态空间数据转换为现实空间数据的第二转换算子及多个决策算子;
其中,所述通过所述拟态安全消防数据和所述现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止包括:
将所述拟态安全消防数据输入所述第二转换算子,转换得到第一参照现实空间数据;在所述第一参照现实空间数据的决策结果指示符合第一参照优化评估条件时,将所述第一参照现实空间数据输入所述第一转换算子,转换得到第一参照拟态空间数据;获取所述拟态安全消防数据与所述第一参照拟态空间数据之间的第一代价;
将所述现实安全消防数据输入所述第一转换算子,转换得到第二参照拟态空间数据;在所述第二参照拟态空间数据的决策结果指示符合第二参照优化评估条件时,将所述第二参照拟态空间数据输入所述第二转换算子,转换得到第二参照现实空间数据;获取所述现实安全消防数据与所述第二参照现实空间数据之间的第二代价;
在所述第一代价及所述第二代价符合第一临界值时,确定所述环境状态检测算法符合所述预设条件;
其中,所述通过所述拟态安全消防数据和所述现实安全消防数据,对初始化环境状态检测算法进行优化,并在符合预设条件时停止,还包括:
将所述拟态安全消防数据划分为第一拟态数据和第二拟态数据,并将所述现实安全消防数据划分为第一现实数据和第二现实数据,其中,所述第一拟态数据的转换时间先于所述第二拟态数据的转换时间,所述第一现实数据的转换时间先于所述第二现实数据的转换时间;
将所述第一拟态数据输入所述第二转换算子,得到参照顺序拟态空间数据;获取所述第二拟态数据与所述参照顺序拟态空间数据之间的第一顺序差异;
将所述第一现实数据输入所述第一转换算子,得到参照顺序现实空间数据;获取所述第二现实数据与所述参照顺序现实空间数据之间的第二顺序差异;
在所述第一顺序差异及所述第二顺序差异符合第二临界值时,获取所述第一代价、所述第二代价、所述第一顺序差异及所述第二顺序差异的加权整合结果;在所述整合结果指示符合目标临界结果时,确定所述环境状态检测算法符合所述预设条件。
6.一种基于物联网的安消一体化的管理装置,其特征在于,用于执行权利要求1~4任一项所述的方法,所述装置包括:
数据获取模块,用于获取待检测的目标安全消防数据;
载体挖掘模块,用于挖掘所述目标安全消防数据中目标管理区域的环境状态描述载体;
类型预测模块,用于通过所述环境状态描述载体与预警状态检测参数,确定所述目标管理区域对应于各预警状态类型的支持系数;其中,所述预警状态检测参数是通过拟态安全消防数据和现实安全消防数据进行优化得到的环境状态检测算法的算法参数,所述环境状态检测算法包括用于将现实空间数据转换为拟态空间数据的第一转换算子,用于将拟态空间数据转换为现实空间数据的第二转换算子,以及多个决策算子,所述拟态安全消防数据中包括拟态管理区域对应的安消设备采集的安全消防数据;
类型确定模块,用于基于所述支持系数确定所述目标安全消防数据中目标管理区域匹配的预警状态类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311126857.3A CN116934555B (zh) | 2023-09-04 | 2023-09-04 | 一种基于物联网的安消一体化的管理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311126857.3A CN116934555B (zh) | 2023-09-04 | 2023-09-04 | 一种基于物联网的安消一体化的管理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934555A CN116934555A (zh) | 2023-10-24 |
CN116934555B true CN116934555B (zh) | 2023-11-24 |
Family
ID=88379280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311126857.3A Active CN116934555B (zh) | 2023-09-04 | 2023-09-04 | 一种基于物联网的安消一体化的管理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934555B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN113095959A (zh) * | 2021-03-25 | 2021-07-09 | 上海应用技术大学 | 一种景区消防安全信息系统的设计方法 |
CN114255562A (zh) * | 2022-01-26 | 2022-03-29 | 山东奥深智能工程有限公司 | 基于物联网的智慧消防预警系统 |
CN114565976A (zh) * | 2022-03-02 | 2022-05-31 | 福建恒智信息技术有限公司 | 一种训练智能测试方法以及装置 |
CN116236720A (zh) * | 2023-02-24 | 2023-06-09 | 江苏濠汉信息技术有限公司 | 一种高空作业的远程报警系统及其报警安全带 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR102021016894A2 (pt) * | 2021-08-26 | 2023-03-07 | André Augusto Ceballos Melo | Método e sistema de inteligência artificial e inteligência de enxame em ambientes simulados para drones e robôs autônomos para supressão de incêndios florestais. |
-
2023
- 2023-09-04 CN CN202311126857.3A patent/CN116934555B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN113095959A (zh) * | 2021-03-25 | 2021-07-09 | 上海应用技术大学 | 一种景区消防安全信息系统的设计方法 |
CN114255562A (zh) * | 2022-01-26 | 2022-03-29 | 山东奥深智能工程有限公司 | 基于物联网的智慧消防预警系统 |
CN114565976A (zh) * | 2022-03-02 | 2022-05-31 | 福建恒智信息技术有限公司 | 一种训练智能测试方法以及装置 |
CN116236720A (zh) * | 2023-02-24 | 2023-06-09 | 江苏濠汉信息技术有限公司 | 一种高空作业的远程报警系统及其报警安全带 |
Also Published As
Publication number | Publication date |
---|---|
CN116934555A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109408389B (zh) | 一种基于深度学习的代码缺陷检测方法及装置 | |
CN114297936A (zh) | 一种数据异常检测方法及装置 | |
CN111967571A (zh) | 一种基于mhma的异常检测方法和设备 | |
KR102088509B1 (ko) | 컴퓨터 시스템의 이상 행위 탐지 방법 및 장치 | |
CN113328908B (zh) | 异常数据的检测方法、装置、计算机设备和存储介质 | |
CN112989363B (zh) | 漏洞定位方法、装置、电子设备和存储介质 | |
Luan et al. | Out-of-distribution detection for deep neural networks with isolation forest and local outlier factor | |
CN111353377A (zh) | 一种基于深度学习的电梯乘客数检测方法 | |
CN109194534A (zh) | 面向物联网设备群体的调度与管理方法 | |
CN116824256A (zh) | 磨床的视觉检测系统及其方法 | |
CN117580046A (zh) | 一种基于深度学习的5g网络动态安全能力调度方法 | |
CN116599683A (zh) | 一种恶意流量检测方法、系统、装置及存储介质 | |
CN116702090A (zh) | 一种多模态数据融合与不确定估计的水位预测方法及系统 | |
CN111340975A (zh) | 异常数据特征提取方法、装置、设备及存储介质 | |
CN117932455A (zh) | 一种基于神经网络的物联网资产识别方法和系统 | |
CN116776744B (zh) | 一种基于增强现实的装备制造控制方法及电子设备 | |
CN117475253A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN116934555B (zh) | 一种基于物联网的安消一体化的管理方法及装置 | |
CN117475266A (zh) | 基于多专家注意力融合的机器人视觉感知方法及装置 | |
Sheng et al. | A Method and Implementation of Transmission Line's Key Components and Defects Identification Based on YOLO | |
CN115620082A (zh) | 模型训练方法、头部姿态估计方法、电子设备及存储介质 | |
Steimers et al. | Sources of risk and design principles of trustworthy artificial intelligence | |
CN103475527A (zh) | 一种网管故障可信度分析系统及方法 | |
WO2024012607A2 (zh) | 人员检测方法、装置、设备和存储介质 | |
CN116340427B (zh) | 一种用于环保数据预警系统的方法 |
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 |