CN117828280B - 基于物联网的消防信息智能采集及管理方法 - Google Patents

基于物联网的消防信息智能采集及管理方法 Download PDF

Info

Publication number
CN117828280B
CN117828280B CN202410244485.2A CN202410244485A CN117828280B CN 117828280 B CN117828280 B CN 117828280B CN 202410244485 A CN202410244485 A CN 202410244485A CN 117828280 B CN117828280 B CN 117828280B
Authority
CN
China
Prior art keywords
data
vector
feature
gate
input
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
Application number
CN202410244485.2A
Other languages
English (en)
Other versions
CN117828280A (zh
Inventor
刘同强
冯海奎
孙帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Xinke Construction Engineering Fire Engineering Co ltd
Original Assignee
Shandong Xinke Construction Engineering Fire Engineering Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Xinke Construction Engineering Fire Engineering Co ltd filed Critical Shandong Xinke Construction Engineering Fire Engineering Co ltd
Priority to CN202410244485.2A priority Critical patent/CN117828280B/zh
Publication of CN117828280A publication Critical patent/CN117828280A/zh
Application granted granted Critical
Publication of CN117828280B publication Critical patent/CN117828280B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于消防信息管理技术领域，本发明公开了基于物联网的消防信息智能采集及管理方法；包括：采集消防现场多源异构数据；将消防现场多源异构数据进行预处理，得到特征数据集；将特征数据集进行融合并构建高维特征向量；利用预训练完成的改进长短期记忆网络将高维特征向量进行处理获取多模态分类结果；将消防现场多源异构数据和多模态分类结果进行分布式存储管理；综合运用物联网、大数据等，全面提升了消防信息采集及管理的智能化水平。

Description

基于物联网的消防信息智能采集及管理方法
技术领域
本发明涉及消防信息管理技术领域，更具体地说，本发明涉及基于物联网的消防信息智能采集及管理方法。
背景技术
申请公开号为CN117218786A的专利公开了一种基于物联网的火灾智能监测预警系统及方法，包括搭建目标区域的火灾监测预警平台，建立火灾监测预警平台的报警机制，采集火灾监测预警平台向管理终端发出的所有历史报警提示记录，对各历史报警提示记录所对应的火灾预警事件进行影响特征值的评估和事件归类，对各火灾预警事件中各火灾监测传感器的监测数据变化趋势曲线进行信息梳理；对各历史报警提示记录集合中的各历史报警提示记录进行报警提示的异常分析，对相关火灾监测传感器进行异常标记；对各火灾监测传感器进行性能评估，将需要进行性能排查的火灾监测传感器向管理人员发送提示反馈。
但是现有消防信息采集与管理技术无法从消防现场全面高效地采集多源数据，关键信息采集不完整；其次，缺乏有效方法对采集到的多源异构数据进行预处理、融合和特征提取，无法构建数据表达能力强的状态信息；现有技术难以对数据进行智能分析，无法准确评估消防现场火灾级别等关键情况；另外，难以高效可靠地存储和管理海量多源异构消防数据及分析结果，数据存储和访问效率低下；总的来说，消防信息采集与管理的智能化水平较低，难以满足现代消防救援的需求。
鉴于此，本发明提出基于物联网的消防信息智能采集及管理方法以解决上述问题。
发明内容
为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：基于物联网的消防信息智能采集及管理方法，包括：S1、采集消防现场多源异构数据；将消防现场多源异构数据进行预处理，得到特征数据集；
S2、将特征数据集进行融合并构建高维特征向量；
S3、利用预训练完成的改进长短期记忆网络将高维特征向量进行处理获取多模态分类结果；
S4、将消防现场多源异构数据和多模态分类结果进行分布式存储管理。
进一步地，所述消防现场多源异构数据包括现场客观数据和现场主观数据；所述现场客观数据包括温度、烟雾浓度、火焰数据、火灾位置坐标和环境数据；其中，环境数据包括风向、风速、大气压强和空气能见度；所述现场主观数据包括建筑物的体积、层数和逃生通道数量。
进一步地，所述将消防现场多源异构数据进行预处理的方式包括数据融合标准化处理、数据清洗修复处理和特征提取压缩编码处理；
所述数据融合标准化处理的方式包括：
将消防现场多源异构数据进行时空对准和格式转化，统一到同一数据标准；得到标准融合数据集；
所述数据清洗修复处理的方式包括：
通过预训练完成的基于深度学习的自动异常检测修复模型将标准融合数据集进行修复处理，得到修复数据集；
所述特征提取压缩编码处理的方式包括：
利用预设计完成的特征函数模板从修复数据集中提取特别数据各自对应的关键特征，得到特征集；
采用基于变分自编码器的无监督特征学习模型，从特征集中挖掘出数据的高维隐含特征；即构成特征数据集；
所述特征函数模板的预设计方式包括：
采用微分方程模型提取温度的变化率得到温度变化率；采用时空建模方法提取火焰数据的主导频率成分和空间分布特征，并生成火焰特征向量；将微分方程模型和时空建模方法进行并列集成，得到特征函数模板。
进一步地，所述无监督特征学习模型的获取方式包括：定义变分自编码器的架构；架构包括一个编码器网络和一个解码器网络；并定义无监督特征学习模型的输入数据为，高维隐含特征的向量表示为/>；
编码器网络将输入数据编码为均值向量/>和标准差向量/>，并参数化向量/>的概率分布/>；
其中，；
；
解码器网络将向量解码为与输入数据/>同维度的重构数据/>；
无监督特征学习模型的训练目标是最大化向量对输入数据/>的边际概率分布，通过引入概率分布/>作为其近似；
定义变分下界损失函数；
；
其中，和/>分别为解码器网络和编码器网络的参数；/>为KL散度；/>为观测到输入数据/>的真实概率；/>为高维隐含特征的向量/>的条件下，输入数据/>的对数似然的期望值；
；
其中，为先验高维隐含特征的向量/>的分布；
通过随机小批数据采样，无监督特征学习模型在最大化变分下界损失函数的函数值的同时，端到端训练编码器网络和解码器网络；当无监督特征学习模型的训练收敛后，即得到无监督特征学习模型。
进一步地，所述高维特征向量的构建方式包括：
将特征数据集中的高维隐含特征按照模态索引进行拼接，得到融合特征张量；其中，融合特征张量的维度为所有高维隐含特征的维度之和/>；
将融合特征张量划分为/>个/>维向量块/>，构建完全连接的k近邻图/>；为向量块的索引，向量块/>为k近邻图/>的节点；在k近邻图/>上定义卷积核函数，通过邻居节点的加权求和公式实现特征变换；得到特征映射；
加权求和公式；
其中，为第/>个卷积核在节点/>处的权重，/>为节点/>的邻居节点集；为第/>个卷积核的权重；/>为第/>个卷积核的输出；/>为激活函数；
设置n个并行的卷积核，对每个节点获得n个变换后的特征映射；沿着k近邻图重复m次特征变换；通过堆叠m层特征变换，并在卷积核之间设置残差连接，构建成特征变换模型；经过特征变换模型的非线性变换后，输出的高维特征向量。
进一步地，所述改进长短期记忆网络的预训练方式包括：
定义改进长短期记忆网络的基础架构；基础架构包括输入端、门控循环融合单元、残差多层堆叠结构、多头注意力机制、正则化机制、输出端和分类器；
从消防现场采集的多源异构数据经过预处理得到高维特征向量构成的数据集；将数据集按照时间步长Tt分割成z个序列样本；
对于每个序列样本，人工标注其对应的多模态分类标签；多模态分类标签作为改进长短期记忆网络的监督信号；
将数据集划分为训练集和验证集；训练集用于改进长短期记忆网络训练，验证集用于改进长短期记忆网络选择；
初始化改进长短期记忆网络的参数；并定义损失函数，用于衡量模型输出与标签的差异；选择Adam优化算法，并设置初始的改进长短期记忆网络的学习率；
所述损失函数；
其中，是小批量数据的索引；/>是类别的索引；/>是一个one-hot编码的向量；若第/>个样本属于第/>类，则/>等于1；否则等于0；/>是模型预测第/>个样本属于第/>类的概率输出；
将训练集按批次输入改进长短期记忆网络，前向传播计算损失；根据损失对改进长短期记忆网络的参数进行反向传播求导并更新参数；选择在验证集上损失函数的函数值最小的改进长短期记忆网络，作为预训练完成的改进长短期记忆网络。
进一步地，所述门控循环融合单元包括更新门、重置门、候选状态门和输出门；更新门的更新公式为：
；
其中，为sigmoid函数；/>是时间步/>的更新门向量；/>为更新门对输入/>的权重矩阵；/>为更新门对/>的权重矩阵；/>为时间步/>的输入向量；/>为时间步/>的隐状态向量；/>为更新门的偏置向量；
重置门的重置公式为：
；
其中，是时间步/>的重置门向量；/>是重置门对输入/>的权重矩阵；/>为重置门对/>的权重矩阵；/>为重置门的偏置向量；
候选状态门的候选状态公式为：
；
其中，表示逐元素乘积；/>是时间步/>的候选细胞状态向量；/>为双曲正切激活函数；/>是候选状态门对输入/>的权重矩阵；/>是候选状态对重置门控制的前一隐状态的权重矩阵；/>是候选状态门的偏置向量；
门控循环融合单元的单元状态；
其中，是时间步/>的单元状态（细胞状态向量）；/>是更新门控制保留的前一细胞状态；/>是更新门控制加入的候选细胞状态向量；
输出门的输出公式为：
；
其中，是时间步/>的输出门向量；/>是输出门对输入/>的权重矩阵；/>输出门对/>的权重矩阵；/>是输出门对当前细胞状态向量/>的权重矩阵；/>是输出门的偏置向量。
进一步地，所述残差多层堆叠结构为将门控循环融合单元沿时间和层次两个维度进行多层堆栈；在时间维度上将Tt个时间步的门控循环融合单元串联；在层次维度上，将L层门控循环融合单元层层嵌套；在每两层门控循环融合单元之间，通过残差连接将前一层的输出直接加到后一层的输入上。
进一步地，所述多头注意力机制包括时间注意力头和特征注意力头；所述时间注意力头对输入的每个时间步计算时间注意力权重；
时间注意力权重：
；
其中，为时间注意力头对输入/>的可学习权重矩阵；/>是时间注意力头对隐状态/>的可学习权重矩阵；/>是时间注意力头的可学习偏置向量；/>是时间注意力头的可学习权重向量的转置向量；
所述特征注意力头对输入向量的每个特征维度，计算特征注意力权重；
特征注意力权重：
；
其中，是特征注意力头的可学习权重向量的转置向量；/>是特征注意力头对输入向量/>的可学习权重矩阵；/>是特征注意力头的可学习偏置向量；/>是输入向量在第/>个特征维度上的向量；
正则化机制包括随机失活和层归一化；所述随机失活为在改进长短期记忆网络的输入端、输出端及每两层之间随机断开神经元连接；所述层归一化的计算公式为：
；
其中，是经过归一化处理后的输入向量；/>是输入向量；/>是输入向量的均值；/>是输入向量的标准差；
所述分类器为全连接层和Softmax函数的结合。
进一步地，所述将消防现场多源异构数据和多模态分类结果进行分布式存储管理的方式包括：
构建分布式存储集群，分布式存储集群包括P个存储节点；在每个存储节点上配置网络；将消防现场多源异构数据划分为不同的数据块，将数据块分别存储到不同的存储节点；
存储的方式包括：
按照数据类型对数据进行逻辑划分；定义时间窗口；根据时间窗口对数据进行切分，形成F个数据块；使用一致性哈希算法计算每个数据块的哈希值；根据哈希值映射到对应的存储节点；
设置数据副本数为每个数据块设置Q份副本；Q份副本分别存储到集群中的不同节点上；当任一存储节点发生故障时，从其它存储节点获取数据副本；
根据数据类型建立对应的分区目录；分区内再按时间划分子目录；为每个分区构建时序索引；将多模态分类结果与对应的消防现场多源异构数据关联存储；为每条消防现场多源异构数据生成唯一ID；在元数据中记录多模态分类结果与ID的映射关系。
本发明基于物联网的消防信息智能采集及管理方法的技术效果和优点：
能够从消防现场高效采集多源异构数据，通过数据预处理、融合和特征提取技术，构建高维特征向量，增强了数据的表达能力；利用改进的长短期记忆神经网络，对高维特征向量进行智能分析，可精准获取多模态分类结果，评估消防场景的火灾级别等关键信息；还提供了分布式存储集群，实现对多源异构消防数据和分类结果的高效、可靠的存储和管理；综合运用物联网、大数据等，全面提升了消防信息采集及管理的智能化水平。
附图说明
图1为本发明的基于物联网的消防信息智能采集及管理方法示意图；
图2为本发明的基于物联网的消防信息智能采集及管理系统示意图；
图3为本发明的电子设备示意图。
具体实施方式
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，所描述的实施例仅仅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做出创造性劳动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。
实施例1
请参阅图1所示，本实施例所述基于物联网的消防信息智能采集及管理方法，包括：
S1、采集消防现场多源异构数据；将消防现场多源异构数据进行预处理，得到特征数据集；
S2、将特征数据集进行融合并构建高维特征向量；
S3、利用预训练完成的改进长短期记忆网络将高维特征向量进行处理获取多模态分类结果；
S4、将消防现场多源异构数据和多模态分类结果进行分布式存储管理。
进一步的，所述消防现场多源异构数据包括现场客观数据和现场主观数据；所述现场客观数据包括温度、烟雾浓度、火焰数据、火灾位置坐标和环境数据；其中，环境数据包括风向、风速、大气压强和空气能见度；所述现场主观数据包括建筑物的体积、层数和逃生通道数量。
温度、烟雾浓度和火焰数据通过部署在消防现场的物联网传感器来采集；物联网传感器包括温度传感器、烟雾探测器和光学火焰探测器；光学火焰探测器测量获取光强度和光谱特征；光强度和光谱特征构成火焰数据；
火灾位置坐标通过安装在消防现场的视频监控头获取；具体的，视频监控头获取实时的视频图像，将视频图像通过计算机视觉和图像处理算法进行分析，确定火灾的具体位置坐标，即火灾位置坐标；
环境数据通过部署在消防现场附近的气象站或环境监测设备采集；
建筑物的体积、层数和逃生通道数量等数据从建筑信息模型（BIM）中获取；
需要说明的是，BIM是一种建筑设计、施工和运营管理的数字化技术，BIM包含了建筑物的三维几何信息和各种属性数据；通过对接BIM系统，获取现场主观数据。
在另一个实施例中，通过现场人工记录并输入相关数据；例如，消防员可以使用平板电脑或其他移动设备记录现场建筑的信息。
进一步的，所述将消防现场多源异构数据进行预处理的方式包括数据融合标准化处理、数据清洗修复处理和特征提取压缩编码处理；
所述数据融合标准化处理的方式包括：
将消防现场多源异构数据进行时空对准和格式转化，统一到同一数据标准；得到标准融合数据集；
所述时空对准和格式转化可以理解为时间戳对齐、坐标系统统一、量纲单位统一和数据格式统一；由于不同数据源采集数据的时间可能存在偏差，需要对不同数据源的时间戳进行统一对齐；选择一个统一的时间基准（如UTC时间），将所有数据的时间戳转换到该时间基准上；
由于不同数据源采集数据所使用的坐标系统可能不同，需要将所有坐标数据转换到统一的坐标系统下；选择一个统一的坐标系统，例如，WGS84地理坐标系；将所有坐标数据转换到所选统一坐标系统下；
将所有数据转换到同一量纲单位下；
数据格式统一可以理解为数据结构采用标准化的元数据描述，包括时间戳、坐标信息、数据类型和量纲单位；
通过上述步骤，将来自不同数据源的消防现场异构数据统一到同一数据标准下，为后续的数据处理奠定基础。
所述数据清洗修复处理的方式包括：
通过预训练完成的基于深度学习的自动异常检测修复模型将标准融合数据集进行修复处理，得到修复数据集；
需要说明的是，修复处理为识别并修复标准融合数据集中的脏数据、缺失值和异常值；所述脏数据可以理解为不完整数据、不准确数据、重复数据和不规范数据；不完整数据例如，缺失部分字段或者值为空的数据；不准确数据例如，数据值与实际值不一致，如输入错误、计算错误等；重复数据例如，数据集中存在完全相同的重复记录；不规范数据例如，数据格式或内容不符合预定义规范。
在预训练自动异常检测修复模型的过程中加入联邦学习方法提高异常数据识别和修复的准确性；所述联邦学习方法为利用消防部门的历史数据对自动异常检测修复模型进行增量训练。
进一步的，所述自动异常检测修复模型的预训练方式包括：
从消防部门收集历史数据，历史数据的数据类型同消防现场多源异构数据的数据类型一样；将历史数据进行手动标注，标识出异常值、缺失值和脏数据；将历史数据进行数据融合标准化处理，得到历史标准融合数据集；将历史标准融合数据集划分为检测训练集和检测验证集；
定义自动异常检测修复模型的基础结构；基础结构包括异常检测结构和修复结构；
异常检测结构负责识别数据中的异常值、缺失值和脏数据；修复结构则负责对检测出的异常数据进行修复；
所述异常检测结构包括输入层、嵌入层、编码器和异常分类头；输入层用于接收历史标准融合数据集作为输入；嵌入层用于对输入数据进行嵌入，将不同类型的异构数据（如文本、图像、传感器读数等）映射到统一的向量空间；得到序列；编码器采用多头注意力机制的结构作为编码器，对嵌入后的输入序列进行编码，捕获输入数据中的关键特征；异常分类头用于将编码器的输出通过全连接层映射为异常分数，用于区分正常数据和异常数据。
所述修复结构包括编码器、解码器和修复输出层；修复结构的编码器与异常检测结构共享相同的编码器结构，以获得输入数据的编码表示；解码器采带有注意力机制，以自回归的方式生成修复后的数据；修复输出层用于将解码器的输出映射为修复后的数据。
初始化异常检测结构和修复结构的参数；设置训练的学习率、批量大小以及训练轮数；
从训练集中采样一批数据；将数据输入到异常检测结构；计算异常检测结构的二元交叉熵损失函数的函数值；将数据和对应的函数值输入到修复结构；计算修复模块的序列到序列损失函数的函数值；将两个结构的损失函数加权求和，得到整体损失值；计算整体损失值对各结构的参数的梯度，并使用优化器（如Adam）更新模型参数；
当训练的轮数达到预设的训练轮数时，结束训练得到预训练完成的自动异常检测修复模型；
所述联邦学习方法的过程为将模型分发到多个消防站点；各站点使用本地数据对模型进行训练，生成本地训练模型；将各站点训练得到的本地模型上传到中心服务器；中心服务器对所有上传的本地模型进行模型聚合，得到全局模型；将全局模型分发回各消防站点；重复上述过程，不断更新全局模型，直到模型收敛。
所述特征提取压缩编码处理的方式包括：
利用预设计完成的特征函数模板从修复数据集中提取特别数据各自对应的关键特征，得到特征集；
需要解释的是，特别数据包括温度和火焰数据；特别数据各自对应的关键特征包括：温度对应的关键特征为温度变化率；火焰数据对应的关键特征为火焰颜色直方图。
所述特征函数模板的预设计方式包括：
温度属于一维时间序列，采用微分方程模型提取温度的变化率得到温度变化率；火焰数据同时包含时间维度和空间维度，则采用时空建模方法提取火焰数据的主导频率成分和空间分布特征，并生成火焰特征向量。
具体的，采用微分方程模型提取温度变化率的过程包括：
将温度看作一维时间序列；通过求解微分方程，获得温度变化率/>；离散化一维时间序列，得到时间序列，其中，/>是采样时间间隔；/>是在离散时间点/>处的温度；
利用一阶有限差分近似微分计算初步温度变化率，即微分结果；计算公式为：；其中，/>是在下一个时间点/>处的温度；
设置平滑窗口，一般取小于10的奇数值；利用平滑公式平滑微分结果，用于减小噪声影响；
平滑公式为：；
其中，为平滑后的温度变化率，即温度关于时间的平滑导数；/>为求和索引。
所述火焰颜色直方图的获取方式包括：
将火焰数据作为一组时间序列F(x,y,P)，对每个空间坐标（x,y）位置上的时间序列进行建模；采用小波变换和傅里叶变换方法，提取每个时间序列的主导频率成分；对每个时间步长P，将F(x,y,P）看做一张2D图像；提取2D图像的颜色直方图，即主导频率成分；
将主导频率成分和主导频率成分进行拼接；构成最终的火焰特征向量；
将微分方程模型和时空建模方法进行并列集成，得到特征函数模板。
采用基于变分自编码器的无监督特征学习模型，从特征集中挖掘出数据的高维隐含特征；即构成特征数据集。
所述无监督特征学习模型的获取方式包括：
定义变分自编码器的架构；架构包括一个编码器网络和一个解码器网络；并定义无监督特征学习模型的输入数据为，高维隐含特征的向量表示为/>；
编码器网络将输入数据编码为均值向量/>和标准差向量，并参数化向量/>的概率分布/>；
其中，；/>；
解码器网络将向量解码为与输入数据/>同维度的重构数据/>；
无监督特征学习模型的训练目标是最大化向量对输入数据/>的边际概率分布，通过引入概率分布/>作为其近似；
定义变分下界损失函数；
；
其中，和/>分别为解码器网络和编码器网络的参数；/>为KL散度，用于衡量两个分布间的差异；/>为观测到输入数据/>的真实概率；/>为高维隐含特征的向量/>的条件下，输入数据/>的对数似然的期望值；/>为先验高维隐含特征的向量的分布；
其中，；
通过随机小批数据采样，无监督特征学习模型在最大化变分下界损失函数的函数值的同时，端到端训练编码器网络和解码器网络。
需要说明的是，这种联合训练方式使得编码器网络学会将输入编码为连续分布的高维隐含特征；解码器网络学会从/>重构出原始输入;最小化潜在特征分布/>与真实先验分布/>的KL散度差异；从而使得输出的向量/>即具有统计规律性，又能较完整地保留输入/>的语义信息；
当无监督特征学习模型的训练收敛后，将输入数据通过编码器网络映射为对应的高维隐含特征，即完成了有效的特征提取过程；
上述训练无监督特征学习模型的训练数据为通过在实验环境中模拟消防现场并获取多组实验环境中的消防现场多源异构数据。
进一步的，所述高维特征向量的构建方式包括：
将特征数据集中的高维隐含特征按照模态索引进行拼接，得到融合特征张量；其中，融合特征张量的维度为所有高维隐含特征的维度之和/>；
将融合特征张量划分为/>个/>维向量块/>，构建完全连接的k近邻图/>；为向量块的索引，向量块/>为k近邻图/>的节点；在k近邻图/>上定义卷积核函数，通过邻居节点的加权求和公式实现特征变换；得到特征映射；
加权求和公式；其中，/>为第/>个卷积核在节点/>处的权重，/>为节点/>的邻居节点集；/>为第/>个卷积核的权重；/>为第个卷积核的输出；/>为激活函数；
设置n个并行的卷积核，对每个节点获得n个变换后的特征映射；沿着k近邻图重复m次特征变换；通过堆叠m层特征变换，并在卷积核之间设置残差连接，构建成特征变换模型；经过特征变换模型的非线性变换后，输出的高维特征向量；高维特征向量不仅包含了原始的多维异构特征信息，还增强了高阶统计模式和局部结构模式的表达能力。
需要说明的是，按照模态索引进行拼接可以理解为按照一定的顺序给不同模态编号；例如，温度模态索引为0；烟雾浓度模态索引为1；火焰模态索引为2；然后将高维隐含特征按模态索引的顺序进行拼接；融合特征张量=[1,2,3]；其中，中括号[]表示张量拼接操作；拼接后的融合特征张量包含了温度、烟雾浓度和火焰三种模态的特征信息。
进一步的，所述改进长短期记忆网络的预训练方式包括：
定义改进长短期记忆网络的基础架构；基础架构包括输入端、门控循环融合单元、残差多层堆叠结构、多头注意力机制、正则化机制和输出端；
所述门控循环融合单元包括更新门、重置门、候选状态门和输出门；更新门的更新公式为：；
其中，为sigmoid函数；/>是时间步/>的更新门向量；/>为更新门对输入/>的权重矩阵；/>为更新门对/>的权重矩阵；/>为时间步/>的输入向量；/>为时间步/>的隐状态向量；/>为更新门的偏置向量；
重置门的重置公式为：；
其中，是时间步/>的重置门向量；/>是重置门对输入/>的权重矩阵；/>为重置门对/>的权重矩阵；/>为重置门的偏置向量；
候选状态门的候选状态公式为：；
其中，表示逐元素乘积；/>是时间步/>的候选细胞状态向量；/>为双曲正切激活函数；/>是候选状态门对输入/>的权重矩阵；/>是候选状态对重置门控制的前一隐状态的权重矩阵；/>是候选状态门的偏置向量；
门控循环融合单元的单元状态；其中，/>是时间步/>的单元状态（细胞状态向量）；/>是更新门控制保留的前一细胞状态；/>是更新门控制加入的候选细胞状态向量；
输出门的输出公式为：；其中，/>是时间步/>的输出门向量；/>是输出门对输入/>的权重矩阵；/>输出门对/>的权重矩阵；/>是输出门对当前细胞状态向量/>的权重矩阵；/>是输出门的偏置向量。
需要说明的是，上述的权重矩阵和偏置向量的获取是通过在训练数据上不断迭代优化，使模型能够学习到合理的参数值；
所述残差多层堆叠结构为将门控循环融合单元沿时间和层次两个维度进行多层堆栈；在时间维度上将Tt个时间步的门控循环融合单元串联；在层次维度上，将L层门控循环融合单元层层嵌套；在每两层门控循环融合单元之间，通过残差连接将前一层的输出直接加到后一层的输入上；残差连接能够更好地传递梯度信号，缓解梯度消失问题。
所述多头注意力机制包括时间注意力头和特征注意力头；所述时间注意力头对输入的每个时间步计算时间注意力权重；
时间注意力权重：
；
其中，为时间注意力头对输入/>的可学习权重矩阵；/>是时间注意力头对隐状态/>的可学习权重矩阵；/>是时间注意力头的可学习偏置向量；/>是时间注意力头的可学习权重向量的转置向量。
所述特征注意力头对输入向量的每个特征维度，计算特征注意力权重；
特征注意力权重：；
其中，是特征注意力头的可学习权重向量的转置向量；/>是特征注意力头对输入向量/>的可学习权重矩阵；/>是特征注意力头的可学习偏置向量；/>是输入向量在第/>个特征维度上的向量；
正则化机制包括随机失活和层归一化；所述随机失活为在改进长短期记忆网络的输入端、输出端及每两层之间随机断开神经元连接，抑制网络复杂度；所述层归一化的计算公式为：；其中，/>为是经过归一化处理后的输入向量；/>是输入向量；/>是输入向量的均值；/>为是输入向量的标准差；
在改进长短期记忆网络的输出端接一个分类器；分类器为全连接层和Softmax函数的结合，将改进长短期记忆网络的输出特征映射到多模态分类空间，得到每个模态的概率分布，即为多模态分类结果。
从消防现场采集的多源异构数据经过预处理得到高维特征向量构成的数据集；将数据集按照时间步长Tt分割成z个序列样本；
对于每个序列样本，根据实际消防现场情况，人工标注其对应的多模态分类标签；多模态分类标签作为改进长短期记忆网络的监督信号；
将数据集划分为训练集和验证集；具体的划分比例可根据实际情况而定；训练集用于改进长短期记忆网络训练，验证集用于改进长短期记忆网络选择，测试集用于改进长短期记忆网络评估；
初始化改进长短期记忆网络的参数；并定义损失函数，用于衡量模型输出与标签的差异；选择Adam优化算法，并设置初始的改进长短期记忆网络的学习率；
所述损失函数；其中，/>是小批量数据的索引，一个小批量包含多个样本；/>是类别的索引，对于多分类有多个类别；/>是一个one-hot编码的向量；若第/>个样本属于第/>类，则/>等于1；否则等于0；/>是模型预测第/>个样本属于第/>类的概率输出；
将训练集按批次输入改进长短期记忆网络，前向传播计算损失；根据损失对改进长短期记忆网络的参数进行反向传播求导并更新参数；选择在验证集上损失函数的函数值最小的改进长短期记忆网络，作为预训练完成的改进长短期记忆网络。
进一步的，所述将消防现场多源异构数据和多模态分类结果进行分布式存储管理的方式包括：
构建分布式存储集群，分布式存储集群包括P个存储节点；在每个存储节点上配置网络，确保节点间可以高效通信；将消防现场多源异构数据划分为不同的数据块，将数据块分别存储到不同的存储节点；
存储的方式包括：
按照数据类型对数据进行逻辑划分；定义时间窗口；根据时间窗口（如10秒）对数据进行切分，形成F个数据块；使用一致性哈希算法计算每个数据块的哈希值；根据哈希值映射到对应的存储节点，实现分块存储；
设置数据副本数为每个数据块设置Q份副本；Q份副本分别存储到集群中的不同节点上；当任一存储节点发生故障时，从其它存储节点获取数据副本；
根据数据类型建立对应的分区目录；分区内再按时间划分子目录；为每个分区构建时序索引，加速基于时间的查询；将多模态分类结果与对应的消防现场多源异构数据关联存储；具体的，为每条消防现场多源异构数据生成唯一ID；在元数据中记录多模态分类结果与ID的映射关系。
需要说明的是，元数据不包含实际的消防现场多源异构数据内容，而是提供关于消防现场多源异构数据的附加信息，以方便管理、检索和理解数据；
映射关系的记录方式包括：
创建“分类结果映射表”使用关系型数据库或NoSQL数据库创建一张新的表，命名为“分类结果映射表”分类结果映射表的主要作用是将每条消防现场数据的唯一ID与其对应的多模态分类结果进行关联和存储；分类结果映射表的表结构包含data_id和classification_result的两个主要字段；data_id字段存储每条消防现场数据的唯一ID；classification_result字段存储对应数据的多模态分类结果；对于每条新采集的消防现场数据，都为其生成一个唯一ID；ID可以是递增序列、UUID或由消防现场信息生成的哈希值等唯一标识；当对一条消防现场数据进行处理并得到多模态分类结果时，向"分类结果映射表"中插入一条新记录；记录的格式为：data_id，[唯一数据ID], classification_result，[多模态分类结果]；多模态分类结果可以用JSON或其他结构化格式表示，例如，｛"fire_level":2,"smoke_level":3,...}；当需要查找某条消防现场数据的分类结果时，根据data_id在“分类结果映射表”中查询对应的记录。
本实施例能够从消防现场高效采集多源异构数据，通过数据预处理、融合和特征提取技术，构建高维特征向量，增强了数据的表达能力；利用改进的长短期记忆神经网络，对高维特征向量进行智能分析，可精准获取多模态分类结果，评估消防场景的火灾级别等关键信息；还提供了分布式存储集群，实现对多源异构消防数据和分类结果的高效、可靠的存储和管理；综合运用物联网、大数据等，全面提升了消防信息采集及管理的智能化水平。
实施例2
请参阅图2所示，本实施例未详细叙述部分见实施例1描述内容，提供基于物联网的消防信息智能采集及管理系统包括：采集处理模块，用于采集消防现场多源异构数据；将消防现场多源异构数据进行预处理，得到特征数据集；
向量构建模块，用于将特征数据集进行融合并构建高维特征向量；
分类结果获取模块，用于利用预训练完成的改进长短期记忆网络将高维特征向量进行处理获取多模态分类结果；
存储管理模块，用于将消防现场多源异构数据和多模态分类结果进行分布式存储管理；各个模块之间通过有线和/或无线的方式进行连接，实现模块间的数据传输。
实施例3
请参阅图3所示，本实施例公开提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所提供的所述基于物联网的消防信息智能采集及管理方法的运行方式。
由于本实施例所介绍的电子设备为实施本申请实施例中基于物联网的消防信息智能采集及管理方法所采用的电子设备，故而基于本申请实施例中所介绍的基于物联网的消防信息智能采集及管理方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中基于物联网的消防信息智能采集及管理方法所采用的电子设备，都属于本申请所欲保护的范围。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术用户来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.基于物联网的消防信息智能采集及管理方法，其特征在于，包括：
S1、采集消防现场多源异构数据；将消防现场多源异构数据进行预处理，得到特征数据集；
S2、将特征数据集进行融合并构建高维特征向量；
S3、利用预训练完成的改进长短期记忆网络将高维特征向量进行处理获取多模态分类结果；
S4、将消防现场多源异构数据和多模态分类结果进行分布式存储管理；
所述高维特征向量的构建方式包括：
将特征数据集中的高维隐含特征按照模态索引进行拼接，得到融合特征张量；其中，融合特征张量的维度为所有高维隐含特征的维度之和/>；
将融合特征张量划分为/>个/>维向量块/>，构建完全连接的k近邻图/>；/>为向量块的索引，向量块/>为k近邻图/>的节点；在k近邻图/>上定义卷积核函数，通过邻居节点的加权求和公式实现特征变换；得到特征映射；
加权求和公式；
其中，为第/>个卷积核在节点/>处的权重，/>为节点/>的邻居节点集；/>为第个卷积核的权重；/>为第/>个卷积核的输出；/>为激活函数；
设置n个并行的卷积核，对每个节点获得n个变换后的特征映射；沿着k近邻图重复m次特征变换；通过堆叠m层特征变换，并在卷积核之间设置残差连接，构建成特征变换模型；经过特征变换模型的非线性变换后，输出的高维特征向量；
所述改进长短期记忆网络的预训练方式包括：
定义改进长短期记忆网络的基础架构；基础架构包括输入端、门控循环融合单元、残差多层堆叠结构、多头注意力机制、正则化机制、输出端和分类器；
从消防现场采集的多源异构数据经过预处理得到高维特征向量构成的数据集；将数据集按照时间步长Tt分割成z个序列样本；
对于每个序列样本，人工标注其对应的多模态分类标签；多模态分类标签作为改进长短期记忆网络的监督信号；
将数据集划分为训练集和验证集；训练集用于改进长短期记忆网络训练，验证集用于改进长短期记忆网络选择；
初始化改进长短期记忆网络的参数；并定义损失函数，用于衡量模型输出与标签的差异；选择Adam优化算法，并设置初始的改进长短期记忆网络的学习率；
所述损失函数；其中，/>是小批量数据的索引；/>是类别的索引；/>是一个one-hot编码的向量；若第/>个样本属于第/>类，则/>等于1；否则等于0；是模型预测第/>个样本属于第/>类的概率输出；
将训练集按批次输入改进长短期记忆网络，前向传播计算损失；根据损失对改进长短期记忆网络的参数进行反向传播求导并更新参数；选择在验证集上损失函数的函数值最小的改进长短期记忆网络，作为预训练完成的改进长短期记忆网络；
所述门控循环融合单元包括更新门、重置门、候选状态门和输出门；更新门的更新公式为：
；
其中，为sigmoid函数；/>是时间步/>的更新门向量；/>为更新门对输入/>的权重矩阵；/>为更新门对/>的权重矩阵；/>为时间步/>的输入向量；/>为时间步/>的隐状态向量；/>为更新门的偏置向量；
重置门的重置公式为：；
其中，是时间步/>的重置门向量；/>是重置门对输入/>的权重矩阵；/>为重置门对的权重矩阵；/>为重置门的偏置向量；
候选状态门的候选状态公式为：；
其中，表示逐元素乘积；/>是时间步/>的候选细胞状态向量；/>为双曲正切激活函数；/>是候选状态门对输入/>的权重矩阵；/>是候选状态对重置门控制的前一隐状态的权重矩阵；/>是候选状态门的偏置向量；
门控循环融合单元的单元状态；其中，/>是时间步/>的单元状态（细胞状态向量）；/>是更新门控制保留的前一细胞状态；/>是更新门控制加入的候选细胞状态向量；
输出门的输出公式为：；其中，/>是时间步/>的输出门向量；/>是输出门对输入/>的权重矩阵；/>输出门对/>的权重矩阵；/>是输出门对当前细胞状态向量/>的权重矩阵；/>是输出门的偏置向量；
所述残差多层堆叠结构为将门控循环融合单元沿时间和层次两个维度进行多层堆栈；在时间维度上将Tt个时间步的门控循环融合单元串联；在层次维度上，将L层门控循环融合单元层层嵌套；在每两层门控循环融合单元之间，通过残差连接将前一层的输出直接加到后一层的输入上；
所述多头注意力机制包括时间注意力头和特征注意力头；所述时间注意力头对输入的每个时间步计算时间注意力权重；
时间注意力权重：
；其中，/>为时间注意力头对输入的可学习权重矩阵；/>是时间注意力头对隐状态/>的可学习权重矩阵；/>是时间注意力头的可学习偏置向量；/>是时间注意力头的可学习权重向量的转置向量；
所述特征注意力头对输入向量的每个特征维度，计算特征注意力权重；
特征注意力权重：；其中，/>是特征注意力头的可学习权重向量的转置向量；/>是特征注意力头对输入向量/>的可学习权重矩阵；是特征注意力头的可学习偏置向量；/>是输入向量在第/>个特征维度上的向量；
正则化机制包括随机失活和层归一化；所述随机失活为在改进长短期记忆网络的输入端、输出端及每两层之间随机断开神经元连接；所述层归一化的计算公式为：；其中，/>是经过归一化处理后的输入向量；/>是输入向量；/>是输入向量的均值；/>是输入向量的标准差；
所述分类器为全连接层和Softmax函数的结合；
所述将消防现场多源异构数据和多模态分类结果进行分布式存储管理的方式包括：
构建分布式存储集群，分布式存储集群包括P个存储节点；在每个存储节点上配置网络；将消防现场多源异构数据划分为不同的数据块，将数据块分别存储到不同的存储节点；
存储的方式包括：
按照数据类型对数据进行逻辑划分；定义时间窗口；根据时间窗口对数据进行切分，形成F个数据块；使用一致性哈希算法计算每个数据块的哈希值；根据哈希值映射到对应的存储节点；
设置数据副本数为每个数据块设置Q份副本；Q份副本分别存储到集群中的不同节点上；当任一存储节点发生故障时，从其它存储节点获取数据副本；
根据数据类型建立对应的分区目录；分区内再按时间划分子目录；为每个分区构建时序索引；将多模态分类结果与对应的消防现场多源异构数据关联存储；为每条消防现场多源异构数据生成唯一ID；在元数据中记录多模态分类结果与ID的映射关系。
2.根据权利要求1所述的基于物联网的消防信息智能采集及管理方法，其特征在于，所述消防现场多源异构数据包括现场客观数据和现场主观数据；所述现场客观数据包括温度、烟雾浓度、火焰数据、火灾位置坐标和环境数据；其中，环境数据包括风向、风速、大气压强和空气能见度；所述现场主观数据包括建筑物的体积、层数和逃生通道数量。
3.根据权利要求2所述的基于物联网的消防信息智能采集及管理方法，其特征在于，所述将消防现场多源异构数据进行预处理的方式包括数据融合标准化处理、数据清洗修复处理和特征提取压缩编码处理；
所述数据融合标准化处理的方式包括：
将消防现场多源异构数据进行时空对准和格式转化，统一到同一数据标准；得到标准融合数据集；
所述数据清洗修复处理的方式包括：
通过预训练完成的基于深度学习的自动异常检测修复模型将标准融合数据集进行修复处理，得到修复数据集；
所述特征提取压缩编码处理的方式包括：
利用预设计完成的特征函数模板从修复数据集中提取特别数据各自对应的关键特征，得到特征集；
采用基于变分自编码器的无监督特征学习模型，从特征集中挖掘出数据的高维隐含特征；即构成特征数据集；
所述特征函数模板的预设计方式包括：
采用微分方程模型提取温度的变化率得到温度变化率；采用时空建模方法提取火焰数据的主导频率成分和空间分布特征，并生成火焰特征向量；将微分方程模型和时空建模方法进行并列集成，得到特征函数模板。
4.根据权利要求3所述的基于物联网的消防信息智能采集及管理方法，其特征在于，所述无监督特征学习模型的获取方式包括：
定义变分自编码器的架构；架构包括一个编码器网络和一个解码器网络；并定义无监督特征学习模型的输入数据为，高维隐含特征的向量表示为/>；
编码器网络将输入数据编码为均值向量/>和标准差向量/>，并参数化向量/>的概率分布/>；
其中，；/>；
解码器网络将向量解码为与输入数据/>同维度的重构数据/>；
无监督特征学习模型的训练目标是最大化向量对输入数据/>的边际概率分布/>，通过引入概率分布/>作为其近似；
定义变分下界损失函数；
；
其中，和/>分别为解码器网络和编码器网络的参数；/>为KL散度；/>为观测到输入数据/>的真实概率；/>为高维隐含特征的向量/>的条件下，输入数据/>的对数似然的期望值；
；其中，
为先验高维隐含特征的向量/>的分布；
通过随机小批数据采样，无监督特征学习模型在最大化变分下界损失函数的函数值的同时，端到端训练编码器网络和解码器网络；当无监督特征学习模型的训练收敛后，即得到无监督特征学习模型。
CN202410244485.2A 2024-03-05 2024-03-05 基于物联网的消防信息智能采集及管理方法 Active CN117828280B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410244485.2A CN117828280B (zh) 2024-03-05 2024-03-05 基于物联网的消防信息智能采集及管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410244485.2A CN117828280B (zh) 2024-03-05 2024-03-05 基于物联网的消防信息智能采集及管理方法

Publications (2)

Publication Number Publication Date
CN117828280A CN117828280A (zh) 2024-04-05
CN117828280B true CN117828280B (zh) 2024-06-07

Family

ID=90519300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410244485.2A Active CN117828280B (zh) 2024-03-05 2024-03-05 基于物联网的消防信息智能采集及管理方法

Country Status (1)

Country Link
CN (1) CN117828280B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118714531A (zh) * 2024-08-28 2024-09-27 福建茂荣睿智信息科技有限公司 一种基于NB-iot消防物联网报警数据采集及冗余数据处理装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801404A (zh) * 2021-02-14 2021-05-14 北京工业大学 一种基于自适应空间自注意力图卷积的交通预测方法
CN113282821A (zh) * 2021-04-25 2021-08-20 国电南瑞科技股份有限公司 基于高维会话数据融合的智能应用预测方法、装置及系统
CN113569928A (zh) * 2021-07-13 2021-10-29 湖南工业大学 一种列车运行状态检测数据缺失处理模型及重建的方法
WO2022227913A1 (zh) * 2021-04-25 2022-11-03 浙江师范大学 一种基于物联网感知的双特征融合的语义分割系统及方法
CN116611013A (zh) * 2023-04-14 2023-08-18 西安电子科技大学青岛计算技术研究院 针对工业时序数据的异常检测以及根因分析方法及系统
CN116758469A (zh) * 2023-05-24 2023-09-15 中国电子科技集团公司第二十八研究所 一种人群异常情况和单人运动状态检测方法
CN116955945A (zh) * 2023-06-27 2023-10-27 中国人民解放军战略支援部队信息工程大学 一种基于Transformer_LSTM的船舶异常检测方法
CN117235489A (zh) * 2022-12-26 2023-12-15 西安交通大学 传动系统多源监测数据的图变分自编码特征提取方法
CN117319451A (zh) * 2023-11-28 2023-12-29 爱瑞克(大连)安全技术集团有限公司 基于多模态大数据的城市级消防物联网监管系统及其方法
CN117611925A (zh) * 2024-01-22 2024-02-27 巢湖学院 基于图神经网络与卷积网络的多源遥感图像分类方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200279156A1 (en) * 2017-10-09 2020-09-03 Intel Corporation Feature fusion for multi-modal machine learning analysis
US11238277B2 (en) * 2019-06-16 2022-02-01 Way2Vat Ltd. Systems and methods for document image analysis with cardinal graph convolutional networks
US20240016456A1 (en) * 2020-11-03 2024-01-18 Sri International Longitudinal datasets and machine learning models for menopause state and anomaly predictions

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801404A (zh) * 2021-02-14 2021-05-14 北京工业大学 一种基于自适应空间自注意力图卷积的交通预测方法
CN113282821A (zh) * 2021-04-25 2021-08-20 国电南瑞科技股份有限公司 基于高维会话数据融合的智能应用预测方法、装置及系统
WO2022227913A1 (zh) * 2021-04-25 2022-11-03 浙江师范大学 一种基于物联网感知的双特征融合的语义分割系统及方法
CN113569928A (zh) * 2021-07-13 2021-10-29 湖南工业大学 一种列车运行状态检测数据缺失处理模型及重建的方法
CN117235489A (zh) * 2022-12-26 2023-12-15 西安交通大学 传动系统多源监测数据的图变分自编码特征提取方法
CN116611013A (zh) * 2023-04-14 2023-08-18 西安电子科技大学青岛计算技术研究院 针对工业时序数据的异常检测以及根因分析方法及系统
CN116758469A (zh) * 2023-05-24 2023-09-15 中国电子科技集团公司第二十八研究所 一种人群异常情况和单人运动状态检测方法
CN116955945A (zh) * 2023-06-27 2023-10-27 中国人民解放军战略支援部队信息工程大学 一种基于Transformer_LSTM的船舶异常检测方法
CN117319451A (zh) * 2023-11-28 2023-12-29 爱瑞克(大连)安全技术集团有限公司 基于多模态大数据的城市级消防物联网监管系统及其方法
CN117611925A (zh) * 2024-01-22 2024-02-27 巢湖学院 基于图神经网络与卷积网络的多源遥感图像分类方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Auto-Encoding Variational Bayes;Diederik P. Kingma等;《arXiv:1312.6114v11》;20221210;1-14 *
一种基于LSTM自动编码机的工业系统异常检测方法;沈潇军;葛亚男;沈志豪;倪阳旦;吕明琪;翁正秋;;电信科学(第07期);140-149 *
变分自编码器（VAE）直观理解 and 数学推导;琦子K;《CSDN》;20220223;1-7 *
变分自编码器_变分自编码器论文-CSDN博客;夜半罟霖;《CSDN》;20220825;1-11 *
基于多源异构信息迁移学习的融合故障诊断方法;陈丹敏;周福娜;王清贤;;信息工程大学学报;20200415(第02期);29-34 *

Also Published As

Publication number Publication date
CN117828280A (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN113779272B (zh) 基于知识图谱的数据处理方法、装置、设备及存储介质
CN117828280B (zh) 基于物联网的消防信息智能采集及管理方法
Sayed et al. From time-series to 2d images for building occupancy prediction using deep transfer learning
CN116610816A (zh) 一种基于图卷积神经网络的人员画像知识图谱分析方法及系统
CN117235524A (zh) 自动估值模型的学习训练平台
CN117093919B (zh) 基于深度学习的岩土工程地质灾害预测方法及系统
CN116975256B (zh) 抽水蓄能电站地下厂房施工过程多源信息的处理方法及系统
CN115775116B (zh) 基于bim的路桥工程管理方法及系统
CN111326236A (zh) 一种医疗图像自动处理系统
Bozcan et al. Gridnet: Image-agnostic conditional anomaly detection for indoor surveillance
CN117314006A (zh) 一种智能化数据分析方法及系统
CN117591813B (zh) 基于多维特征的复杂装备故障诊断方法及系统
CN115658952A (zh) 基于人工智能和智能家居的参考信息生成系统及方法
CN117011577A (zh) 图像分类方法、装置、计算机设备和存储介质
CN116257786A (zh) 一种基于多元时序图结构的异步时间序列分类方法
CN115757365A (zh) 多维时序数据异常检测方法、模型训练方法及装置
Chen et al. LPR‐MLP: A Novel Health Prediction Model for Transmission Lines in Grid Sensor Networks
CN113487374A (zh) 一种基于5g网络的区块电商平台交易系统
CN118094112B (zh) 灌溉数据同化方法、装置、电子设备及存储介质
CN118098443B (zh) 一种红外气体传感器在线升级系统及方法
CN114863356B (zh) 一种基于残差聚合图网络的群体活动识别方法及系统
CN118538036B (zh) 一种基于深度学习方法的交通流短期预测方法及设备
CN118447459B (zh) 基于深度学习的滑坡堆积体监控方法及系统
CN118349877B (zh) 基于机器学习的车联网数据分析方法及其相关装置
CN118504847B (zh) 基于数字孪生技术的智慧梁场管理方法及系统

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