CN1529291A - 森林火灾智能监测报警装置 - Google Patents
森林火灾智能监测报警装置 Download PDFInfo
- Publication number
- CN1529291A CN1529291A CNA2003101117936A CN200310111793A CN1529291A CN 1529291 A CN1529291 A CN 1529291A CN A2003101117936 A CNA2003101117936 A CN A2003101117936A CN 200310111793 A CN200310111793 A CN 200310111793A CN 1529291 A CN1529291 A CN 1529291A
- Authority
- CN
- China
- Prior art keywords
- fire
- signal
- alarm
- forest
- forest fire
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
Abstract
本发明涉及一种森林火灾智能监测报警装置,包括:火灾信号探测器,用于现场探测火灾信号;信号传递装置,用于将火灾信号探测器探测到火灾信号输入到火灾数据库及管理装置;火灾数据库及管理装置,对数据进行处理,再将物理量信号的变化过程经信号传递装置传送给火灾报警控制器;火灾报警控制器,将这种信号变化历程与参照模式进行相互比较,做出火灾是否发生的判断,再根据这种判断决定是否给出火灾警报信号;火灾警报装置,火灾警报信号经数模转换器传给火灾警报装置发出警报;本发明运用计算机系统、模糊理论和人工神经网络技术辅助森林火灾智能监测报警装置进行实时处理,反应速度快,具有高度容错性,能准确及时监测、预报森林火灾。
Description
技术领域
本发明涉及一种森林火灾监测报警装置,更具体地说,是一种基于混沌理论研究所建立的林火模型,与模糊理论和人工神经网络技术相结合,具有自学习功能的森林火灾智能监测报警装置。
背景技术
传统的火灾报警装置,其构成是:由感应元件探测到有关火灾的温度、浓度、光度、音度等物理信号;经过中间传递、放大元件,将物理信号转化为电信号;再将电信号传送给区域或中心控制站,并给出指令,启动灭火装置。这种方法是基于火灾表现为时空上失控的燃烧现象,燃烧时会产生火焰、噪音、燃烧产物和大量的热。这种自动发出火警信号、自动启动灭火装置的火警装置,过去往往因为它具有一定的自动化程度,而被认为是智能火警。其实,智能火警关键问题在于,控制站决定是否发出火警的判断方法和依据不是机械式的比较,而是具有人工智能的判断。如果是根据与设定的某一阈值(恒定型)或阈值区域(浮动型)的比较,那么,这种阈值法仍然是机械式的,它通过设定一个(或多个)判断阈值,一旦所探测的火灾物理信号超过该阈值,就发出火灾报警。中国专利号为CN1348156A,专利名称为“火灾自动报警及火警人工智能调度系统”在需要监控的场所设置传感器,传感器的信号经单片机传给监控系统。上述系统主要运用传感器来传递信号,经过中间传递、放大元件,将物理信号转化为电信号;再将电信号传送给监控系统,监控系统输出信号给消防站。显然,这是一种机械式的阈值法系统。实质上,燃烧并不等于火灾。例如,某处森林局部突然受热,或有多人在一小空间内抽烟,产生大量的烟雾,这一般是不会形成火灾的,阈值法在这时可能会产生误报警。再如,因森林的阴燃,在短时期内可能感受不到热、烟,但一旦感受到,则已形成难以控制的火灾,阈值法在这时则可能会产生漏报警。因此,阈值法报警装置尽管较为简便,但很大程度上依赖于传感器的灵敏度,且易受偶尔出现的其它信号的干扰,误报、漏报报警率较高。
发明内容
本发明的目的是克服现有火灾报警装置理论基础不完善、智能化程度不高、误报、漏报率较高的缺点,提供一种新型的森林火灾智能监测报警装置,其传递的是火灾信号的变化过程,而不是传统的阈值法,该信号变化过程与本发明所建立的森林火灾参照模式对比,做出火灾报警的判断,同时将装置每一次所做出的火灾灾情判断和火警准确率反馈回森林火灾数据库,人工神经网络技术将反馈的数据进行自学习,使装置具有自学习功能;提高森林火灾预测预报火警的准确性和及时性。
本发明的森林火灾智能监测报警装置,包括:
火灾信号探测器,用于现场探测火灾信号;
信号传递装置,用于将火灾信号探测器探测到火灾信号输入到火灾数据库及管理装置;
火灾数据库及管理装置,对数据进行录入、处理和管理,再将物理量信号的变化过程经信号传递装置传送给火灾报警控制器;
火灾报警控制器,将这种信号变化历程与森林火灾数据库及管理装置事先储存的,由模型实验、数值计算、人工神经网络技术自学习或现场调研得到的参照模式进行相互比较,做出火灾是否发生的判断,再根据这种判断决定是否给出火灾警报信号;
火灾警报装置,火灾警报信号经数模转换器传给火灾警报装置发出警报;
所述森林火灾数据库及管理装置是计算机。
还包括:
手动火灾报警按钮,用于人为地对火灾报警控制器做出反应使警报有效地实施。
所述火灾警报装置每一次所做出的火灾灾情判断记录和火警准确率经模数转换器反馈回森林火灾数据库及管理装置,经人工神经网络技术将反馈的数据进行自学习,不断修正样本集和判别规则。
由二总线原理将所有火灾信号探测器连接,将总线接到模数转换器,经模数转换器把信号输入森林火灾数据库及管理装置,经运行处理后的信号输入火灾报警控制器,进行森林火灾模式对比,做出火警判断,信号经数模转换器传递给火灾警报装置发出火灾警报信号。
警报装置经模数转换器与森林火灾数据库及管理装置连接,将每一次火灾报警控制器所做出的火灾灾情判断和火警准确率经模数转换器人工和自动控制反馈回森林火灾数据库。
所述森林火灾信号探测器包括烟气探测器、热带植被类型探测器、温度探测器、气象因子探测器、地形条件探测器,其中一种或一种以上装置器同时使用。
所述的森林火灾数据库及管理装置通过计算机来实现,数据库存储有大量关于热带植被类型、气象因子、地形条件、火灾发生记录、热带森林可燃物成分、热解特性、着火特性、燃烧特性等数据和森林火灾模型,该数据库管理装置具有基于模糊理论和人工神经网络训练的热带森林火灾参照模式,同时具有查询、数据分析、知识发现的功能。
所述的模数和数模转换器所传递的是探测器物理量信号变化过程,而不是离散的信号,将其物理量信号变化过程与森林火灾参照模式对比后做出火灾判断。
所述的森林火灾模型算法包括基于非线性的可燃物热解模型,基于突变论的森林可燃物的轰燃模型和林火蔓延模型,基于混沌学和耦合映象格子的火灾烟气运动湍流模型,基于虫口方程的林火蔓延、发展模型。
所述的基于模糊理论和人工神经网络所训练的森林火灾参照模式是通过森林火灾数据库得到关于林火的样本集,并由人工神经网络技术进行模拟训练得到,并结合模糊理论,确定了火灾判别规则和参照模式。
所述的数据分析、知识发现的功能有知识发现的过程,将每一次火灾报警控制器所做出的火灾灾情判断和火警准确率经模数转换器反馈回森林火灾数据库,人工神经网络技术将反馈的数据进行自学习和对数据进行知识发现(KDD),不断修正样本集和判别规则,进而完善森林火灾参照模式;最后反馈回来的数据存放在火灾数据库中,作为以后森林火灾的判别数据基础。
所述火灾报警控制器为智能型报警器。
本发明与现有方法技术相比的优点是:
(1)引入非线性动力学对森林火灾机理进行基础理论研究所得到的林火模型,对火灾的复杂性和不确定性有了定量的计算,对森林火灾的监测报警具有强有力的理论基础,大大增强了森林火灾样本集的可靠性和科学性;
(2)运用人工神经网络技术,能模拟复杂的森林火灾模型,输出有界的非线性映射,以构成描述森林火灾的非线性模型,具有高度容错性;
(3)本森林火灾智能监测报警装置实现与计算机系统并行处理,运行速度快,反应时间短;
(4)本装置所建立的森林火灾数据库及其管理装置和数据挖掘系统,具有较好的自学习能力,成为智能森林火灾监测报警装置,提高森林火灾预测预报火警的准确性和及时性。
附图说明
图1是本发明森林火灾智能监测报警装置的结构示意图;
图2是本发明森林火灾智能监测报警装置的原理示意图;
图3是图2所示森林火灾智能监测报警装置的知识发现KDD系统模型结构图;
图4是图2所示森林火灾智能监测报警装置的火灾数据库中知识发现的处理过程示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细的说明,但本发明的
实施方式不限于此。
下面结合附图与具体实施方式对本发明作进一步详细描述:
附图1和2表示了本发明实施方式。本发明开发的森林火灾智能监测报警装置,把现场探测和调查得到的热带植被类型、气象因子、地形条件、火灾发生记录等数据1经模数转换器把信号输入森林火灾数据库及管理装置2,经森林火灾数据库及管理装置2运行处理,再将物理量信号的变化过程3经信号传递装置传送给火灾报警控制器4,火灾报警控制器4将这种信号变化历程与森林火灾数据库及管理装置2事先储存的,由模型实验、数值计算、人工神经网络技术自学习或现场调研得到的参照模式7进行相互比较,做出火灾是否发生的判断,再根据这种判断决定是否给出火灾警报信号,信号经数模转换器传给火灾警报装置发出火灾警报信号,通过手动火灾报警按钮5人为地对火灾报警控制器4做出反应使警报有效地实施,同时对警报装置8每一次所做出的火灾灾情判断记录和火警准确率经模数转换器反馈回森林火灾数据库及管理装置2,经人工神经网络技术将反馈的数据进行自学习,不断修正样本集和判别规则,进而完善森林火灾参照模式7,提高森林火灾预测预报火警的准确性。
下面对本发明的森林火灾数据库及管理装置作进一步说明。
森林火灾数据库的形成过程如下:火灾是一门涉及燃烧、传热、流动、传感、自控、气候、气象、森林(或建筑、矿井、坑道)等多学科的交叉学科。首先必须掌握有关可燃物的热解动力学规律、挥发分组分与燃烧特性、固定碳着火与燃烧燃烬特性、火焰传播速度;然后建立可燃物轰燃是否发生和火灾是否持续、发展的判断模型;预测燃烧产物的扩散、流动、填充规律;最终构造考虑各种相关因素的火灾预测、预报模型。火灾过程包括:热源的产生;可燃物被对流、辐射或热传导加热,可燃物热解;挥发分在空气中扩散混合;挥发分轰燃;固定碳着火、燃烧、燃烬,热对流产生、发展,烟气运动;火灾蔓延,大规模火灾形成、发展。火灾的复杂性在于它是一个受多种因素影响的,带化学反应的湍流流动,而湍流本身就是一个强烈的非线性过程,难以用经典流体力学的方法得到其确定解;同时热解、燃烧产物的扩散、流动以及燃烧过程中的许多特征和火灾蔓延时的特殊火行为,具有很强的非线性特性。运用非线性动力学模型来研究和描述森林火灾的非线性复杂性行为,经过对火灾的发生、蔓延发展机理的深入研究,作为人工神经网络训练所需的可靠样本集的基础。本发明人对以下林火模型的研究作为本发及其人工神经网络预测明的理论研究基础:基于质能守恒的森林火灾能量变化规律分析;基于传热分析的林火蔓延特性研究;基于突变论的林火蔓延分析;温度场的非线性模型及其人工神经网络预测;基于混沌理论的烟气羽流的混沌特性分析;热带森林可燃物的轰燃模型;基于耦合映象格子模型的烟气羽流模型;热带森林火灾产生的特点分析;基于虫口模型的林火蔓延分析。经过获取大量关于热带植被类型、气象因子、地形条件、火灾发生记录等数据进行火灾的自组织临界性行为的研究;按植物的分科和建筑材料的分类,选择若干种热带典型的可燃物,进行热解、燃烧实验,导出可燃物热解反应动力学规律。建立轰燃预测模型,导出轰燃的热力条件。通过对典型条件和对象的实验,深入的燃烧机理分析,及基于尖点突变模型、Logistic差分模型、耦合映象格子模型的数学物理模拟和数值模拟,来揭示和描述森林火灾发生、发展的特点和规律。
本发明的森林火灾参照模式7的生成过程如下:
火灾现象具有多变性。火灾形成、发展过程中,各物理量在总体上表现出一定的规律性,而某一物理量或多个物理量的瞬时值却往往表现出一定的随机性,具有不确定性。不同森林的几何坡度、可燃物的热解燃烧特性及干燥程度、热源的产生和强度、空气的湿度与温度、风力与风向等多种因素都影响到火灾的产生与发展。这样,实际探测到的信号往往难以和给出模式完全吻合,这就要求模式识别过程具有较强的模糊类比、识别和容错能力。模糊理论、人工神经网络具有样本自学习能力、高容错性,是实现复杂模式分类与辩识的有效工具。人在认识和处理事物时,所使用的逻辑往往不是绝对的“是”与“非”的二值逻辑,即,判别一个事件对于某一范畴的从属程度,不是绝对的“1”,也不是绝对的“0”,而常常是界于“1”与“0”之间,这正是模糊逻辑——连续多值逻辑的特征。人工神经网络技术,是目前世界上最突出的智能化理论,其自适应、自学习的功能能够很好地模拟非线性系统的特征。将模糊逻辑理论、人工神经网络与上述的火灾理论、火灾基础数据等有机结合,形成真正的智能火警技术。由探测器、调研、实验、理论计算得到了关于林火的样本集,通过该样本集利用人工神经网络技术进行训练,形成具有样本自学习能力、高容错性、实现复杂模式分类与辩识的高效的森林火灾智能监测报警装置。
本发明应用人工神经网络来训练以上所述林火模型。设计选用了含隐层的ANN结构,输入变量为经过预处理每一模型的控制变量。设计中根据可燃物的燃烧特性选择了非线性关联较复杂的可燃物作为研究对象,通过试探法来选择隐含层节点数。神经网络的训练采用改进后的误差反向传播算法(BP),采用了动态调整步长的加速技术。改进后的BP算法多数情况下能有效跳出局部极小点,而且其训练过程的饱和也是判断是否达到网络容量极限的一个有效指标。采用上述方法最终选定了三层和四层前馈神经网络模型。
至此通过对火灾机理的基础研究、实验室实验、现场调研以及数值模拟,积累起有关火灾的基础数据,并由探测器、调研、实验、理论计算得到了关于林火的样本集,通过该样本集应用人工神经网络技术进行训练,并建立森林火灾数据库及管理装置2;提取火灾信号特征值,构成人工智能训练得到的判别规则和参照模式7;本发明人根据实际实验得出了预期可靠的监测报警效果。
下面结合图3和图4对本发明的森林火灾数据库中知识发现过程作进一步说明。
附图3为知识发现KDD系统的结构图,本发明人将研究火灾所得的有关数据建立火灾数据库DBF,把火灾数据库DBF在数据库管理系统DBMS进行处理,使火灾数据库可以与用户界面进行人机对话,用户界面通过计算机发出指令给KDD模块和DM模块,数据库管理系统DBMS和KDD模块以及DM模块相互进行知识发现过程。本发明人运用附图4的原理把火灾的有关数据进行知识发现,获得可靠的容错性高的判别规则。通过用户界面一方面从火灾数据库中筛选出判断火灾发生与否的目标数据,另一方面确定KDD目标,确定定KDD系统算法。定KDD系统算法对火灾目标数据进行数据挖掘,对挖掘数据进行模式解释和知识评价,得到发现的知识,进行知识应用之后又收集新的数据,将新收集到的数据反馈到火灾数据库,对火灾数据库进行补充和完善。
综上所述,本发明的森林火灾监测报警装置的实现步骤如下:将探测器现场探测和调查得到的植被类型、气象因子、地形条件、火灾发生记录等数据1经模数转换器把信号输入森林火灾数据库及管理装置2,再将物理量信号变化过程3经信号传递装置传送给火灾报警控制器4,物理量信号变化过程3与本发明系统建立的森林火灾参照模式7进行对比,对比之后得到对森林火灾灾情的预测情况,做出森林火灾是否发生的判断,再根据这种判断决定是否给出火灾报警信号,判断有火警信号之后,将火警信号经数模转换器传递给警报系统8、9、10、11、12,消防机构收到火警后开展扑救林火的工作。通过手动火灾报警按钮5人为地对火灾报警控制器4做出反应使警报有效地实施,对装置每一次所做出的火灾灾情判断8和火警准确率经模数转换器反馈回森林火灾数据库及管理装置2,人工神经网络技术将反馈的数据进行自学习,不断修正样本集和判别规则,进而完善森林火灾参照模式7;最后反馈回来的数据存放在火灾数据库2中,作为以后森林火灾判别的基础数据。本发明运用火灾非线性机理、模糊理论和人工神经网络技术相结合建立起的森林火灾数据库,具有自学习的能力和知识发现的过程,获得可靠的容错性高的训练样本集和判别规则,能不断自我补充和完善,有助于林火的机理研究和提高火警智能化的程度,大大提高森林火灾火警的准确性、及时性和可靠性。
Claims (3)
1、一种森林火灾智能监测报警装置,包括:
火灾信号探测器,用于现场探测火灾信号;
信号传递装置,用于将火灾信号探测器探测到火灾信号输入到火灾数据库及管理装置;
火灾数据库及管理装置,对数据进行录入、处理和管理,再将物理量信号的变化过程经信号传递装置传送给火灾报警控制器;
火灾报警控制器,将这种信号变化历程与森林火灾数据库及管理装置事先储存的,由模型实验、数值计算、人工神经网络技术自学习或现场调研得到的参照模式进行相互比较,做出火灾是否发生的判断,再根据这种判断决定是否给出火灾警报信号;
火灾警报装置,火灾警报信号经数模转换器传给火灾警报装置发出警报;
所述森林火灾数据库及管理装置是计算机。
2、根据权利要求1所述的森林火灾智能监测报警装置,其特征在于还包括手动火灾报警按钮,用于人为地对火灾报警控制器做出反应使警报有效地实施。
3、根据权利要求1或2所述的森林火灾智能监测报警装置,其特征在于所述火灾警报装置警报装置每一次所做出的火灾灾情判断记录和火警准确率经模数转换器反馈回森林火灾数据库及管理装置,经人工神经网络技术将反馈的数据进行自学习,不断修正样本集和判别规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2003101117936A CN1529291A (zh) | 2003-10-16 | 2003-10-16 | 森林火灾智能监测报警装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2003101117936A CN1529291A (zh) | 2003-10-16 | 2003-10-16 | 森林火灾智能监测报警装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1529291A true CN1529291A (zh) | 2004-09-15 |
Family
ID=34304802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2003101117936A Pending CN1529291A (zh) | 2003-10-16 | 2003-10-16 | 森林火灾智能监测报警装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1529291A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251942B (zh) * | 2008-03-14 | 2010-04-21 | 华南理工大学 | 地下空间火灾智能检测预警预报方法及装置 |
CN1873418B (zh) * | 2006-05-31 | 2011-01-19 | 华南理工大学 | 液化天然气分层与涡旋监测报警装置 |
CN102609821A (zh) * | 2012-02-21 | 2012-07-25 | 丰国炳 | 便携式火场内部安全管理系统及其实现方法 |
CN102663082A (zh) * | 2012-04-06 | 2012-09-12 | 昆明理工大学 | 基于数据挖掘的森林火灾预测方法 |
CN103369004A (zh) * | 2012-03-30 | 2013-10-23 | 罗宁 | 使用人员传感器对建筑物进行安全监控和资源管理的方法 |
CN103514700A (zh) * | 2013-09-29 | 2014-01-15 | 柳州市宏亿科技有限公司 | 一种森林防火预警系统的设计方法 |
CN103885471A (zh) * | 2014-02-20 | 2014-06-25 | 中国林业科学研究院森林生态环境与保护研究所 | 一种基于森林火险的森林可燃物湿度自动调节系统及方法 |
CN104933841A (zh) * | 2015-04-30 | 2015-09-23 | 重庆三峡学院 | 一种基于自组织神经网络的火灾预测方法 |
WO2019200743A1 (zh) * | 2018-04-17 | 2019-10-24 | 平安科技(深圳)有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
-
2003
- 2003-10-16 CN CNA2003101117936A patent/CN1529291A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1873418B (zh) * | 2006-05-31 | 2011-01-19 | 华南理工大学 | 液化天然气分层与涡旋监测报警装置 |
CN101251942B (zh) * | 2008-03-14 | 2010-04-21 | 华南理工大学 | 地下空间火灾智能检测预警预报方法及装置 |
CN102609821A (zh) * | 2012-02-21 | 2012-07-25 | 丰国炳 | 便携式火场内部安全管理系统及其实现方法 |
CN103369004A (zh) * | 2012-03-30 | 2013-10-23 | 罗宁 | 使用人员传感器对建筑物进行安全监控和资源管理的方法 |
CN102663082A (zh) * | 2012-04-06 | 2012-09-12 | 昆明理工大学 | 基于数据挖掘的森林火灾预测方法 |
CN103514700A (zh) * | 2013-09-29 | 2014-01-15 | 柳州市宏亿科技有限公司 | 一种森林防火预警系统的设计方法 |
CN103885471A (zh) * | 2014-02-20 | 2014-06-25 | 中国林业科学研究院森林生态环境与保护研究所 | 一种基于森林火险的森林可燃物湿度自动调节系统及方法 |
CN104933841A (zh) * | 2015-04-30 | 2015-09-23 | 重庆三峡学院 | 一种基于自组织神经网络的火灾预测方法 |
WO2019200743A1 (zh) * | 2018-04-17 | 2019-10-24 | 平安科技(深圳)有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101251942B (zh) | 地下空间火灾智能检测预警预报方法及装置 | |
You et al. | Comparison of ANN (MLP), ANFIS, SVM, and RF models for the online classification of heating value of burning municipal solid waste in circulating fluidized bed incinerators | |
CN1963878A (zh) | 高层建筑火灾智能监测预警预报装置 | |
Elkamel et al. | Measurement and prediction of ozone levels around a heavily industrialized area: a neural network approach | |
CN104933841B (zh) | 一种基于自组织神经网络的火灾预测方法 | |
CN107016455B (zh) | 循环流化床生活垃圾焚烧锅炉炉膛出口烟气含氧量的预测系统及方法 | |
WO2021174971A1 (zh) | 一种水环境风险预测预警方法 | |
Wu et al. | An intelligent tunnel firefighting system and small-scale demonstration | |
CN106931453A (zh) | 循环流化床生活垃圾焚烧锅炉NOx排放的预测系统及方法 | |
CN101162545A (zh) | 高层建筑火灾光温复合智能监测预报装置 | |
CN110570616B (zh) | 一种基于物联网的多点火灾预警系统 | |
CN111260149B (zh) | 一种二噁英排放浓度预测方法 | |
Peng et al. | Machine learning and deep learning modeling and simulation for predicting PM2. 5 concentrations | |
CN110702852B (zh) | 一种基于物联网的多油气浓度传感器的智能监测系统 | |
CN2653613Y (zh) | 森林火灾智能监测报警装置 | |
CN110716012B (zh) | 一种基于现场总线网络的油气浓度智能监测系统 | |
CN1529291A (zh) | 森林火灾智能监测报警装置 | |
CN207895646U (zh) | 智能建筑火灾自动报警系统 | |
CN105975991B (zh) | 一种改进的极限学习机火灾种类识别方法 | |
CN117110541A (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
CN200979734Y (zh) | 高层建筑火灾智能监测预警预报装置 | |
CN201117044Y (zh) | 基于光温复合智能监测的高层建筑火灾预报装置 | |
Thakkar et al. | Environmental fire hazard detection and prediction using random forest algorithm | |
Kowalski et al. | The comparison of linear models for PM10 and PM2. 5 forecasting | |
CN115099493A (zh) | 一种基于cnn的林火向任意方向蔓延速率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |