CN117131369A - 智慧安全管理与应急救援一体站的数据处理方法及系统 - Google Patents
智慧安全管理与应急救援一体站的数据处理方法及系统 Download PDFInfo
- Publication number
- CN117131369A CN117131369A CN202311403008.8A CN202311403008A CN117131369A CN 117131369 A CN117131369 A CN 117131369A CN 202311403008 A CN202311403008 A CN 202311403008A CN 117131369 A CN117131369 A CN 117131369A
- Authority
- CN
- China
- Prior art keywords
- data
- time sequence
- sequence data
- degree
- imf component
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 89
- 230000008859 change Effects 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000009467 reduction Effects 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000002341 toxic gas Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及用于管理的数据处理技术领域，具体涉及智慧安全管理与应急救援一体站的数据处理方法及系统，包括：通过对多维时序监测数据中的时序数据进行分解，获得多个IMF分量信号，利用IMF分量信号获得时序数据的变化程度，根据变化程度获得时序数据的贡献度，结合变化程度和贡献度获得时序数据的联系特征值，通过联系特征值对多维时序监测数据进行降维。本发明提高了对智慧安全管理与应急救援一体站中多维时序监测数据的降维效果，减少了智慧安全管理与应急救援一体站对多维时序监测数据进行分析时的计算复杂度和计算量，大大提高了智慧安全管理与应急救援一体站的报警响应速度。
Description
技术领域
本发明涉及用于管理的数据处理技术领域，具体涉及智慧安全管理与应急救援一体站的数据处理方法及系统。
背景技术
社会的快速发展和城市化进程带来了各种安全管理和应急救援的挑战，传统的安全管理和应急救援方式面临着信息不对称、响应不及时等问题，需要借助先进的信息技术来提升效率和准确性，随着物联网技术取得了巨大的发展和应用，为智慧安全管理和应急救援领域提供了强大的数据处理和分析能力，智慧安全管理与应急救援一体站的相关平台走进人们的视野。
物联网和传感技术使得各种设备和传感器能够实时获取多维监测数据，为安全管理和应急救援提供了丰富的数据来源，但是对多维监测数据进行处理时，由于多维时序监测数据所包含的多个时序数据的数据量大，且数据类型复杂，智慧安全管理与应急救援一体站平台的神经网络对多维时序监测数据直接进行分析时，需要复杂的网络结构和大量的运算分析过程，不利于对数据进行快速分析，因此需要对多维监测数据进行降维处理。
发明内容
本发明提供智慧安全管理与应急救援一体站的数据处理方法及系统，以解决现有的问题。
本发明的智慧安全管理与应急救援一体站的数据处理方法及系统采用如下技术方案：
本发明一个实施例提供了智慧安全管理与应急救援一体站的数据处理方法，该方法包括以下步骤：
获取应急救援一体站的多维时序监测数据，多维时序监测数据包含若干个时序数据，获取时序数据的主导次数和参与次数；
对多维时序监测数据中的所有时序数据分别进行分解，获得每个时序数据对应的若干个IMF分量信号，通过对时序数据对应的若干个IMF分量信号中数据点的数值、极值、平均值、最大值和最小值进行融合，获得时序数据的变化程度；
根据时序数据的变化程度、主导次数和参与次数获得时序数据的贡献度；获取时序数据之间的相关性，利用时序数据之间变化程度的差异和时序数据的贡献度对时序数据之间的相关性进行调节，获得时序数据之间的联系特征值；
通过联系特征值对时序数据进行降维处理，利用降维数据判断是否需要报警。
进一步的，所述获取时序数据的主导次数和参与次数，包括的具体方法为：
在历史突发事件报告中，在多维时序监测数据的时序数据分别对应的因素作为突发事件的主导因素时，获取各个时序数据对应因素作为主导因素时产生突发事件的次数记为时序数据的主导次数，并获取各时序数据对应因素引起突发事件的次数记为时序数据的参与次数。
进一步的，所述对多维时序监测数据中的所有时序数据分别进行分解，获得每个时序数据对应的若干个IMF分量信号，包括的具体方法为：
通过EMD算法对多维时序监测数据中的所有时序数据分别进行分解，获得每个时序数据对应的若干个IMF分量信号。
进一步的，所述通过对时序数据对应的若干个IMF分量信号中数据点的数值、极值、平均值、最大值和最小值进行融合，获得时序数据的变化程度，包括的具体方法为：
首先，根据IMF分量信号中数据点的数值、极值、平均值、最大值和最小值获得IMF分量信号的极值数量、分量方差以及平均幅值；
然后，根据极值数量和分量方差获得时序数据的变化因子；
最后，根据变化因子以及平均幅值获得时序数据的变化程度，具体计算方法为：
式中，/>表示多维时序监测数据中第/>个时序数据的变化程度；/>表示第/>个时序数据对应IMF分量信号的数量；/>表示多维时序监测数据中第/>个时序数据的变化因子；/>表示第/>个时序数据的所有IMF分量信号的最大平均幅值；/>表示第/>个时序数据的所有IMF分量信号的最小平均幅值；/>表示线性归一化函数。
进一步的，所述根据IMF分量信号中数据点的数值、极值、平均值、最大值和最小值获得IMF分量信号的极值数量、分量方差以及平均幅值，包括的具体方法为：
将任意IMF分量信号中极值点的数量记为IMF分量信号的极值数量；
将IMF分量信号中所有数据点的方差记为IMF分量信号的分量方差；
将任意IMF分量信号中所有数据点的平均值，记为IMF分量信号的平均幅值。
进一步的，所述变化因子的具体获取方法为：
将任意一个IMF分量信号的极值数量和分量方差的乘积记为IMF分量信号的变化参数；
将任意时序数据的所有IMF分量信号对应变化参数的累加值记为时序数据的变化因子。
进一步的，所述根据时序数据的变化程度、主导次数和参与次数获得时序数据的贡献度，包括的具体方法为：
首先，获取多维时序监测数据中所有时序数据的最大变化程度；
然后，时序数据的贡献度的具体计算方法为：
其中，/>表示多维时序监测数据中第/>个时序数据的贡献度；/>表示多维时序监测数据中第/>个时序数据的变化程度；/>表示多维时序监测数据中所有时序数据的最大变化程度；/>表示第/>个时序数据的主导次数；/>表示多维时序监测数据中时序数据的数量；/>表示第/>个时序数据的参与次数。
进一步的，所述获取时序数据之间的相关性，利用时序数据之间变化程度的差异和时序数据的贡献度对时序数据之间的相关性进行调节，获得时序数据之间的联系特征值，包括的具体方法为：
首先，将多维时序监测数据中任意两个时序数据的皮尔逊相关系数，记为所述两个时序数据的相关性；
然后，时序数据之间联系特征值的具体计算方法为：
其中，/>表示多维时序监测数据中第/>个时序数据与第/>个时序数据之间的联系特征值，/>表示多维时序监测数据中第/>个时序数据的变化程度；/>表示多维时序监测数据中第/>个时序数据的变化程度；/>表示多维时序监测数据中第/>个时序数据与第/>个时序数据之间的相关性；/>表示多维时序监测数据中第/>个时序数据的贡献度；/>表示第/>个时序数据所属聚类簇中所有时序数据的平均贡献度；/>表示最大贡献度；/>表示获取绝对值；表示以自然常数为底数的指数函数。
进一步的，所述通过联系特征值对时序数据进行降维处理，利用降维数据判断是否需要报警，包括的具体方法为：
首先，依据时序数据之间的联系特征值利用孤立森林算法对时序数据进行排序，获得时序数据序列；并按照从大到小的顺序将所有时序数据的贡献度进行排序，获得贡献度序列；将时序数据序列和贡献度序列中相同位置的时序数据和贡献度序列进行对应，将对应后时序数据对应的贡献度记为时序数据的新贡献度；
然后，预设PCA算法的主成分数量K，并结合PCA算法对时序数据序列中的前K个时序数据进行降维，获得降维数据；
最后，将降维数据作为训练完成的RNN神经网络的输入，利用神经网络判断降维数据是否存在突发事件，当存在突发事件时，通过智慧安全管理与应急救援一体站进行报警，当不存在突发事件时，智慧安全管理与应急救援一体站不进行报警。
进一步的，智慧安全管理与应急救援一体站的数据处理系统，系统包括数据采集模块、数据处理模块、控制模块、呼叫模块、照明模块和电源模块；
所述数据采集模块包括多种传感器，用于获取多维时序监测数据；
所述数据处理模块包括计算机设备的处理器，用于对时序监测数据进行处理分析，得到报警信息，具体包括：对多维时序监测数据中的所有时序数据分别进行分解，获得每个时序数据对应的若干个IMF分量信号，通过对时序数据对应的若干个IMF分量信号中数据点的数值、极值、平均值、最大值和最小值进行融合，获得时序数据的变化程度；根据时序数据的变化程度、主导次数和参与次数获得时序数据的贡献度；获取时序数据之间的相关性，利用时序数据之间变化程度的差异和时序数据的贡献度对时序数据之间的相关性进行调节，获得时序数据之间的联系特征值；通过联系特征值对时序数据进行降维处理，利用降维数据判断是否需要报警；
所述控制模块用于控制呼叫模块、照明模块、显示模块以及电源模块；所述呼叫模块包括蜂鸣器，用于发出报警声音；
所述照明模块用于对一体站周围区域进行照明；所述电源模块用于为一体站提供电力供应。
本发明的技术方案的有益效果是：通过对多维时序监测数据中的时序数据进行分解，获得在多个频率下反映时序数据变化的IMF分量信号，利用IMF分量信号的分布特征获得所述时序数据的变化程度，根据变化程度获得反映时序数据在多维时序监测数据中产生大的影响时对应的贡献度，结合变化程度和贡献度获得反映时序数据之间相关性的联系特征值，通过联系特征值对多维时序监测数据中的所有时序数据进行降维，保证了降维后数据中主成分部分对应的数据在降维数据中占主要影响因素的地位，提高了对智慧安全管理与应急救援一体站中多维时序监测数据的降维效果，减少了智慧安全管理与应急救援一体站对多维时序监测数据进行分析时的计算复杂度和计算量，大大提高了智慧安全管理与应急救援一体站的报警响应速度。
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简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明的智慧安全管理与应急救援一体站的数据处理方法步骤流程图；
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的智慧安全管理与应急救援一体站的数据处理方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的智慧安全管理与应急救援一体站的数据处理方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的智慧安全管理与应急救援一体站的数据处理方法步骤流程图，该方法包括以下步骤：
步骤S001：获取智慧安全管理与应急救援一体站的多维时序监测数据。
需要说明的是，由于多维时序监测数据所包含的多个时序数据的数据量大，且数据类型复杂，对多维时序监测数据直接进行分析时，需要大量的运算和分析过程，导致采集应急救援一体站平台对应急救援无法做出及时的反映，因此本实施例通过对应急救援一体站的多维监测数据进行降维，提高采集应急救援一体站平台对多维时序监测数据的处理分析效率。
具体的，为了实现本实施例提出的应急救援一体站的数据处理方法，首先需要采集多维时序监测数据以及非时序数据，具体过程为：
首先，对多种传感器采集的多维时序监测数据进行记录，其中多维时序监测数据包括的时序数据有视频监控数据、气体浓度数据、温度数据、风速数据和风向数据；另外，在历史突发事件报告中，在多维时序监测数据的时序数据分别对应的因素作为突发事件的主导因素时，获取各个时序数据对应因素作为主导因素时产生突发事件的次数记为时序数据的主导次数，并获取各时序数据对应因素引起突发事件的次数记为时序数据的参与次数。
需要说明的是，每一次突发事件在经过应急救援后，都会由救援人员生成相应的突发事件报告，所述时序数据分别对应的因素具体为：视频监控数据对应人为因素、气体浓度数据对应可燃气体或有毒气体因素、温度数据对应高温或低温因素、风速数据和风向数据共同对应强风天气因素，当出现由各个因素引起的突发事件时，各个因素对应的时序数据在多维时序监测数据中占据主导地位，即作为多维时序监测数据的主成分数据；另外，由于存在由多种因素互相影响导致的突发事件，例如由于高温导致的可燃气体爆炸，由于强风天气引起管道损坏而出现有毒气体泄漏的情况，因此存在时序数据的主导次数不一定等于对应突发事件的发生次数。
需要说明的是，在利用传感器获取多维时序监测数据时，各个时序数据所对应的传感器分别为：视频监控数据对应图像传感器；气体浓度数据对应气敏传感器；温度数据对应温度传感器；风速数据对应风速传感器；风向数据对应风向传感器；另外，多维时序监测数据包括的多个时序数据对应的传感器可以为其他类型的传感器，本实施例不对具体的获取方法进行限定。
需要说明的是，由于时序数据在通过传感器进行采集时会产生噪声，因此需要对获得的时序数据进行去噪处理。
然后，利用中值滤波算法对多维时序监测数据中的所有时序数据进行去噪。
需要说明的是，中值滤波算法为现有技术，因此本实施例不进行赘述。
至此，通过上述方法得到多维时序监测数据以及非时序数据。
步骤S002：对多维时序监测数据中的时序数据进行分解，根据时序数据的多个分量信号获得时序数据的变化程度。
需要说明的是，在对智慧安全管理与应急救援一体站的数据进行处理时，由于多维时序监测数据所包含的数据类型较多，且数据类型复杂，对多维时序监测数据直接进行分析时，需要大量的运算和分析过程，具体表现为：数据类型多时，产生的无关变量就多，直接进行分析就会因为无关变量影响作为主要成分的时序数据，使得数据产生误差或畸变，因此本实施例通过对多维时序监测数据进行降维处理，减少无关变量的影响。
需要说明的是，由于多维时序监测数据中存在时序数据之间存在一定的关系，在对多维时序监测数据进行降维时，需要根据时序数据自身的变化以及数据之间的变化关系来获得不同数据之间的联系特征值，然后根据时序数据之间的联系特征值来对数据进行降维，以降低数据冗余。
需要说明的是，通过对多维时序监测数据中的所有时序数据分别进行分解，利用各分解信号来反映时序数据的变化程度，并且能够分析出时序数据中数据突变的情况。
具体的，首先，通过EMD算法对多维时序监测数据中的所有时序数据分别进行分解，获得每个时序数据对应的若干个IMF分量信号。
需要说明的是，EMD算法将时序数据分解为不同频率的IMF分量信号，而不同频率的IMF分量信号所包含的信息是不一样的，因此依据IMF分量信号来获得对应的时序数据的变化程度；另外，EMD算法的中文名称是经验模态分解算法，并且EMD算法是一种现有的信号分解算法，因此本实施例不过多赘述。
然后，获取任意IMF分量信号中极值点的数量记为IMF分量信号的极值数量；将IMF分量信号中所有数据点的方差记为IMF分量信号的分量方差；获取任意IMF分量信号中所有数据点的平均值，记为IMF分量信号的平均幅值；任意时序数据的变化程度的具体计算方法为：
式中，/>表示多维时序监测数据中第/>个时序数据的变化程度；/>表示第/>个时序数据对应IMF分量信号的数量；表示第/>个时序数据的第/>个IMF分量信号的极值数量；/>表示第/>个时序数据的第个IMF分量信号的分量方差；/>表示第/>个时序数据的所有IMF分量信号的最大平均幅值；/>表示第/>个时序数据的所有IMF分量信号的最小平均幅值；/>表示线性归一化函数。
需要说明的是，时序数据对应IMF分量信号的数量越多，说明时序数据的频率变化越大，因此说明对应的IMF分量信号中所包含的信息量是越大的；IMF分量信号的极值数量表示时序数据内数据点的数值变化程度，IMF分量信号的分量方差表示时序数据的波动程度，因此反映了IMF分量信号的变化特征，数值越大，说明该频率下IMF分量信号包含的信息量越多；/>表示不同IMF分量信号之间幅值变化的差异，差异的数值越大，说明IMF分量信号对应的时序数据的变化程度越大。
至此，通过上述方法得到多维时序监测数据中任意时序数据的变化程度。
步骤S003：根据时序数据的变化程度获得时序数据的贡献度，根据时序数据之间变化程度的差异、相关性以及时序数据的贡献度获得时序数据间的联系特征值。
需要说明的是，由于不同维度的时序数据的变化程度不相同时，变化程度越大的时序数据越有可能反映该时序数据所对应数据类型下出现了突发情况，例如：空气浓度数据的变化程度较大时，可能是由于受到周围的工厂、储气站等设备出现了气体泄露而导致，因此在根据多种数据进监测时，就需要获取主成分数据；而对于气体泄露在进行应急处理时，风力数据、风向数据对与泄露气体的扩散有着重要的影响，因此在进行数据分析时，这两种数据也需要将其作为主成分数据来进行分析。
具体的，步骤（1），根据时序数据的变化程度获得时序数据的贡献度，具体计算方法为：
其中，/>表示多维时序监测数据中第/>个时序数据的贡献度；/>表示多维时序监测数据中第/>个时序数据的变化程度；/>表示多维时序监测数据中所有时序数据的最大变化程度；/>表示第/>个时序数据的主导次数；/>表示多维时序监测数据中时序数据的数量；/>表示第/>个时序数据的参与次数。
需要说明的是，表示第/>种数据的变化程度相较于变化程度最大的数据的比值，其比值越接近于1，说明当前数据的变化程度越大，因此其贡献度越高；/>由和/>的乘积简化而来，其中/>表示第/>个时序数据的主导次数在参与次数的占比，通过对不同类型的时序数据所对应的突发事件的发生率来描述时序数据的贡献度，比值越大说明该时序数据对应的突发事件的发生率较高，因此在进行数据监测时，其重要性就更大；/>表示第/>个时序数据的产生突发事件的发生率。
步骤（2），需要说明的是，由于贡献度反映了不同时序数据在多维时序监测数据中的重要性，且部分时序数据之间也存在一定的相关性，因此多维时序监测数据中存在部分时序数据的贡献度相近，因此通过聚类获取由贡献度相近的时序数据构成的聚类簇，当同一聚类簇中时序数据的贡献度都相对较小时，并不表示该聚类簇中的时序数据就不能作为多维时序监测数据中的主成分数据，因此需要根据数据之间的变化程度来获得反映时序数据之间关联性的联系特征值，从而来确定主成分数据。
具体的，首先，预设层次聚类算法的迭代次数，依据时序数据的贡献度并利用层次聚类算法对多维时序监测数据中所有时序数据进行聚类，获得多个聚类簇；获取任意聚类簇中所有时序数据的平均贡献度，将所有聚类簇对应平均贡献度的最大值记为最大贡献度。
需要说明的是，根据经验预设层次聚类算法的迭代次数为1，可根据实际情况进行调整，本实施例不进行具体限定。
需要说明的是，由于层次聚类算法为现有的聚类算法，因此在本实施例中对其不进行过多赘述。
然后，获取多维时序监测数据中任意两个时序数据的皮尔逊相关系数，记为所述两个时序数据的相关性。
最后，根据时序数据之间的变化程度差异、相关性以及时序数据的贡献度获得时序数据之间的联系特征值，具体计算方法为：
其中，/>表示多维时序监测数据中第/>个时序数据与第/>个时序数据之间的联系特征值，/>表示多维时序监测数据中第/>个时序数据的变化程度；/>表示多维时序监测数据中第/>个时序数据的变化程度；/>表示多维时序监测数据中第/>个时序数据与第/>个时序数据之间的相关性；表示多维时序监测数据中第/>个时序数据的贡献度；/>表示第/>个时序数据所属聚类簇中所有时序数据的平均贡献度；/>表示最大贡献度；/>表示获取绝对值；/>表示以自然常数为底数的指数函数。
需要说明的是，表示第/>种类型的数据与第/>种类型数据在通过EMD分解后，两种数据在不同频率上数据的变化程度的差异，因为通过EMD分解后各分量信号的变化能够直接原始数据的变化规律，因此通过比较不同数据之间的数据变化程度来反映数据之间的联系特征，其差值越小，说明原始数据之间的关联性越大。/>表示两种数据变化的相关性。
需要说明的是，比值越大，说明第/>个时序数据所属聚类簇中各时序数据的平均贡献度也越大，因此时序数据与其他时序数据之间的相关性就越大。
至此，通过上述方法得到时序数据之间的联系特征值。
步骤S004：通过联系特征值对时序数据进行降维处理，利用降维数据判断是否需要报警。
具体的，首先，依据时序数据之间的联系特征值利用孤立森林算法对时序数据进行排序，获得时序数据序列；并按照从大到小的顺序将所有时序数据的贡献度进行排序，获得贡献度序列；将时序数据序列和贡献度序列中相同位置的时序数据和贡献度序列进行对应，将对应后时序数据对应的贡献度记为时序数据的新贡献度。
然后，预设PCA算法的主成分数量K，并结合PCA算法对时序数据序列中的前K个时序数据进行降维，获得降维数据。
需要说明的是，预设PCA算法的主成分数量K为5，可根据实际情况进行调整，本实施例不进行具体限定。
需要说明的是，PCA算法的中文名称为主成分分析算法，由于孤立森林算法和PCA算法为现有算法，因此本实施例不进行过多赘述。
最后，将降维数据作为训练完成的RNN神经网络的输入，利用神经网络判断降维数据是否存在突发事件，当存在突发事件时，通过智慧安全管理与应急救援一体站进行报警，当不存在突发事件时，通过智慧安全管理与应急救援一体站不进行报警。
需要说明的是，所述训练完成的RNN神经网络对应的具体训练过程为：首先，获取大量降维数据，并通过专业人员对降维数据进行人工标注，标注内容为存在突发事件和不存在突发事件，将人工标注的内容作为降维数据的人工标签，将大量含有人工标签的降维数据作为用来训练RNN神经网络的数据集；然后，将数据集作为RNN神经网络的输入，结合交叉熵损失函数对RNN神经网络进行训练，获得训练完成的RNN神经网络；最后，将训练完成的RNN神经网络投入实际应用中，对降维数据进行判断。
通过以上步骤，完成对多维时序监测数据的降维处理，并通过降维数据对紧急事件进行报警。
需要说明的是，本实施例中所用的模型仅用于表示负相关关系和约束模型输出的结果处于/>区间内，具体实施时，可替换成具有同样目的的其他模型，本实施例只是以/>模型为例进行叙述，不对其做具体限定，其中/>是指该模型的输入。
本发明实施例提供的智慧安全管理与应急救援一体站的数据处理系统，该系统包括以下模块：
智慧安全管理与应急救援一体站的数据处理系统，系统构成包括：数据采集模块、数据处理模块、控制模块、呼叫模块、照明模块和电源模块。
所述数据采集模块包括多种传感器，用于获取多维时序监测数据，利用传感器获取多维时序监测数据时，各个时序数据所对应的传感器分别为：视频监控数据对应图像传感器，即相机；气体浓度数据对应气敏传感器；温度数据对应温度传感器；风速数据对应风速传感器；风向数据对应风向传感器。
所述数据处理模块包括处理器，用于对时序监测数据进行处理分析，得到报警信息，具体包括：对多维时序监测数据中的所有时序数据分别进行分解，获得每个时序数据对应的若干个IMF分量信号，通过对时序数据对应的若干个IMF分量信号中数据点的数值、极值、平均值、最大值和最小值进行融合，获得时序数据的变化程度；根据时序数据的变化程度、主导次数和参与次数获得时序数据的贡献度；获取时序数据之间的相关性，利用时序数据之间变化程度的差异和时序数据的贡献度对时序数据之间的相关性进行调节，获得时序数据之间的联系特征值；通过联系特征值对时序数据进行降维处理，利用降维数据判断是否需要报警。
所述控制模块用于控制呼叫模块、照明模块和电源模块，当需要进行报警时，控制模块控制呼叫模块发出报警声音，控制照明模块对一体站进行照明，控制显示模块显示报警信息，控制电源模块为呼叫模块、照明模块以及显示模块提供电源。
所述呼叫模块包括蜂鸣器，当利用报警信息进行事件报警时，用于发出报警声音。
所述照明模块用于对一体站周围区域进行照明，照明模块受照明模块内的光敏传感器和控制模块同时控制，当处于白天时，照明模块不进行照明，当处于夜晚且出现事件报警时通过控制模块打开照明模块进行照明。
所述电源模块用于为一体站中的数据采集模块、数据处理模块、控制模块、呼叫模块以及照明模块提供电力供应。
智慧安全管理与应急救援一体站的数据处理系统，具体的系统工作原理为：通过数据处理模块对采集的多维时序监测数据进行降维处理，并通过神经网络对降维数据进行分析获取报警信息，提高了了智慧安全管理与应急救援一体站的报警响应速度，并通过控制模块、呼叫模块、网络模块、照明模块、显示模块和电源模块协同配合，利用报警信息进行事件报警，提高了人们对报警事件的反应速度和救援及时性。
本实施例通过对多维时序监测数据中的时序数据进行分解，获得在多个频率下反映时序数据变化的IMF分量信号，利用IMF分量信号的分布特征获得所述时序数据的变化程度，根据变化程度获得反映时序数据在多维时序监测数据中产生大的影响时对应的贡献度，结合变化程度和贡献度获得反映时序数据之间相关性的联系特征值，通过联系特征值对多维时序监测数据中的所有时序数据进行降维，保证了降维后数据中主成分部分对应的数据在降维数据中占主要影响因素的地位，提高了对智慧安全管理与应急救援一体站中多维时序监测数据的降维效果，减少了智慧安全管理与应急救援一体站对多维时序监测数据进行分析时的计算复杂度和计算量，大大提高了智慧安全管理与应急救援一体站的报警响应速度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.智慧安全管理与应急救援一体站的数据处理方法，其特征在于，该方法包括以下步骤：
获取应急救援一体站的多维时序监测数据，多维时序监测数据包含若干个时序数据，获取时序数据的主导次数和参与次数；
对多维时序监测数据中的所有时序数据分别进行分解，获得每个时序数据对应的若干个IMF分量信号，通过对时序数据对应的若干个IMF分量信号中数据点的数值、极值、平均值、最大值和最小值进行融合，获得时序数据的变化程度；
根据时序数据的变化程度、主导次数和参与次数获得时序数据的贡献度；获取时序数据之间的相关性，利用时序数据之间变化程度的差异和时序数据的贡献度对时序数据之间的相关性进行调节，获得时序数据之间的联系特征值；
通过联系特征值对时序数据进行降维处理，利用降维数据判断是否需要报警。
2.根据权利要求1所述智慧安全管理与应急救援一体站的数据处理方法，其特征在于，所述获取时序数据的主导次数和参与次数，包括的具体方法为：
在历史突发事件报告中，在多维时序监测数据的时序数据分别对应的因素作为突发事件的主导因素时，获取各个时序数据对应因素作为主导因素时产生突发事件的次数记为时序数据的主导次数，并获取各时序数据对应因素引起突发事件的次数记为时序数据的参与次数。
3.根据权利要求1所述智慧安全管理与应急救援一体站的数据处理方法，其特征在于，所述对多维时序监测数据中的所有时序数据分别进行分解，获得每个时序数据对应的若干个IMF分量信号，包括的具体方法为：
通过EMD算法对多维时序监测数据中的所有时序数据分别进行分解，获得每个时序数据对应的若干个IMF分量信号。
4.根据权利要求1所述智慧安全管理与应急救援一体站的数据处理方法，其特征在于，所述通过对时序数据对应的若干个IMF分量信号中数据点的数值、极值、平均值、最大值和最小值进行融合，获得时序数据的变化程度，包括的具体方法为：
首先，根据IMF分量信号中数据点的数值、极值、平均值、最大值和最小值获得IMF分量信号的极值数量、分量方差以及平均幅值；
然后，根据极值数量和分量方差获得时序数据的变化因子；
最后，根据变化因子以及平均幅值获得时序数据的变化程度，具体计算方法为：
式中，/>表示多维时序监测数据中第个时序数据的变化程度；/>表示第/>个时序数据对应IMF分量信号的数量；/>表示多维时序监测数据中第/>个时序数据的变化因子；/>表示第/>个时序数据的所有IMF分量信号的最大平均幅值；/>表示第/>个时序数据的所有IMF分量信号的最小平均幅值；表示线性归一化函数。
5.根据权利要求4所述智慧安全管理与应急救援一体站的数据处理方法，其特征在于，所述根据IMF分量信号中数据点的数值、极值、平均值、最大值和最小值获得IMF分量信号的极值数量、分量方差以及平均幅值，包括的具体方法为：
将任意IMF分量信号中极值点的数量记为IMF分量信号的极值数量；
将IMF分量信号中所有数据点的方差记为IMF分量信号的分量方差；
将任意IMF分量信号中所有数据点的平均值，记为IMF分量信号的平均幅值。
6.根据权利要求4所述智慧安全管理与应急救援一体站的数据处理方法，其特征在于，所述变化因子的具体获取方法为：
将任意一个IMF分量信号的极值数量和分量方差的乘积记为IMF分量信号的变化参数；
将任意时序数据的所有IMF分量信号对应变化参数的累加值记为时序数据的变化因子。
7.根据权利要求1所述智慧安全管理与应急救援一体站的数据处理方法，其特征在于，所述根据时序数据的变化程度、主导次数和参与次数获得时序数据的贡献度，包括的具体方法为：
首先，获取多维时序监测数据中所有时序数据的最大变化程度；
然后，时序数据的贡献度的具体计算方法为：
其中，/>表示多维时序监测数据中第/>个时序数据的贡献度；/>表示多维时序监测数据中第/>个时序数据的变化程度；/>表示多维时序监测数据中所有时序数据的最大变化程度；/>表示第/>个时序数据的主导次数；/>表示多维时序监测数据中时序数据的数量；/>表示第/>个时序数据的参与次数。
8.根据权利要求1所述智慧安全管理与应急救援一体站的数据处理方法，其特征在于，所述获取时序数据之间的相关性，利用时序数据之间变化程度的差异和时序数据的贡献度对时序数据之间的相关性进行调节，获得时序数据之间的联系特征值，包括的具体方法为：
首先，将多维时序监测数据中任意两个时序数据的皮尔逊相关系数，记为所述两个时序数据的相关性；
然后，时序数据之间联系特征值的具体计算方法为：
其中，/>表示多维时序监测数据中第/>个时序数据与第/>个时序数据之间的联系特征值，/>表示多维时序监测数据中第/>个时序数据的变化程度；/>表示多维时序监测数据中第/>个时序数据的变化程度；/>表示多维时序监测数据中第/>个时序数据与第/>个时序数据之间的相关性；表示多维时序监测数据中第/>个时序数据的贡献度；/>表示第/>个时序数据所属聚类簇中所有时序数据的平均贡献度；/>表示最大贡献度；/>表示获取绝对值；/>表示以自然常数为底数的指数函数。
9.根据权利要求1所述智慧安全管理与应急救援一体站的数据处理方法，其特征在于，所述通过联系特征值对时序数据进行降维处理，利用降维数据判断是否需要报警，包括的具体方法为：
首先，依据时序数据之间的联系特征值利用孤立森林算法对时序数据进行排序，获得时序数据序列；并按照从大到小的顺序将所有时序数据的贡献度进行排序，获得贡献度序列；将时序数据序列和贡献度序列中相同位置的时序数据和贡献度序列进行对应，将对应后时序数据对应的贡献度记为时序数据的新贡献度；
然后，预设PCA算法的主成分数量K，并结合PCA算法对时序数据序列中的前K个时序数据进行降维，获得降维数据；
最后，将降维数据作为训练完成的RNN神经网络的输入，利用神经网络判断降维数据是否存在突发事件，当存在突发事件时，通过智慧安全管理与应急救援一体站进行报警，当不存在突发事件时，智慧安全管理与应急救援一体站不进行报警。
10.智慧安全管理与应急救援一体站的数据处理系统，其特征在于，系统包括数据采集模块、数据处理模块、控制模块、呼叫模块、照明模块和电源模块；
所述数据采集模块包括多种传感器，用于获取多维时序监测数据；
所述数据处理模块包括计算机设备的处理器，用于对时序监测数据进行处理分析，得到报警信息，具体包括：对多维时序监测数据中的所有时序数据分别进行分解，获得每个时序数据对应的若干个IMF分量信号，通过对时序数据对应的若干个IMF分量信号中数据点的数值、极值、平均值、最大值和最小值进行融合，获得时序数据的变化程度；根据时序数据的变化程度、主导次数和参与次数获得时序数据的贡献度；获取时序数据之间的相关性，利用时序数据之间变化程度的差异和时序数据的贡献度对时序数据之间的相关性进行调节，获得时序数据之间的联系特征值；通过联系特征值对时序数据进行降维处理，利用降维数据判断是否需要报警；
所述控制模块用于控制呼叫模块、照明模块、显示模块以及电源模块；所述呼叫模块包括蜂鸣器，用于发出报警声音；所述照明模块用于对一体站周围区域进行照明；所述电源模块用于为一体站提供电力供应。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311403008.8A CN117131369B (zh) | 2023-10-27 | 2023-10-27 | 智慧安全管理与应急救援一体站的数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311403008.8A CN117131369B (zh) | 2023-10-27 | 2023-10-27 | 智慧安全管理与应急救援一体站的数据处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117131369A true CN117131369A (zh) | 2023-11-28 |
| CN117131369B CN117131369B (zh) | 2023-12-22 |
Family
ID=88856826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311403008.8A Active CN117131369B (zh) | 2023-10-27 | 2023-10-27 | 智慧安全管理与应急救援一体站的数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117131369B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332283A (zh) * | 2023-12-01 | 2024-01-02 | 山东康源堂药业股份有限公司 | 一种中药材生长信息采集分析方法及系统 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108875449A (zh) * | 2017-05-10 | 2018-11-23 | 陈啸 | 一种智能识别方法 |
| CN108939343A (zh) * | 2018-06-22 | 2018-12-07 | 陈兴云 | 一种灭火战斗服 |
| US10162844B1 (en) * | 2017-06-22 | 2018-12-25 | NewVoiceMedia Ltd. | System and methods for using conversational similarity for dimension reduction in deep analytics |
| CN110009046A (zh) * | 2019-04-09 | 2019-07-12 | 中通服公众信息产业股份有限公司 | 一种基于大数据的城市社区安全预测方法 |
| CN111428201A (zh) * | 2020-03-27 | 2020-07-17 | 陕西师范大学 | 基于经验模态分解和前馈神经网络对时序数据的预测方法 |
| CN112016839A (zh) * | 2020-08-31 | 2020-12-01 | 华北水利水电大学 | 一种基于qr-bc-elm的洪涝灾害预测预警方法 |
| CN112070155A (zh) * | 2020-09-07 | 2020-12-11 | 常州微亿智造科技有限公司 | 时间序列数据标注方法和装置 |
| CN112070154A (zh) * | 2020-09-07 | 2020-12-11 | 常州微亿智造科技有限公司 | 时间序列数据处理方法和装置 |
| CN112466469A (zh) * | 2020-12-08 | 2021-03-09 | 杭州脉兴医疗科技有限公司 | 一种重大危机及死亡风险预测方法 |
| CN113032403A (zh) * | 2021-04-21 | 2021-06-25 | 平安科技（深圳）有限公司 | 数据洞察方法、装置、电子设备及存储介质 |
| CN113139610A (zh) * | 2021-04-29 | 2021-07-20 | 国网河北省电力有限公司电力科学研究院 | 一种针对变压器监测数据的异常检测方法及装置 |
| CN114067615A (zh) * | 2021-10-28 | 2022-02-18 | 宁波海特技术转移有限公司 | 一种基于物联网的智能安防系统 |
| CN114138855A (zh) * | 2021-09-16 | 2022-03-04 | 国家石油天然气管网集团有限公司 | 一种多变量降雨型滑坡灾害监测方法及监测系统 |
| CN115034337A (zh) * | 2022-08-10 | 2022-09-09 | 江西科骏实业有限公司 | 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质 |
| CN116051118A (zh) * | 2023-03-01 | 2023-05-02 | 支付宝(杭州)信息技术有限公司 | 行为时序模型的分析方法及装置 |
| CN116595411A (zh) * | 2023-04-21 | 2023-08-15 | 中国航空无线电电子研究所 | 一种基于早期时间序列分类的实时机动识别方法及装置 |
| CN116665483A (zh) * | 2023-06-06 | 2023-08-29 | 甘肃陇原信息科技有限公司 | 一种新的预测剩余停车位的方法 |
| CN116720511A (zh) * | 2023-03-16 | 2023-09-08 | 华南理工大学 | 一种融合多层图与时序特征的论文推荐方法 |
-
2023
- 2023-10-27 CN CN202311403008.8A patent/CN117131369B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108875449A (zh) * | 2017-05-10 | 2018-11-23 | 陈啸 | 一种智能识别方法 |
| US10162844B1 (en) * | 2017-06-22 | 2018-12-25 | NewVoiceMedia Ltd. | System and methods for using conversational similarity for dimension reduction in deep analytics |
| CN108939343A (zh) * | 2018-06-22 | 2018-12-07 | 陈兴云 | 一种灭火战斗服 |
| CN110009046A (zh) * | 2019-04-09 | 2019-07-12 | 中通服公众信息产业股份有限公司 | 一种基于大数据的城市社区安全预测方法 |
| CN111428201A (zh) * | 2020-03-27 | 2020-07-17 | 陕西师范大学 | 基于经验模态分解和前馈神经网络对时序数据的预测方法 |
| CN112016839A (zh) * | 2020-08-31 | 2020-12-01 | 华北水利水电大学 | 一种基于qr-bc-elm的洪涝灾害预测预警方法 |
| CN112070155A (zh) * | 2020-09-07 | 2020-12-11 | 常州微亿智造科技有限公司 | 时间序列数据标注方法和装置 |
| CN112070154A (zh) * | 2020-09-07 | 2020-12-11 | 常州微亿智造科技有限公司 | 时间序列数据处理方法和装置 |
| CN112466469A (zh) * | 2020-12-08 | 2021-03-09 | 杭州脉兴医疗科技有限公司 | 一种重大危机及死亡风险预测方法 |
| CN113032403A (zh) * | 2021-04-21 | 2021-06-25 | 平安科技（深圳）有限公司 | 数据洞察方法、装置、电子设备及存储介质 |
| CN113139610A (zh) * | 2021-04-29 | 2021-07-20 | 国网河北省电力有限公司电力科学研究院 | 一种针对变压器监测数据的异常检测方法及装置 |
| CN114138855A (zh) * | 2021-09-16 | 2022-03-04 | 国家石油天然气管网集团有限公司 | 一种多变量降雨型滑坡灾害监测方法及监测系统 |
| CN114067615A (zh) * | 2021-10-28 | 2022-02-18 | 宁波海特技术转移有限公司 | 一种基于物联网的智能安防系统 |
| CN115034337A (zh) * | 2022-08-10 | 2022-09-09 | 江西科骏实业有限公司 | 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质 |
| CN116051118A (zh) * | 2023-03-01 | 2023-05-02 | 支付宝(杭州)信息技术有限公司 | 行为时序模型的分析方法及装置 |
| CN116720511A (zh) * | 2023-03-16 | 2023-09-08 | 华南理工大学 | 一种融合多层图与时序特征的论文推荐方法 |
| CN116595411A (zh) * | 2023-04-21 | 2023-08-15 | 中国航空无线电电子研究所 | 一种基于早期时间序列分类的实时机动识别方法及装置 |
| CN116665483A (zh) * | 2023-06-06 | 2023-08-29 | 甘肃陇原信息科技有限公司 | 一种新的预测剩余停车位的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 骆金晨等: "基于多特征融合的多分类运动想象脑电信号识别研究", 生物信息学, vol. 18, no. 03 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332283A (zh) * | 2023-12-01 | 2024-01-02 | 山东康源堂药业股份有限公司 | 一种中药材生长信息采集分析方法及系统 |
| CN117332283B (zh) * | 2023-12-01 | 2024-03-05 | 山东康源堂药业股份有限公司 | 一种中药材生长信息采集分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117131369B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117131369B (zh) | 智慧安全管理与应急救援一体站的数据处理方法及系统 | |
| CN109951363B (zh) | 数据处理方法、装置及系统 | |
| Sayed et al. | From time-series to 2d images for building occupancy prediction using deep transfer learning | |
| Kuang et al. | An enhanced extreme learning machine for dissolved oxygen prediction in wireless sensor networks | |
| CN114518143A (zh) | 一种智能环境感知系统 | |
| CN107917342A (zh) | 天然气站场无人值守声像定位监控系统及方法 | |
| Chou et al. | Imaging time-series with features to enable visual recognition of regional energy consumption by bio-inspired optimization of deep learning | |
| CN113962433A (zh) | 一种融合因果卷积与可分离时间卷积的风电预测方法及系统 | |
| CN113887749A (zh) | 基于云边协同的电力物联网多维度监控处置方法、设备及平台 | |
| CN115630709A (zh) | 一种数据中心ai能耗阈值动态分析及优化的方法 | |
| CN117915515A (zh) | 城市led照明效果智能调节系统 | |
| CN117370919A (zh) | 污水处理设备远程监控系统 | |
| CN116703638A (zh) | 大棚蔬菜种植管理系统及其方法 | |
| CN116013031A (zh) | 一种服务于老年人的智慧看护系统 | |
| CN116149279A (zh) | 一种基于物联网的工业环境数据的智能处理分析系统 | |
| CN114118611A (zh) | 基于预测算法池的风电功率预测方法和系统 | |
| CN114490825A (zh) | 一种核反应堆设备安全分析模型 | |
| Yang et al. | Prediction of pollutant diffusion trend using CNN-GRU hybrid network in IoT air monitoring system | |
| CN117111540B (zh) | 一种用于io远程控制总线模块的环境监测预警方法及系统 | |
| CN117828280B (zh) | 基于物联网的消防信息智能采集及管理方法 | |
| CN117388445B (zh) | 一种大气环境监测系统 | |
| CN115689473A (zh) | 盐渍化土壤绿化工程的远程智能管控系统 | |
| CN117454993A (zh) | 一种基于数据处理的自动推理平台 | |
| Jiang et al. | Deep learning of qinling forest fire anomaly detection based on genetic algorithm optimization | |
| CN115880867A (zh) | 口罩规范佩戴及体温监测系统 |
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 |