CN117765481A - 集成多源数据的电力系统火灾智慧预警方法及系统 - Google Patents
集成多源数据的电力系统火灾智慧预警方法及系统 Download PDFInfo
- Publication number
- CN117765481A CN117765481A CN202410195004.3A CN202410195004A CN117765481A CN 117765481 A CN117765481 A CN 117765481A CN 202410195004 A CN202410195004 A CN 202410195004A CN 117765481 A CN117765481 A CN 117765481A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- representing
- quantum
- fire disaster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 8
- 239000000779 smoke Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明涉及电力系统消防技术领域，尤其涉及集成多源数据的电力系统火灾智慧预警方法及系统，该方法整合电力系统内部的视频、传感器等监测数据和外部的气象、地理信息数据，采用CNN网络进行数据的分析以及火灾情况预判，识别潜在的火灾风险点，并利用CNN网络编码结构来解决数据融合的问题，构建QNN来提高模型的计算速度，降低模型规模，解决智能消防中火灾预判问题，为电力系统智能消防管理提供了一种新的技术方案，也为监控人员的作业带来极大的帮助。
Description
技术领域
本发明涉及电力系统消防技术领域，尤其涉及集成多源数据的电力系统火灾智慧预警方法及系统。
背景技术
电力系统设备的安全性是电网安全平稳运行的前提和基础，随着人工智能、云计算、传感器等技术的迅速发展，智慧消防系统已逐步实现传统管理平台的智能化升级。当前的电力系统智慧消防平台实现了感知设备采集电力设备的温度、湿度等相关数据，但仅能够对数据进行实时监控与分析，且温、湿度或烟雾传感器等存在一定的延迟性，但多种传感器获取的数据尚未较好的实现信息融合，提前根据各种信息预判火灾发生的能力仍然欠缺。同时，南北地域差异，季节差异都会导致火灾发生的概率不同，如何利用环境信息合理配置消防资源也是当前也并未充分考虑。
因此，本发明提出了一种集成多源数据的电力系统火灾智慧预警方法及系统，来解决上述问题。
发明内容
本发明针对现有技术的不足，研制一种集成多源数据的电力系统火灾智慧预警方法及系统，来提高电力系统火灾智慧预警方法的消防预警能力。
本发明解决技术问题的技术方案为：
一种集成多源数据的电力系统火灾智慧预警方法，包括以下步骤：
S1.数据采集：采集电力系统火灾预警所需的多源数据，多源数据包括各区域采集的监控图像P、内部传感器信息和外部传感器信息；
S2.数据预处理：对内部传感器信息与外部传感器信息进行归一化处理，处理后的数据构成传感器数据集D，，同一时刻的监控图像P与传感器数据集D组成一条样本/>，/>，/>表示t时刻的样本；
S3.构建数据集：按时间顺序对样本进行排列形成时间序列/>，，/>表示n时刻的样本，然后将时间序列Dfire作为CNN网络输入；
S4.基于CNN网络进行多源数据融合：对时间序列Dfire中的监控图像数据P进行特征提取后得到的图像特征；将传感器数据集D中的数据，以类别为横坐标，以数值大小作为纵坐标，形成传感器数据图，进行特征提取后得到的传感器数据特征/>；通过直接拼接将图像特征/>与传感器数据特征/>进行组合，得到融合后的特征向量/>；
S5. 构建量子神经网络QNN：设计一个量子神经网络QNN，包括4个编码线路Encoder，4个训练路线和4个测量构成，将S4中的特征向量作为构建的QNN网络的输入，将是否发生火灾的概率作为网络的输出结果；
S6. 训练QNN网络并根据训练结果进行评估：设计损失函数，设定阈值，多次进行损失函数的计算对QNN网络进行训练，当损失函数的值小于设定的阈值时，完成对网络结构的训练，得到最终的火灾发发生概率的预判结果。
具体实施方式中，S1具体如下：
内部传感器信息包括温度信息T、湿度信息H、烟雾传感器信息S和可燃气体传感器信息F，外部传感器信息包括气象信息M和地理数据信息G，监控图像数据P通过将监控视频逐帧提取获得。
具体实施方式中，S2具体如下：
将内部传感器信息和外部传感器信息中每一类数据进行归一化处理，
，
，
，
，
，
，
其中，表示归一化处理后的温度信息，/>表示归一化处理后的湿度信息，/>表示归一化处理后的烟雾传感器信息，/>表示归一化处理后的可燃气体传感器信息，/>表示归一化处理后的气象信息M，地理数据信息G，/>表示最小值操作，/>表示最大值操作。
具体实施方式中，S4具体如下：
基于CNN量子神经网络的多源数据融合过程为：
将总数数据集中的监控图像P输入至CNN网络中得到图像特征，CNN网络结构为Conv2D+BN+ReLU三个模块，计算公式为：
，
其中表示取最大值操作，/>和/>表示BN层中的两个超参数，w和b表示卷积层中的权重和偏置两个超参数，/>表示一个批次中的所有图像样本的均值，nB表示批次中图像样本的个数，/>表示用来防止分母为零的常数，/>表示样本/>中的图像样本；
同时将内部传感器信息与外部传感器信息合成的传感器数据集D中的数据，以类别为横坐标，以数值大小作为纵坐标，形成传感器数据图，将数据图输入至CNN网络中进行特征提取，得到传感器数据特征，CNN网络结构为Conv2D+BN+ReLU三个模块，计算公式为：
，
其中表示一个批次中的所有数据图样本的均值，/>表示样本/>中的数据图样本；
最后，通过直接拼接将图像特征与传感器数据特征/>进行组合，即得到融合后的特征向量/>，特征向量的维度为n*4。
具体实施方式中，S5具体如下：
构建量子神经网络QNN，量子神经网络由4个编码线路Encoder，4个训练路线和4个测量构成，将基于CNN的多模态数据融合过程中提取到的特征向量作为输入，输入至量子神经网络中，编码线路将输入的特征向量/>编码为量子数据，然后将量子数据输入至训练路线进行计算，最后经过测量得到最终计算结果output，将最终价算结果输入至一个三层全连接网络，得到最终的火灾发发生概率的预判结果/>，量子网络的计算过程为：
首先构建输入量子态：，其中，/>表示量子态构建函数；
然后定义量子旋转门为，i=1,2,3，
其中，表示第i个量子旋转门的量子旋转相位，i表示第i个量子旋转门；量子网络的计算通过量子态与量子旋转门计算获得:
，/>，
其中 和/>分别表示权重和偏置，/>表示激活函数。
具体实施方式中，S6具体如下：
以标签与输出结果的误差，以及量子网络和全连接层的参数，设计损失函数，损失函数Loss为：
，
其中，表示数据集中样本的标签。
本申请还提供了一种集成多源数据的电力系统火灾智慧预警系统，执行集成多源数据的电力系统火灾智慧预警方法，包括以下模块：
数据采集模块：采集电力系统火灾预警所需的多源数据，多源数据包括各区域采集的监控图像、内部传感器信息和外部传感器信息；
数据预处理模块：对内部传感器信息与外部传感器信息进行归一化处理，处理后的数据构成传感器数据集，将同一时刻的监控图像与传感器数据集组成一条样本；
数据集构建模块：按时间顺序对样本进行排列形成时间序列，并将时间序列作为CNN网络的输入；
多源数据融合模块：对时间序列中的监控图像数据进行特征提取后得到的图像特征，对传感器数据集中的数据进行特征提取后得到的传感器数据特征，将图像特征与传感器数据特征进行组合，得到融合后的特征向量；
量子神经网络QNN构建模块：设计量子神经网络QNN，特征向量作为QNN网络的输入，得到是否发生火灾概率的输出结果；
训练QNN网络并根据训练结果进行评估：设计损失函数，设定阈值，多次进行损失函数的计算对QNN网络进行训练，当损失函数的值小于设定的阈值时，完成对网络结构的训练，得到最终的火灾发发生概率的预判结果。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案具有如下优点或有益效果：
本发明提出了一种集成多源数据的电力系统火灾智慧预警方法及系统，通过将外部气象及地理数据引入火灾预判，充分利用了不同地域的环境信息，能够依据地理环境及季节信息灵活配置消防资源，同时基于QNN网络的火灾预判模型，解决了多源数据难以融合问题以及模型训练困难速度慢的问题，有效综合了采集的信息，实现了火灾的预判，将消防作业的干预作用进一步提前，降低损失。通过火灾预判及报警模块的智慧化改进升级，进一步提升了电力系统智能消防平台的消防预警能力。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明中方法的流程示意图。
图2为本发明中方法的结构示意图。
具体实施方式
为了能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。
实施例1 一种集成多源数据的电力系统火灾智慧预警方法，包括以下步骤：
S1.数据采集：采集电力系统火灾预警所需的多源数据，多源数据包括各区域采集的监控图像P、内部传感器信息和外部传感器信息；
S2.数据预处理：对内部传感器信息与外部传感器信息进行归一化处理，处理后的数据构成传感器数据集D，，同一时刻的监控图像P与传感器数据集D组成一条样本/>，/>，/>表示t时刻的样本；
S3.构建数据集：按时间顺序对样本进行排列形成时间序列/>，，/>表示n时刻的样本，然后将时间序列Dfire作为CNN网络输入；
S4.基于CNN网络进行多源数据融合：对时间序列Dfire中的监控图像数据P进行特征提取后得到的图像特征；将传感器数据集D中的数据，以类别为横坐标，以数值大小作为纵坐标，形成传感器数据图，进行特征提取后得到的传感器数据特征/>；通过直接拼接将图像特征/>与传感器数据特征进行/>组合，得到融合后的特征向量/>；
S5. 构建量子神经网络QNN：设计一个量子神经网络QNN，包括4个编码线路Encoder，4个训练路线和4个测量构成，将S4中的特征向量作为构建的QNN网络的输入，将是否发生火灾的概率作为网络的输出结果；
S6. 训练QNN网络并根据训练结果进行评估：设计损失函数，设定阈值，多次进行损失函数的计算对QNN网络进行训练，当损失函数的值小于设定的阈值时，完成对网络结构的训练，得到最终的火灾发发生概率的预判结果。
具体实施方式中，S1具体如下：
内部传感器信息包括温度信息T、湿度信息H、烟雾传感器信息S和可燃气体传感器信息F，外部传感器信息包括气象信息M和地理数据信息G，监控图像数据P通过将监控视频逐帧提取获得。
具体实施方式中，S2具体如下：
将内部传感器信息和外部传感器信息中每一类数据进行归一化处理，
，
，
，
，
，
，
其中，表示归一化处理后的温度信息，/>表示归一化处理后的湿度信息，/>表示归一化处理后的烟雾传感器信息，/>表示归一化处理后的可燃气体传感器信息，/>表示归一化处理后的气象信息M，地理数据信息G，/>表示最小值操作，/>表示最大值操作。
具体实施方式中，S4具体如下：
基于CNN量子神经网络的多源数据融合过程为：
将总数数据集中的监控图像P输入至CNN网络中得到图像特征,CNN网络结构为Conv2D+BN+ReLU三个模块，计算公式为：
,
其中表示取最大值操作，/>和/>表示BN层中的两个超参数，w和b表示卷积层中的权重和偏置两个超参数，/>表示一个批次中的所有图像样本的均值，nB表示批次中图像样本的个数，/>表示用来防止分母为零的常数，/>表示样本/>中的图像样本；
同时将内部传感器信息与外部传感器信息合成的传感器数据集D中的数据，以类别为横坐标，以数值大小作为纵坐标，形成传感器数据图，将数据图输入至CNN网络中进行特征提取，得到传感器数据特征，CNN网络结构为Conv2D+BN+ReLU三个模块，计算公式为：
，
其中表示一个批次中的所有数据图样本的均值，/>表示样本/>中的数据图样本；
最后，通过直接拼接将图像特征与传感器数据特征/>进行组合，即得到融合后的特征向量/>，特征向量的维度为n*4。
具体实施方式中，S5具体如下：
构建量子神经网络QNN，量子神经网络由4个编码线路Encoder，4个训练路线和4个测量构成，将基于CNN的多模态数据融合过程中提取到的特征向量作为输入，输入至量子神经网络中，编码线路将输入的特征向量/>编码为量子数据，然后将量子数据输入至训练路线进行计算，最后经过测量得到最终计算结果output，将最终价算结果输入至一个三层全连接网络，得到最终的火灾发发生概率的预判结果/>，量子网络的计算过程为：
首先构建输入量子态：,
其中，表示量子态构建函数；
然后定义量子旋转门为,i=1,2,3,
其中，表示第i个量子旋转门的量子旋转相位，i表示第i个量子旋转门；
量子网络的计算通过量子态与量子旋转门计算获得:
,
,
其中和/>分别表示权重和偏置，表示激活函数。
具体实施方式中，S6具体如下：
以标签与输出结果的误差，以及量子网络和全连接层的参数，设计损失函数，损失函数Loss为：
,其中，/>表示数据集中样本的标签。
实施例2 一种集成多源数据的电力系统火灾智慧预警系统，执行集成多源数据的电力系统火灾智慧预警方法，包括以下模块：
数据采集模块：采集电力系统火灾预警所需的多源数据，多源数据包括各区域采集的监控图像、内部传感器信息和外部传感器信息；
数据预处理模块：对内部传感器信息与外部传感器信息进行归一化处理，处理后的数据构成传感器数据集，将同一时刻的监控图像与传感器数据集组成一条样本；
数据集构建模块：按时间顺序对样本进行排列形成时间序列，并将时间序列作为CNN网络的输入；
多源数据融合模块：对时间序列中的监控图像数据进行特征提取后得到的图像特征，对传感器数据集中的数据进行特征提取后得到的传感器数据特征，将图像特征与传感器数据特征进行组合，得到融合后的特征向量；
量子神经网络QNN构建模块：设计量子神经网络QNN，特征向量作为QNN网络的输入，得到是否发生火灾概率的输出结果；
训练QNN网络并根据训练结果进行评估：设计损失函数，设定阈值，多次进行损失函数的计算对QNN网络进行训练，当损失函数的值小于设定的阈值时，完成对网络结构的训练，得到最终的火灾发发生概率的预判结果。
实施例3 由表1可知，将本发明中的方法与另外三种方法——CNN-LSTM、决策树、基于D-S证据理论的多参量融合预警方法进行对比，本申请的准确率高于其他方法的准确率，进一步说明采用本发明中的方法能将消防作业的干预作用进一步提前，降低损失，进一步提升电力系统智能消防平台的消防预警能力。
表1 本发明中的方法与其他方法准确率的对比
上述虽然结合附图对发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.一种集成多源数据的电力系统火灾智慧预警方法，其特征是，包括以下步骤：
S1.数据采集：采集电力系统火灾预警所需的多源数据，多源数据包括各区域采集的监控图像P、内部传感器信息和外部传感器信息；
S2.数据预处理：对内部传感器信息与外部传感器信息进行归一化处理，处理后的数据构成传感器数据集D，同一时刻的监控图像P与传感器数据集D组成一条样本，/>，表示t时刻的样本；
S3.构建数据集：按时间顺序对样本进行排列形成时间序列/>，，/>表示n时刻的样本，然后将时间序列/>作为CNN网络输入；
S4.基于CNN网络进行多源数据融合：对时间序列Dfire中的监控图像数据P进行特征提取后得到的图像特征；将传感器数据集D中的数据，以类别为横坐标，以数值大小作为纵坐标，形成传感器数据图，进行特征提取后得到的传感器数据特征
；通过直接拼接将图像特征/>与传感器数据特征/>进行组合，得到融合后的特征向量/>；
S5. 构建量子神经网络QNN：设计一个量子神经网络QNN，将S4中的特征向量作为构建的QNN网络的输入，将是否发生火灾的概率作为网络的输出结果；
S6. 训练QNN网络并根据训练结果进行评估：设计损失函数，设定阈值，多次进行损失函数的计算对QNN网络进行训练，当损失函数的值小于设定的阈值时，完成对网络结构的训练，得到最终的火灾发发生概率的预判结果。
2.根据权利要求1所述的集成多源数据的电力系统火灾智慧预警方法，其特征是，S1具体如下：
内部传感器信息包括温度信息T、湿度信息H、烟雾传感器信息S和可燃气体传感器信息F，外部传感器信息包括气象信息M和地理数据信息G，监控图像数据P通过将监控视频逐帧提取获得。
3.根据权利要求2所述的集成多源数据的电力系统火灾智慧预警方法，其特征是，S2具体如下：
将内部传感器信息和外部传感器信息中每一类数据进行归一化处理，
，
，
，
，
，
，
其中，表示归一化处理后的温度信息，/>表示归一化处理后的湿度信息，/>表示归一化处理后的烟雾传感器信息，/>表示归一化处理后的可燃气体传感器信息，/>表示归一化处理后的气象信息M，地理数据信息G，/>表示最小值操作，/>表示最大值操作。
4.根据权利要求3所述的集成多源数据的电力系统火灾智慧预警方法，其特征是，S4具体如下：
基于CNN量子神经网络的多源数据融合过程为：
将总数数据集中的监控图像P输入至CNN网络中得到图像特征，CNN网络结构为Conv2D+BN+ReLU三个模块，计算公式为：
，
其中表示取最大值操作，/>和/>表示BN层中的两个超参数，w和b表示卷积层中的权重和偏置两个超参数，/>表示一个批次中的所有图像样本的均值，nB表示批次中图像样本的个数，/>表示用来防止分母为零的常数，/>表示样本/>中的图像样本；
同时将内部传感器信息与外部传感器信息合成的传感器数据集D中的数据，以类别为横坐标，以数值大小作为纵坐标，形成传感器数据图，将数据图输入至CNN网络中进行特征提取，得到传感器数据特征，CNN网络结构为Conv2D+BN+ReLU三个模块，计算公式为：
，
其中表示一个批次中的所有数据图样本的均值，/>表示样本/>中的数据图样本；
最后，通过直接拼接将图像特征与传感器数据特征/>进行组合，即得到融合后的特征向量/>，特征向量的维度为n*4。
5.根据权利要求4所述的集成多源数据的电力系统火灾智慧预警方法，其特征是，S5具体如下：
构建量子神经网络QNN，量子神经网络由4个编码线路Encoder，4个训练路线和4个测量构成，将基于CNN的多模态数据融合过程中提取到的特征向量作为输入，输入至量子神经网络中，编码线路将输入的特征向量/>编码为量子数据，然后将量子数据输入至训练路线进行计算，最后经过测量得到最终计算结果output，将最终价算结果输入至一个三层全连接网络，得到最终的火灾发发生概率的预判结果/>，量子网络的计算过程为：
首先构建输入量子态：，
其中，表示量子态构建函数；
然后定义量子旋转门为，i=1,2,3,
其中，表示第i个量子旋转门的量子旋转相位，i表示第i个量子旋转门；量子网络的计算通过量子态与量子旋转门计算获得:
，/>，
其中 和/>分别表示权重和偏置，/>表示激活函数。
6.根据权利要求5所述的集成多源数据的电力系统火灾智慧预警方法，其特征是，S6具体如下：
以标签与输出结果的误差，以及量子网络和全连接层的参数，设计损失函数，损失函数Loss为：
，
其中，表示数据集中样本的标签。
7.一种集成多源数据的电力系统火灾智慧预警系统，执行权利要求1-6中任一项所述的集成多源数据的电力系统火灾智慧预警方法，其特征是，包括以下模块：
数据采集模块：采集电力系统火灾预警所需的多源数据，多源数据包括各区域采集的监控图像、内部传感器信息和外部传感器信息；
数据预处理模块：对内部传感器信息与外部传感器信息进行归一化处理，处理后的数据构成传感器数据集，将同一时刻的监控图像与传感器数据集组成一条样本；
数据集构建模块：按时间顺序对样本进行排列形成时间序列，并将时间序列作为CNN网络的输入；
多源数据融合模块：对时间序列中的监控图像数据进行特征提取后得到的图像特征，对传感器数据集中的数据进行特征提取后得到的传感器数据特征，将图像特征与传感器数据特征进行组合，得到融合后的特征向量；
量子神经网络QNN构建模块：设计量子神经网络QNN，特征向量作为QNN网络的输入，得到是否发生火灾概率的输出结果；
训练QNN网络并根据训练结果进行评估：设计损失函数，设定阈值，多次进行损失函数的计算对QNN网络进行训练，当损失函数的值小于设定的阈值时，完成对网络结构的训练，得到最终的火灾发发生概率的预判结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410195004.3A CN117765481B (zh) | 2024-02-22 | 2024-02-22 | 集成多源数据的电力系统火灾智慧预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410195004.3A CN117765481B (zh) | 2024-02-22 | 2024-02-22 | 集成多源数据的电力系统火灾智慧预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117765481A true CN117765481A (zh) | 2024-03-26 |
| CN117765481B CN117765481B (zh) | 2024-05-31 |
Family
ID=90316829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410195004.3A Active CN117765481B (zh) | 2024-02-22 | 2024-02-22 | 集成多源数据的电力系统火灾智慧预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117765481B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104966372A (zh) * | 2015-06-09 | 2015-10-07 | 四川汇源光通信有限公司 | 多数据融合的森林火灾智能识别系统和方法 |
| CN112633510A (zh) * | 2020-12-08 | 2021-04-09 | 北京百度网讯科技有限公司 | 量子数据间距离的确定方法及量子设备 |
| CN113449778A (zh) * | 2021-06-10 | 2021-09-28 | 北京百度网讯科技有限公司 | 用于量子数据分类的模型训练方法以及量子数据分类方法 |
| US11295131B1 (en) * | 2021-06-15 | 2022-04-05 | Knoetik Solutions, Inc. | Smoke and fire recognition, fire forecasting, and monitoring |
| CN115374948A (zh) * | 2022-08-05 | 2022-11-22 | 北京百度网讯科技有限公司 | 量子神经网络的训练方法、数据处理方法、设备及介质 |
| CN115577781A (zh) * | 2022-09-28 | 2023-01-06 | 北京百度网讯科技有限公司 | 量子相对熵确定方法、装置、设备及存储介质 |
| CN116524997A (zh) * | 2023-05-04 | 2023-08-01 | 电子科技大学 | 基于经典-量子混合神经网络实现药物相互作用结果的预测系统 |
| DE102022200996A1 (de) * | 2022-01-31 | 2023-08-03 | Robert Bosch Gesellschaft mit beschränkter Haftung | Umgebungsbranddetektionsanordnung zur Überwachung von einem Überwachungsbereich, Verfahren, Computerprogramm und Speichermedium |
| EP4224378A1 (en) * | 2022-02-07 | 2023-08-09 | Qu&CO R&D B.V. | Differentiable generative modelling using a hybrid computer including a quantum processor |
| EP4283533A1 (en) * | 2021-02-26 | 2023-11-29 | Origin Quantum Computing Technology (Hefei) Co., Ltd | Quantum convolution operator |
-
2024
- 2024-02-22 CN CN202410195004.3A patent/CN117765481B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104966372A (zh) * | 2015-06-09 | 2015-10-07 | 四川汇源光通信有限公司 | 多数据融合的森林火灾智能识别系统和方法 |
| CN112633510A (zh) * | 2020-12-08 | 2021-04-09 | 北京百度网讯科技有限公司 | 量子数据间距离的确定方法及量子设备 |
| EP4283533A1 (en) * | 2021-02-26 | 2023-11-29 | Origin Quantum Computing Technology (Hefei) Co., Ltd | Quantum convolution operator |
| CN113449778A (zh) * | 2021-06-10 | 2021-09-28 | 北京百度网讯科技有限公司 | 用于量子数据分类的模型训练方法以及量子数据分类方法 |
| US11295131B1 (en) * | 2021-06-15 | 2022-04-05 | Knoetik Solutions, Inc. | Smoke and fire recognition, fire forecasting, and monitoring |
| DE102022200996A1 (de) * | 2022-01-31 | 2023-08-03 | Robert Bosch Gesellschaft mit beschränkter Haftung | Umgebungsbranddetektionsanordnung zur Überwachung von einem Überwachungsbereich, Verfahren, Computerprogramm und Speichermedium |
| EP4224378A1 (en) * | 2022-02-07 | 2023-08-09 | Qu&CO R&D B.V. | Differentiable generative modelling using a hybrid computer including a quantum processor |
| CN115374948A (zh) * | 2022-08-05 | 2022-11-22 | 北京百度网讯科技有限公司 | 量子神经网络的训练方法、数据处理方法、设备及介质 |
| CN115577781A (zh) * | 2022-09-28 | 2023-01-06 | 北京百度网讯科技有限公司 | 量子相对熵确定方法、装置、设备及存储介质 |
| CN116524997A (zh) * | 2023-05-04 | 2023-08-01 | 电子科技大学 | 基于经典-量子混合神经网络实现药物相互作用结果的预测系统 |
Non-Patent Citations (4)
| Title |
|---|
| 刘小红;张人龙;: "基于云模型的混合量子神经网络算法及其仿真研究", 统计与信息论坛, no. 02, 10 February 2020 (2020-02-10) * |
| 宋卫国;马剑;SATOH K;王健;: "森林火险与气象因素的多元相关性及其分析", 中国工程科学, no. 02, 28 February 2006 (2006-02-28) * |
| 李建平 等: "基于量子神经网络的超深层储层评价", 计算机与数字工程, 31 December 2018 (2018-12-31), pages 2 * |
| 邓亦骁;: "基于嵌入式系统和模糊神经网络的森林火灾报警系统设计", 科技与创新, no. 16, 31 August 2020 (2020-08-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117765481B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111694916B (zh) | 浆砌石拱坝自动化监测系统 | |
| Yang et al. | Deep learning‐based bolt loosening detection for wind turbine towers | |
| CN107169426A (zh) | 一种基于深度神经网络的人群情绪异常检测和定位方法 | |
| CN115144548B (zh) | 有害气体成分实时监测系统及其监测方法 | |
| CN115796434A (zh) | 一种用于配电网的管控方法、装置、电子设备及存储介质 | |
| CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
| CN117975372B (zh) | 一种基于YOLOv8和Transformer编码器相结合的工地安全检测系统及方法 | |
| CN116341272A (zh) | 一种用于配网工程数字化的施工安全风险管控系统 | |
| CN115019209A (zh) | 一种基于深度学习的电力杆塔状态检测的方法及系统 | |
| CN114444757A (zh) | 一种高原山地多模型多尺度新能源电站出力联合预测方法 | |
| Li et al. | Research on fault detection method of infrared thermal imaging for power equipment based on deep learning | |
| CN117595504A (zh) | 一种电网运行状态的智能监测预警方法 | |
| CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
| CN118193954A (zh) | 一种基于边缘计算的配电网异常数据检测方法及系统 | |
| CN113361730A (zh) | 一种检修计划的风险预警方法、装置、设备和介质 | |
| Yang et al. | Abnormal Object Detection with an Improved YOLOv8 in the Transmission Lines | |
| CN117765481B (zh) | 集成多源数据的电力系统火灾智慧预警方法及系统 | |
| Lestari et al. | Comparison of two deep learning methods for detecting fire | |
| Ning et al. | Object detection and danger warning of transmission channel based on improved YOLO network | |
| Wang et al. | Cable temperature alarm threshold setting method based on convolutional neural network | |
| Yang et al. | Abnormal Scene Image Recognition Method for Intelligent Operation and Maintenance of Electrical Equipment in Substations | |
| CN117726308B (zh) | 基于物联网和5g的智慧水利管理系统及方法 | |
| LU505192B1 (en) | Method and Device for Controlling Wind Turbine Generator Operation and Maintenance Based on Image Recognition, and Equipment Executing the Method Thereof | |
| CN117499621B (zh) | 视频采集设备的检测方法、装置、设备及介质 | |
| CN118484767B (zh) | 一种井下监测数据智能处理方法和系统 |
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 |