CN117009785A - 安全监测方法、装置、服务器及系统 - Google Patents
安全监测方法、装置、服务器及系统 Download PDFInfo
- Publication number
- CN117009785A CN117009785A CN202310912771.7A CN202310912771A CN117009785A CN 117009785 A CN117009785 A CN 117009785A CN 202310912771 A CN202310912771 A CN 202310912771A CN 117009785 A CN117009785 A CN 117009785A
- Authority
- CN
- China
- Prior art keywords
- safety
- data
- monitoring
- safety monitoring
- neural network
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 238000005315 distribution function Methods 0.000 claims abstract description 21
- 238000012806 monitoring device Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 abstract description 11
- 238000013527 convolutional neural network Methods 0.000 description 22
- 230000000875 corresponding effect Effects 0.000 description 21
- 230000006870 function Effects 0.000 description 21
- 239000011159 matrix material Substances 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013210 evaluation model Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明实施例提供一种安全监测方法、装置、服务器及系统，该方法包括：接收数据采集终端采集的安全监测数据；将所述安全监测数据输入多元高斯分布函数提取特征数据，并将提取的特征数据输入到训练好的安全监测模型中，其中，所述安全监测模型是采用特征数据对深度神经网络进行训练获得的；将安全监测模型输出的各聚类中心位置对应到相应的安全等级后发送至监控终端，使得用户从所述监控终端获取所述安全等级。本发明实现了监测家庭居住环境的安全状态的目的，提高了家庭环境的居住安全性；将多种环境因素综合起来评估整体的安全性，提供了符合个人环境习惯的个性化智能监控方案。
Description
技术领域
本发明实施例涉及物联网技术领域，尤其涉及一种安全监测方法、装置、服务器及系统。
背景技术
目前，对于家庭居住环境的监控，大多是依靠家用的安全监测装置例如温度传感器、和/或安全报警装置例如燃气浓度报警器等对居住环境的安全状态进行实时监控，当报警装置发出报警信号时，再根据报警信号及时进行处理。
然而，在安全报警装置发出报警信号之后，会由于无法及时处理而发生严重的安全事故。而且，安全监测只能对不同种类的环境因素各自进行监控和报警，无法将多种环境因素综合起来评估整体的安全性，无法提供符合个人环境习惯的个性化监控方案。因此，亟需提出一种更安全、且符合个人环境习惯的监控方法，以保障家庭环境的居住安全性。
发明内容
本发明实施例提供一种安全监测方法、装置、服务器及系统，提供了一种智能监测方案来预测家庭居住环境的安全状态，提高了家庭环境的居住安全性并具有个性化预测功能。
第一方面，本发明实施例提供一种安全监测方法，所述方法包括：
接收数据采集终端采集的安全监测数据；
将所述安全监测数据输入多元高斯分布函数提取特征数据，并将提取的特征数据输入到训练好的安全监测模型中，其中，所述安全监测模型是采用特征数据对深度神经网络进行训练获得的；
将安全监测模型输出的各聚类中心位置对应到相应的安全等级后发送至监控终端，使得用户从所述监控终端获取所述安全等级。
可选地，所述安全监测模型的训练过程，包括：
将安全监测数据输入多元高斯分布函数中进行特征提取，从而获得特征数据训练集；利用所述特征数据训练集中第一数据集，通过自动编码器实现深度神经网络的无监督预训练，将预训练得到的深度神经网络的参数作为初始化参数；在所述初始化参数的基础上，利用所述特征数据训练集中第二数据集，对深度神经网络的参数进行训练微调。
可选地，所述对深度神经网络的参数进行训练微调，包括：通过前向传播阶段和反向传播阶段对深度神经网络的参数进行训练微调。
可选地，所述深度神经网络为多层卷积网络结构的深度神经网络，包括卷积层和下采样层。
可选地，本发明实施例的安全监测方法，在所述将所述安全监测数据输入多元高斯分布函数提取特征数据之前或过程中，还包括：
接收数据采集终端发送的提示信息，其中，所述提示信息包含提示类型以及处理指南；
将所述提示信息传输至监控终端，使得用户从所述监控终端获取所述提示类型以及处理指南，并根据所述提示类型以及处理指南对目标环境进行管理。
可选地，在所述安全监测模型输出的各聚类中心位置对应到相应的安全等级后发送至监控终端之后，还包括：
将所述安全等级发送至第三方管理平台，使得第三方管理平台的管理人员从所述第三方管理平台获取所述安全等级以对目标环境的安全状态进行管理。
第二方面，本发明实施例提供一种安全监测装置，该装置包括：
接收模块，用于接收数据采集终端采集的安全监测数据；
预测模块，用于将所述安全监测数据输入多元高斯分布函数提取特征数据，并将提取的特征数据输入到训练好的安全监测模型中，其中，所述安全监测模型是采用特征数据对深度神经网络进行训练获得的；
发送模块，用于将安全监测模型输出的各聚类中心位置对应到相应的安全等级后发送至监控终端，使得用户从所述监控终端获取所述安全等级。
第三方面，本发明实施例提供一种服务器，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上述第一方面提供的安全监测方法。
第四方面，本发明实施例提供一种安全监测系统，包括：至少一个数据采集终端、服务器以及至少一个监控终端；
所述数据采集终端，用于采集目标环境的安全监测数据；
所述服务器，用于接收数据采集终端所采集的安全监测数据并执行如上述第一方面提供的安全监测方法；
所述监控终端，用于从所述服务器接收所述目标环境的安全等级并输出给用户。
第五方面，本发明实施例提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上述第一方面提供的安全监测方法。
本发明实施例所提供的安全监测方法、装置、服务器及系统，接收数据采集终端采集的安全监测数据；将所述安全监测数据输入多元高斯分布函数提取特征数据，并将提取的特征数据输入到训练好的安全监测模型中，其中，所述安全监测模型是采用特征数据对深度神经网络进行训练获得的；将安全监测模型输出的各聚类中心位置对应到相应的安全等级后发送至监控终端，使得用户从所述监控终端获取所述安全等级。本发明实施例通过将高斯分布理论与深度神经网络应用到安全监测数据分析中，提出了以非监督学习方式学习安全时序数据关键特征的深度神经网络，并基于多元高斯分布理论和深度神经网络构建安全状态评估模型，将基于多元高斯分布理论得到的数据特征作为该评估模型的输入，实现了监测家庭居住环境的安全状态的目的，提高了家庭环境的居住安全性；将多种环境因素综合起来评估整体的安全性，提供了符合个人环境习惯的个性化智能监控方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的安全监测系统结构示意图；
图2为本发明实施例提供的安全监测方法流程图一
图3为本发明实施例提供的对图2中步骤S202进一步说明的流程图；
图4为本发明实施例提供的卷积神经网络的结构示意图；
图5为本发明实施例提供的安全监测方法流程图二；
图6为本发明实施例提供的安全监测装置的结构示意图；
图7为本发明实施例提供的服务器的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
对于家庭居住环境的监控大多是依靠家用的安全监测装置例如温度传感器和/或安全报警装置燃气浓度报警器等，对居住环境的安全状态进行实时监控，当报警装置发出报警信号时，再根据报警信号及时进行处理。然而，在安全报警装置发出报警信号之后，会由于无法及时处理而发生严重的安全事故。同时，现有技术的安全监测只能对不同种类的环境因素各自进行监测和报警，无法将多种环境因素综合起来评估整体的安全性，无法提供符合个人环境习惯的个性化监控方案。
为了解决上述技术问题，本发明实施例通过接收数据采集终端发送的安全监测数据；将安全监测数据输入训练好的安全监测模型中，获得对应的安全等级；将安全等级发送至监控终端，使得管理人员根据监控终端显示的安全等级对目标环境的安全状态进行管理，提供了一种智能监测方案来预测家庭居住环境的安全状态，提高了家庭环境的居住安全性。
图1为本发明实施例提供的安全监测系统的结构示意图。如图1所示，在本发明实施例中，安全监测系统包括至少一个数据采集终端10、服务器20以及至少一个监控终端30。其中，数据采集终端10，用于采集安全监测数据；服务器20，用于按照预设时间间隔接收数据采集终端10发送的安全监测数据，将安全监测数据输入训练好的安全监测模型中，获得对应的安全等级，将安全等级发送至监控终端30；监控终端30，用于显示安全等级，使得用户或管理人员可以根据监控终端30显示的安全等级对目标环境的安全状态进行管理。
图2为本发明实施例提供的安全监测方法流程图一。其中，本实施例的执行主体可以为图1中的服务器。如图2所示，安全监测方法包括以下步骤：
S201：接收数据采集终端采集的安全监测数据。
在本发明实施例中，示例性的，数据采集终端包括电力计量器、燃气流量计量器和/或视频监控器等等。示例性的，电力计量器具体为电力负荷管理终端计量器，能够对用户电能表的电量、电压、电流、功率、功率因数、和/或电压合格率等电表数据进行自动采集。还可以通过终端控制电力计量器对用户进行停电和送电的远程控制。示例性的，燃气流量计量器可以是安装在家庭燃气管路上的燃气消耗传感器，该传感器能够检测到家庭燃气的瞬时消耗值、累计值、燃气泄漏、一氧化碳浓度、二氧化碳浓度、用气次数和/或时间段等情况。示例性的，视频监控器为安装在家庭内的智能摄像头，通过在视频监控器中预置家庭成员的面部图像，当识别到目标环境中出现陌生人物时，能够抓取到环境中陌生人物的行为和声音数据。
示例性的，安全监测数据为数据采集终端采集的目标环境的实时监测数据，例如，煤气浓度、家用电器的用电量、和/或用水量等数据，通过这些数据对居住环境可能出现的危险情况进行监测。可选的，安全监测数据还可以包括拍摄的目标环境的视频，通过在视频监控器中预置家庭成员的面部图像，当识别到目标环境中出现陌生人物时，能够抓取到环境中陌生人物的行为和声音数据。
在本发明实施例中，可以按照预设时间间隔接收一个或多个数据采集终端发送的安全监测数据。示例性的，预设时间间隔可设置为每隔1分钟或2分钟或3分钟等等。可选的，不同数据采集终端发送安全监测数据的预设时间间隔可以为相同的间隔，或者根据实际的数据类型和传输数据量进行调整，使得根据预设时间间隔接收的安全监测数据能够及时地预测目标环境的安全状态，还能匹配数据采集终端采集的数据的传输类型，减小数据传输的开销。
S202：将安全监测数据输入多元高斯分布函数提取特征数据，并将提取的特征数据输入到训练好的安全监测模型中，其中，所述安全监测模型是采用特征数据对深度神经网络进行训练获得的。
在本发明实施例中，可通过安全监测模型预测目标环境的安全等级。具体的，将安全监测数据输入训练好的安全监测模型中，获得对应的安全等级。示例性的，安全等级可以分为1级、2级和3级。其中，1级表示当前目标环境存在安全隐患，需要及时进行安全处理；2级表示当前目标环境的安全状态一般，存在一些不严重的问题，可以后续进行安全处理；3级表示当前目标环境的安全状态良好，无任何问题。
在本发明实施例中，训练好的安全监测模型是指安全监测数据经过高斯函数预处理提取多维特征数据，并将提取到的多维特征数据输入到深度神经网络训练之后获得的模型。具体地，如图3所示，安全监测模型的深度神经网络训练过程包括以下步骤：
步骤S2021，将安全监测数据输入多元高斯分布函数中进行特征提取，从而获得特征数据训练集。
在本发明实施例中，示例性的，多元高斯分布函数的公式如公式(1)所示：
其中，p为神经网络训练用的特征数据训练集，n表示n个维度，∑是n*n的协方差矩阵，μ是n维的均值向量，T表示矩阵的转置。
在步骤S2021对原数据进行预处理，获得特征数据训练集，其中，原数据为预设时间段内数据采集终端采集的多个监测目标的安全监测数据，预处理用于对原数据进行筛选以及格式化，使得获得的特征数据训练集为符合深度神经网络训练要求的数据集。
步骤S2022，利用特征数据训练集中第一数据集，通过自动编码器实现深度神经网络的无监督预训练，将预训练得到的深度神经网络的参数作为初始化参数。
利用自动编码器来实现深度神经网络的无监督预训练，假设深度神经网络为一个四层的神经网络，包括H1层、H2层、H3层以及H4层。首先采用自动编码器，训练从输入层到H1层的参数。训练完毕之后我们去除解码层，接着把H1层的输出数据作为H2层的输入数据，然后进行自动编码。训练完之后去除H2层的解码器。对于更高层的网络，依次去训练两层之间的参数，直达最后一层隐层，然后利用softmax进行多分类。做完无监督预训练之后，将得到的参数作为初始化参数，之后可以采用监督学习方式对神经网络模型的参数进行微调。
步骤S2023，在初始化参数的基础上，利用特征数据训练集中第二数据集，对深度神经网络的参数进行训练微调。
其中，深度神经网络可以为多层卷积网络结构的深度神经网络。
在本发明实施例中，采用基于多层卷积网络结构的深度神经网络，将特征数据训练集输入深度神经网络中，训练多元数据的深层次特征；可以采用特征映射方法，即通过不断的迭代得到一组最优参数，使用优化的网络模型的层数、网络节点数和学习率等关键参数，高效准确地提取环境数据的深层次关键特征。
本发明实施例中的卷积神经网络可以采用梯度误差的方式学习训练网络权值参数，卷积神经网络包括：卷积层和下采样层。网络在接收域内的每个神经元与输入数据中特定的小区域有相对不变的空间位置关系。卷积神经网络本质上是一种含有多层感知器的神经网络，网络的每一层由多个二维平面组成。卷积神经网络有很多优越的特点，比如对平移、旋转、比例缩放变换等变换具有不变性。卷积神经网络也有一些约束，具体地，卷积神经网络的约束包含特征学习、特征映射以及下采样。其中，特征学习，即卷积神经网络的每一个神经元都只是从上一层的输出抽取部分区域作为输入，从而使其学习局部特征；特征映射，为在卷积神经网络中网络的每个计算层都由很多个特征映射构成，小区域内的神经元在一定的约束下共享相同的权值矩阵；下采样为在卷积层操作之后，下采样层对数据实现局部平均和下采样，目的在于使特征映射的输出对一些线性变换的敏感度下降。
在本发明实施例中，卷积神经网络的权值共享的属性使网络中同一个小区域的同层神经元共享一个权值矩阵，从而在效果上是等效于减少了网络参数的数量，极大降低了网络的计算量而提高网络的训练速度。卷积神经网络在本质上也是完成使原始数据输入空间到输出空间的映射，能在不需要输入到输出空间之间的精确数学逻辑表达式的情况下，依然能够很好地学习大量输入到输出空间之间的映射关系。
对深度神经网络的参数进行训练微调的过程，主要包含前向传播阶段和反向传播阶段。在本发明实施例中，具体描述前向传播阶段以及反向传播阶段的操作如下：
具体的，前向传播阶段首先从安全监测数据集中利用多维高斯分布函数提取多维特征构造训练集，并从中选取数据样本(X，yp)，其中，X是由某个数据采集终端采集到的安全监测数据经高斯分布函数提取到的均值、标准差、偏度及峰度等组成的特征向量，将X作为网络的输入传递给网络，理想输出yp是该监测数据类型对应的相似性指数，而后通过逐级学习变化，数据从输入层逐渐传送到输出层，最终计算出相应的网络实际输出Op，网络各层采用的sigmoid函数计算公式如公式(2)以及公式(3)所示：
这里，z表示输入变量，即样本中的X；
Op＝Fn(...F2(XW1)W2)...)Wn (3)
这里，F表示公式(2)，W为权值。
具体的，反向传播阶段也称为误差后向传播，W是每层的权值参数矩阵，通过反向传播计算实际输出与理想安全类别相似性指数yp的误差，并以最小化误差为目标调整网络的权值参数矩阵，计算实际输出与理想输出yp的误差如公式(4)所示：
在本发明实施例中，具体描述卷积神经网络的结构图如图4所示，包含多个卷积层和下采样层。安全监测数据输入多元高斯分布函数后提取到的多维特征选取数据样本X，以数据X作为卷积神经网络的输入，用Hi代表卷积神经网络第i层的特征矩阵。在卷积层中Hi的计算过程可以如公式(5)所示：
其中，Wi表示卷积神经网络第i层卷积核的权值矩阵，表示卷积神经网络的卷积核与第0层输入数据或是中间的特征矩阵进行卷积操作，得到的输出数据与第i层的自动超参数设置的偏置值bi求和后，再由一个非线性的激活函数f()计算出第i层的特征数据。在卷积层学习之后，下采样层按照一定的下采样规则对卷积层学习到的特征进行下采样操作。下采样层最主要的作用是在某种程度上保证网络学习到的特征尺度不变特性，降低其对位置的敏感性。假设下采样层的表达式如公式(6)所示：
Hi＝subsampling(Hi-1) (6)
卷积神经网络通过卷积层和下采样层的交替操作后，在最后根据多维数据特征映射到的相似性输出结果连接一个全连接网络。然后将学习到的特征进行分类操作，得到基于输入的概率分布如公式(7)所示：
Y(i)＝P(L＝Li|H0；(W,b)) (7)
其中，Li表示第i个安全等级的聚类中心值，W表示卷积神经网络的权值矩阵，b表示偏置值。以使网络的代价函数L(W,b)最小，即以各安全等级类间特征点距离最大、类内特征点距离最小为目标训练卷积神经网络的约束。输入数据H0经过前向传播后以一定方式计算网络输出与期望值之间的误差。代价函数可以看作一种误差函数。误差函数的计算方式有很多，而常用的误差函数有均方误差(MSE)函数、负对数似然(NLL)函数和利用输入信号与输出信号之间的关系构建的差方函数Jw，其表达式分别如公式(8)、公式(9)以及公式(10)所示：
Jw(xz)＝||x-z||2 (10)
卷积神经网络也有过拟合的现象，所以一般情况下会对代价函数在目标函数中增添L2范数来限制网络权值的大小以防止过拟合的现象，并且通过增加权重衰减系数λ(权重,衰减)来控制过拟合的程度，示例性的，根据λ计算过拟合参数的计算公式如公式(11)所示：
这里，E(W，b)是模型的总误差，它是损失函数和正则化项的总和；
L(W，b)是代价函数，是样本误差的平均；
λ是正则化参数，它控制损失函数和正则化项之间的权衡。较大的λ意味着更多的正则化和更少的过度拟合，但也意味着更大的偏差和更少的方差；
W是模型的权重向量，它包含线性函数的系数；
WT是权重向量的转置，这意味着翻转矩阵的行和列；
WTW是权重向量及其转置的点积，它度量向量的平方范数或长度。
该公式可以被解释为通过找到使损失函数尽可能小的W和b的最佳值来最小化模型的误差，同时也惩罚W的大值以防止过度拟合。
在卷积神经网络训练过程的最后，为了使其网络有更好的学习性能，需使用梯度下降法将误差进行反向传播，从后向前逐层训练微调卷积神经网络的权值和偏置参数(W和b)。在此过程中通过控制学习速率参数(η)的大小来控制误差反向传播的强度，具体的计算权值和偏置参数的公式如公式(12)以及公式(13)所示：
这里，表示损失函数对第i个参数的偏导数。
示例性的，通过采用自动编码器，生成输入空间的低维表示。每一层的输出都是一张神经元的映射，这些神经元排列在一个网格中，并具有与输入数据相似的权重向量。神经元是按相似性组织的，因此附近的神经元具有相似的权重向量。以实现尽可能多地提取低级特征和高级特征，以利用提取到的空间信息和全局信息进行精确分类。
在本发明实施例中，将安全监测数据输入多元高斯分布函数中提取特征数据训练集，经过自动编码器的预训练，从无标签的数据中非监督地学习数据特征之后，将自组织特征映射的神经网络用于深度学习的训练中进行多维训练，下采样时对数据实现了局部平均。具体的，由于采集到的原数据的分类是极不均衡的，因此，可以采用机器学习算法，从大量的数据集中通过计算得到经验，进而判定某些数据的正常与否。然而，由于不均衡数据集中少数类样本数量太少，会导致训练的模型会更倾向于多数类样本集的弊端，因此，可以从多数集中选出一部分数据与少数集重新组合成一个新的数据集实现了局部平均，解决数据分布不均衡的问题。对于本发明实施例的应用场景，安全状态良好和一般是多数类，存在安全隐患是少数类。
在本发明实施例中，通过在下采样时对数据实现局部平均，使特征映射的输出对一些线性变换的敏感度下降。具体的，卷积神经网络模型是基于神经元之间的局部连接和分层组织类别转换，可以将有相同参数的神经元应用于前一层神经网络的不同位置，得到一种平移不变神经网络结构形式，获得了多维健康监测的安全监测模型。
S203：将安全监测模型输出的各聚类中心位置对应到相应的安全等级后发送至监控终端，使得用户从监控终端获取所述安全等级，从而可以对目标环境的安全状态进行管理。
在本发明实施例中，监控终端为目标环境所属的家庭成员远程控制终端，监控终端可以为手机等移动终端设备。通过将安全等级发送至家庭成员的手机上，使得家庭成员可以根据预测的安全等级对目标环境进行安全管理。
从上述实施例可知，将安全监测数据输入多元高斯分布函数提取特征数据，并将提取的特征数据输入到训练好的安全监测模型中，获得安全监测模型输出的各聚类中心位置对应到相应的安全等级。将高斯分布理论与深度神经网络应用到安全监测数据分析中，提出了以非监督学习方式学习安全时序数据关键特征的深度神经网络，并基于多元高斯分布理论构建安全状态评估模型，将深度神经网络学习到的数据特征作为该评估模型的输入，实现了监测家庭居住环境的安全状态的目的，提高了家庭环境的居住安全性。
在一种可能的实现方式中，在将安全等级发送至监控终端之后，将所述安全等级发送至第三方管理平台，使得第三方管理人员根据所述安全等级对目标环境进行管理。
在本发明实施例中，示例性的，第三方管理人员为社区服务站的工作人员，社区服务站的工作人员一般与被监测环境的距离比较近，能够及时对被监测环境中可能发生的安全隐患进行处理。示例性的，第三方管理平台可以为目标环境所在的社区服务终端。通过将安全等级发送至第三方管理平台的方式，使得第三方管理人员能够及时对目标环境中可能发生的安全隐患进行处理，保障目标环境的居住安全。
图5为本发明实施例提供的安全监测方法流程图二。在图2所示实施例的基础上，如图5所示，在步骤S202将所述安全监测数据输入多元高斯分布函数提取特征数据之前或过程中，本发明实施例提供的安全监测方法还包括以下步骤：
S401：接收数据采集终端发送的提示信息，其中提示信息包含提示类型以及处理指南。
在本发明实施例中，数据采集终端具备数据采集和预判的功能，即不同的数据采集终端可对采集的数据进行初步判定。数据采集终端中的处理器可以包括龙芯1C101芯片。具体的，通过在采集器或者与传感器相关的设备中，分别设置对应预设紧急情况的判定模型，例如当出现火灾报警、煤气泄漏以及人员异常等紧急情况时，可根据对应的判定模型确定紧急情况的结果，并生成对应的提示类型，使得安全监测系统的服务器可以根据提示类型对应的处理指南对可能发生的安全隐患进行及时处理。示例性的，相应地，提示类型包含火灾报警、煤气泄漏以及人员异常中的至少一种。图2实施例给出的安全监测方法是根据采集的多元数据对目标环境的安全等级进行预测，图5实施例中提供的安全监测方法目的是对情况紧急的状态进行及时处理，图2实施例中给出的监测方法的准确性更高，图5实施例中提供的监测方法的实时性更高。
S402：将提示信息传输至监控终端，使得用户从所述监控终端获取所述提示类型以及处理指南，以根据提示类型和处理指南对目标环境进行管理。
从上述实施例可知，通过接收数据采集终端发送的紧急情况的提示信息，并将提示信息传输至监控终端，使得用户可以根据监控终端显示的提示类型以及处理指南对目标环境进行管理，即当出现紧急情况时，可以直接根据提示信息以及处理指南及时对目标环境进行安全处理，保障家庭环境的居住安全。
图6为本发明实施例提供的安全监测装置的结构示意图。如图6所示，该安全监测装置包括：接收模块501、预测模块502、以及发送模块503；
接收模块501，用于接收数据采集终端采集的安全监测数据。
预测模块502，用于将所述安全监测数据输入多元高斯分布函数提取特征数据，并将提取的特征数据输入到训练好的安全监测模型中，其中，所述安全监测模型是采用特征数据对深度神经网络进行训练获得的。
发送模块503，用于将安全监测模型输出的各聚类中心位置对应到相应的安全等级后发送至监控终端，使得用户从所述监控终端获取所述安全等级。
在一种可能的实现方式中，所述安全监测装置还包括模型训练模块，所述模型训练模块包括：
预处理子模块，用于将安全监测数据输入多元高斯分布函数中进行特征提取，从而获得特征数据训练集；
预训练子模块，拥有利用所述特征数据训练集中第一数据集，通过自动编码器实现深度神经网络的无监督预训练，将预训练得到的深度神经网络的参数作为初始化参数；
调参子模块，用于在所述初始化参数的基础上，利用所述特征数据训练集中第二数据集，对深度神经网络的参数进行训练微调。
在一种可能的实现方式中，所述调参子模块进一步用于通过前向传播阶段和反向传播阶段对深度神经网络的参数进行训练微调。
在一种可能的实现方式中，所述深度神经网络为多层卷积网络结构的深度神经网络，包括卷积层和下采样层。
在一种可能的实现方式中，所述安全监测装置还包括传输模块，用于接收数据采集终端发送的提示信息，其中所述提示信息包含提示类型以及处理指南；将所述提示信息传输至监控终端，使得用户根据所述监控终端显示的提示类型以及所述处理指南对目标环境进行管理。
在一种可能的实现方式中，所述发送模块503还用于将所述安全等级发送至第三方管理平台，使得第三方管理平台的管理人员从所述第三方管理平台获取所述安全等级，以对目标环境进行管理。
在本实施例中，该安全监测装置可以采用上述实施例所述的方法，其技术方案及其技术效果相类似，此处不再赘述。
图7为本发明实施例提供的服务器的硬件结构示意图。示例性的，本发明实施例的服务器具体可以包括龙芯3C6000L的四路服务器。如图7所示，本实施例的服务器包括：处理器601以及存储器602；其中
存储器602，用于存储计算机执行指令；
处理器601，用于执行存储器存储的计算机执行指令，以实现上述实施例中服务器所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地，存储器602既可以是独立的，也可以跟处理器601集成在一起。
当存储器602独立设置时，该服务器还包括总线603，用于连接所述存储器602和处理器601。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的安全监测方法。
本发明实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上所述的安全监测方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器执行本发明各个实施例所述方法的部分步骤。
应理解，上述处理器(即CPU)可以是龙芯系列芯片的处理器，可以是龙芯3号系列通用处理器，还可以是龙芯2号系列处理器或龙芯1号处理器。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture，简称ISA)总线、外部设备互连(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本发明附图中的总线并不限定仅有一根总线或一种外观类型的总线。
上述存储介质可以是由任何外观类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种安全监测方法，其特征在于，所述方法包括：
接收数据采集终端采集的安全监测数据；
将所述安全监测数据输入多元高斯分布函数提取特征数据，并将提取的特征数据输入到训练好的安全监测模型中，其中，所述安全监测模型是采用特征数据对深度神经网络进行训练获得的；
将安全监测模型输出的各聚类中心位置对应到相应的安全等级后发送至监控终端，使得用户从所述监控终端获取所述安全等级。
2.根据权利要求1所述的方法，其特征在于，所述安全监测模型的训练过程，包括：
将安全监测数据输入多元高斯分布函数中进行特征提取，从而获得特征数据训练集；
利用所述特征数据训练集中第一数据集，通过自动编码器实现深度神经网络的无监督预训练，将预训练得到的深度神经网络的参数作为初始化参数；
在所述初始化参数的基础上，利用所述特征数据训练集中第二数据集，对深度神经网络的参数进行训练微调。
3.根据权利要求2所述的方法，其特征在于，所述对深度神经网络的参数进行训练微调，包括：
通过前向传播阶段和反向传播阶段对深度神经网络的参数进行训练微调。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述深度神经网络为多层卷积网络结构的深度神经网络，包括卷积层和下采样层。
5.根据权利要求1所述的方法，其特征在于，在所述将所述安全监测数据输入多元高斯分布函数提取特征数据之前或过程中，还包括：
接收数据采集终端发送的提示信息，其中，所述提示信息包含提示类型以及处理指南；
将所述提示信息传输至监控终端，使得用户从所述监控终端获取所述提示类型以及处理指南。
6.根据权利要求1至3中任一项所述的方法，其特征在于，在所述安全监测模型输出的各聚类中心位置对应到相应的安全等级后发送至监控终端之后，还包括：
将所述安全等级发送至第三方管理平台，使得第三方管理平台的管理人员从所述第三方管理平台获取所述安全等级，以对目标环境进行管理。
7.一种安全监测装置，其特征在于，包括：
接收模块，用于接收数据采集终端采集的安全监测数据；
预测模块，用于将所述安全监测数据输入多元高斯分布函数提取特征数据，并将提取的特征数据输入到训练好的安全监测模型中，其中，所述安全监测模型是采用特征数据对深度神经网络进行训练获得的；
发送模块，用于将安全监测模型输出的各聚类中心位置对应到相应的安全等级后发送至监控终端，使得用户从所述监控终端获取所述安全等级。
8.一种服务器，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至6任一项所述的安全监测方法。
9.一种安全监测系统，其特征在于，包括：至少一个数据采集终端、服务器以及至少一个监控终端；
所述数据采集终端，用于采集目标环境的安全监测数据；
所述服务器，用于接收数据采集终端所采集的安全监测数据并执行如权利要求1至6任一项所述安全监测方法；
所述监控终端，用于从所述服务器接收所述目标环境的安全等级并输出给用户。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至6任一项所述的安全监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310912771.7A CN117009785A (zh) | 2023-07-24 | 2023-07-24 | 安全监测方法、装置、服务器及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310912771.7A CN117009785A (zh) | 2023-07-24 | 2023-07-24 | 安全监测方法、装置、服务器及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117009785A true CN117009785A (zh) | 2023-11-07 |
Family
ID=88575642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310912771.7A Pending CN117009785A (zh) | 2023-07-24 | 2023-07-24 | 安全监测方法、装置、服务器及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117009785A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272029A (zh) * | 2023-11-20 | 2023-12-22 | 北京世纪慈海科技有限公司 | 基于大数据处理的老人安全监测方法及装置 |
-
2023
- 2023-07-24 CN CN202310912771.7A patent/CN117009785A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272029A (zh) * | 2023-11-20 | 2023-12-22 | 北京世纪慈海科技有限公司 | 基于大数据处理的老人安全监测方法及装置 |
| CN117272029B (zh) * | 2023-11-20 | 2024-03-01 | 北京世纪慈海科技有限公司 | 基于大数据处理的老人安全监测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113723007B (zh) | 基于drsn和麻雀搜索优化的设备剩余寿命预测方法 | |
| CN108133225A (zh) | 一种基于支持向量机的覆冰闪络故障预警方法 | |
| CN111352965A (zh) | 序列挖掘模型的训练方法、序列数据的处理方法及设备 | |
| CN109886496B (zh) | 一种基于气象信息的农产量预测方法 | |
| He et al. | MTAD‐TF: Multivariate Time Series Anomaly Detection Using the Combination of Temporal Pattern and Feature Pattern | |
| CN116956197B (zh) | 基于深度学习的能源设施故障预测方法、装置及电子设备 | |
| CN117009785A (zh) | 安全监测方法、装置、服务器及系统 | |
| CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
| CN116993537A (zh) | 一种基于串行gru自编码器的电力负荷异常检测方法及系统 | |
| CN116340796A (zh) | 时序数据分析方法、装置、设备及存储介质 | |
| 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 | |
| CN117407770A (zh) | 基于神经网络的高压开关柜故障模式分类及预测方法 | |
| CN116452333A (zh) | 异常交易检测模型的构建方法、异常交易检测方法及装置 | |
| CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN117909881A (zh) | 多源数据融合的抽油机的故障诊断方法及装置 | |
| Qin et al. | Remaining useful life prediction using temporal deep degradation network for complex machinery with attention-based feature extraction | |
| CN115952928B (zh) | 一种短期电力负荷预测方法、装置、设备及存储介质 | |
| CN117391466A (zh) | 一种新型矛盾纠纷案件的预警方法和系统 | |
| Singh et al. | LSTM based Stacked Autoencoder Approach for Time Series Forecasting | |
| CN116500335A (zh) | 基于一维特征和二维特征的智能电网窃电检测方法及系统 | |
| CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、系统、设备及介质 | |
| Kong et al. | A novel ConvLSTM with multifeature fusion for financial intelligent trading | |
| CN114880575B (zh) | 用户行为预测方法、装置、设备、介质及产品 | |
| CN115545339A (zh) | 变电站安全作业态势评估方法及装置 |
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 |