CN113129569A - 一种融合式的消防物联网监测预警信号识别方法 - Google Patents

Abstract

本发明涉及火灾监测领域，具体是涉及一种融合式的消防物联网监测预警信号识别方法。包括如下步骤：S1，通过发出报警信号的探测器获取理论火源位置θ；S2，通过任意两个探测器发出报警信号时的时刻构成的实际时间差Δt_l′获取理论火源位置θ的极大似然位置

S3，计算步骤S2中的任意两个探测器针对该火源位置发出报警信号时的时刻构成的时间差T；S4，获取修正之后的时间差

S5，计算Δt_l′与

构成的相对误差δ_k；S6，若δ_k≤δ_min，则报警信号为真，即发生火灾，进行火灾处理，否则报警信号为假。本发明通过多个探测器判断是否真的发生火灾，能够尽可能的降低火灾的误判。

Description

一种融合式的消防物联网监测预警信号识别方法

技术领域

本发明涉及火灾监测领域，具体是涉及一种融合式的消防物联网监测预警信号识别方法。

背景技术

建筑物内安装火灾探测器可以检测建筑物内是否发生火灾，以便相关工作人员根据探测器发出的报警信号及时进行消防灭火处理。

但是现有的探测器会误发报警信号，而且建筑物外部的人员也无法识别出探测器发出的报警信号的真伪，当报警信号为伪时，而相关人员依然采用了消防灭火的措施，会造成资源的浪费。

发明内容

为解决上述技术问题，本发明提供了一种融合式的消防物联网监测预警信号识别方法，能够识别出探测器发出报警信号的真伪，进而判断出是否真的发生火灾。

为实现上述目的，本发明采用了以下技术方案：

一种融合式的消防物联网监测预警信号识别方法，包括如下步骤：

S1，通过发出报警信号的探测器获取理论火源位置θ；其中，探测器用于采集火灾信号；

S2，通过任意两个探测器发出报警信号时的时刻构成的实际时间差Δt_l′获取理论火源位置θ的极大似然位置

S3，将极大似然位置

设为火源位置，计算步骤S2中的任意两个探测器针对该火源位置发出报警信号时的时刻构成的时间差T；

S4，通过Δt_l′采用极大似然概率对步骤S3中的时间差T进行修正，获取修正之后的时间差

S5，计算Δt_l′与

构成的相对误差δ_k，k为计算极大似然位置

的迭代总次数；

S6，若δ_k≤δ_min，则报警信号为真，即发生火灾，进行火灾处理；否则报警信号为假，即未发生火灾。

进一步，获取步骤S2中的极大似然位置

的具体步骤如下：

S21，通过发送报警信号的探测器所在的位置获知理论火源位置θ；

S22，通过探测器所在的建筑物，获取与该建筑物相对应的建筑结构微元；

S23，假定建筑结构微元中任意两个位置的探测器接收到理论火源位置θ处的火源信息而发送报警信号，则该报警信号的时间间隔为Δt；建筑结构微元中的探测器的位置与建筑物中的探测器的位置相对应；

S24，通过θ和Δt，获取建筑物中理论火源位置θ处对应的火灾概率密度函数关于Δt的边缘概率密度函数；

S25，建立边缘概率密度函数的贝叶斯估计；

S26，通过贝叶斯估计建立火灾概率似然函数；

S27，火灾概率似然函数迭代k次的最大值对应的火源位置为极大似然位置

进一步优选的，步骤S26中的火灾概率似然函数y：

式中，Δt′为Δt_l′对应的参量，将Δt划分为n份，Δt_i为n份中的第i份对应的时刻，Δt_i-1为n份中的第i-1份对应的时刻，p(θ)为理论火源位置θ发生火灾的先验概率，f(Δt|θ)为火灾概率密度函数f(Δt，θ)关于Δt的边缘概率密度函数，

为Δt取

时的误差分布函数；

将理论火源位置θ投影到建筑物于其所在水平面所构成的矩形，该矩形任意一个宽边记为L，以宽边L为起点沿矩形长度方向等间距划分网格，θ_j为第j个网格的中心与宽边L之间的距离，f(θ_j)为f(Δt，θ)关于Δt的边缘积分，f(Δt|θ_j)为当f(Δt|θ)中的θ取θ_j时的函数。

更进一步优选的，

式中，σ为常数。

进一步优选的，步骤S21的具体步骤如下：

S211，当有探测器发出报警信号时，获取发送报警信号的探测器甲的位置；

S212，当再次接收到与探测器甲邻近探测器乙发出的报警信号时，获取探测器乙的位置，通过建筑物内探测器甲和探测器乙的位置，获取与该建筑物相对应的建筑结构微元，同时获取建筑结构微元内与探测器甲和探测器乙相应的两个探测器发出报警信号的时间差；

S213，通过步骤S212中的时间差和建筑结构微元，获取理论火源位置θ。

进一步，

进一步，报警信号的数量记为N，N和k_max满足如下关系式：

k_max＝N-1。

进一步，δ_min的值为0.1。

进一步优选的，步骤S211的具体过程如下：

标记探测器，探测器的标记与探测器在建筑物内的位置相对应，通过探测器的标记获取探测器的位置。

进一步优选的，步骤S23中是将理论火源位置θ代入火灾场模型中得到Δt，火灾场模型包括腔室、横向狭长结构、竖向狭长结构、腔室-腔室、腔室-横向狭长结构、腔室-竖向狭长结构。

本发明的有益效果如下：

(1)本发明依据火灾发生时火灾烟气在建筑物内的传播路径，获取安装在建筑物内的各个位置处的探测器检测到火灾信号(火灾烟气蔓延到该探测器处)的时间构成的时间差。通过多个探测器判断是否真的发生火灾，能够尽可能的降低火灾的误判。

(2)本发明采用理论时间差和对理论时间差修正之后时间差的作为获取相对误差的参数，能够提高依据相对误差获取到的报警信号真伪的准确度。

(3)本发明采用极大似然位置，不仅可以获知是否真的发生火灾，而且还可以推测火源的位置，方便消防人员后续救援。

(4)本发明中，相对误差中的理论报警时间差部分是基于极大似然位置得到的，从统计学角度反映了理论上某两个探测器产生报警信号时间差的最大可能性。

附图说明

图1为本发明的流程图；

图2为本发明的从硬件、算法、预报警机制三个层面实现火灾报警的过程图。

具体实施方式

以下结合实施例和说明书附图，对本发明中的技术方案进行清楚、完整地描述。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。

一种融合式的消防物联网监测预警信号识别方法，如图1所示，包括如下步骤：

S1，获取极大似然位置

对应的发出报警信号时间构成的理论时间差，极大似然位置

为理论火源位置θ的极大似然位置，

通过发出报警信号实际时间差Δt_l′获取；理论火源位置θ通过报警信号获取；其中，Δt_l′为极大似然迭代第l次时采集的报警信号的实际时间差。具体步骤如下：

S11，通过发送报警信号的探测器获知理论火源位置θ，即标记探测器，探测器的标记与探测器在建筑物内的位置相对应，通过发送报警信号的探测器的标记获取理论火源位置θ，例如：标记为A1的探测器位于建筑物的位置A处，当标记为A1的探测器发出报警信号，即可以获知火源位置在建筑物内位置A处。

S12，通过探测器所在的建筑物，获取与该建筑物相对应的建筑结构微元；建筑微元是一种模型，参考《建筑设计防火规范》(GB 50016-2014)，建立与发出报警信号结构相同的建筑结构微元。

S13，假定建筑结构微元中探测器发送报警信号时间构成的时间差Δt，探测器在建筑结构微元中的位置与探测器在建筑物中的位置相对应；例如建筑物内位置S处的探测器发出报警信号，则假定的探测器在建筑结构微元的位置也是S。

S14，通过θ和Δt，获取建筑物中理论火源位置θ处对应的火灾概率密度函数关于Δt的边缘概率密度函数；

S15，建立边缘概率密度函数的贝叶斯估计；

S16，通过贝叶斯估计建立火灾概率似然函数y:

其中

式中，Δt′为Δt_l′对应的参量，将Δt划分为n份，Δt_i为n份中的第i份对应的时刻，Δt_i-1为n份中的第i-1份对应的时刻，p(θ)为理论火源位置θ发生火灾的先验概率，f(Δt|θ)为火灾概率密度函数f(Δt，θ)关于Δt的边缘概率密度函数，

为Δt取

时的误差分布函数；

将理论火源位置θ投影到建筑物于其所在水平面所构成的矩形，矩形的长为理论火源位置θ所在区域的长度，矩形的宽为理论火源位置θ所在区域的宽度，该矩形任意一个宽边记为L，以宽边L为起点沿矩形长度方向等间距划分网格，θ_j为第j个网格的中心与宽边L之间的距离，f(θ_j)为f(Δt，θ)关于Δt的边缘积分，f(Δt|θ_j)为当f(Δt|θ)中的θ取θ_j时的函数；

n为Δt等分的份数，Δt_i为Δt等分n份中的第i份末对应的时刻，Δt_i-1为Δt等分n份中的第i-1份末对应的时刻，例如两个探测器发出报警信号对应的理论时间差Δt为10秒，等分为5份，n的值为5，Δt_i为第4秒对应的时刻，Δt_i-1为第6秒末对应的时刻，p(θ)为理论火源位置θ发生火灾的先验概率，f(Δt|θ)为火灾概率密度函数f(Δt，θ)关于Δt的边缘概率密度函数，

为时间差Δt和Δt′在Δt取

时的误差分布函数，θ_j为将θ等分之后的第j份所在的位置，f(θ_j)为f(Δt，θ)关于Δt的边缘积分，f(Δt|θ_j)为当f(Δt|θ)中的θ取θ_j时的函数，Δt′为Δt_l′对应的参量，Δt_l′为具体值，所有的Δt_l′代表的具体值都可以用Δt′来统一表示。

S17，火灾概率似然函数迭代k次的最大值为极大似然位置

S2，通过Δt_l′采用极大似然概率对理论时间差进行修正，获取修正之后的时间差

S3，Δt_l′与

构成的相对误差δ_k，k为计算极大似然位置

的迭代次数：

S4，若δ_k≤δ_min，则报警信号为真，即发生火灾，进行火灾处理，否则未发生火灾；其中，δ_min为常数，δ_min的值为0.1。

下面具体说明本发明的原理：

针对传统火灾报警***(探测器)误报率较高的弊端，本文发明采用多点位探测器联动的方法获知建筑物内是否真的发生火灾(即通过多个探测器发出报警信号的时间差获知是否真的发生火灾)，通过对硬件层面、算法层面与实际工作层面的合理设计，从而真正实现火灾早期预警同时降低误报率。基于该思路，本发明将包括硬件设计(各个探测器)、原理与算法(本发明的报警方法)、预报警机制三大部分，其特征如图2所示，具体包括以下内容：

硬件设计部分主要在硬件层面完成对火灾信号的探测、火灾参量的传输、处理与储存，并根据火灾参量处理结果指导后续火灾防控工作，而这一系列过程通过大数据平台完成的。根据这一思路，将硬件设计部分分为消防物联网大数据平台、火灾探测器、数据传输设备、数据处理设备、数据存储设备，考虑到火灾信号类型以及后续火灾防控工作的需要，将火灾探测器分为点型火灾探测器、燃气火灾探测器、视频火灾探测器、电气火灾探测器四种类型，其安装符合《火灾自动报警***设计规范》(GB 50116-2013)，与火灾监测预警***的其他设备一同构成基于消防物联网的火灾监测预警的硬件***，如图2所示。

原理与算法部分主要从原理和算法层面提出不同场景火灾信号的处理方法以及判断火情的方法。为实现上述目的，首先提出建筑结构微元的概念，分别描述不同建筑结构下火灾信号的传递模式，并根据每种建筑结构的火灾信号传递特点构建火灾预报警模型

按照建筑结构本身的差异性，参考《建筑设计防火规范》(GB 50016-2014)，将建筑划分成20类结构微元，包括16类横向结构微元、4类纵向结构微元。由于建筑空间布局特点不同，横向与竖向结构具有不同的相邻关系，由此组合形成不同的复合结构，结构微元间的15种相邻关系。其中有六类结构微元或复合式结构微元最为常见，包括腔室、横向狭长结构、竖向狭长结构、腔室-腔室、腔室-横向狭长结构、腔室-竖向狭长结构。其中，单一结构组成的结构微元包括室、横向狭长结构、竖向狭长结构三种：腔室指非狭长的单个房间或设备，横向狭长结构指纵向长/截面长>>1的走廊等结构，竖向狭长结构指竖向长/截面长>>1的竖井等结构；而常见的复合式结构微元则包括腔室-腔室、腔室-横向狭长结构、腔室-竖向狭长结构三种。上述六种结构微元不仅在空间结构上较大差异，在火灾中羽流的传递模式也有明显不同。

基于此构建火灾预报警模型，主要包括火灾场模型、火灾概率计算模型、预警判别模型三大部分：

首先，不同结构微元火灾预报警模型的差异性主要体现在火灾场模型部分。因此根据不同结构微元各自的特点将火灾场模型划分为腔室火灾场模型、横向狭长结构火灾场模型、竖向狭长结构火灾场模型、腔室-腔室火灾场模型、腔室-竖向狭长结构火灾场模型、腔室-横向狭长结构火灾场模型。其中，腔室火灾场模型中，火源处于腔室结构中，羽流传递主要分为浮力射流和顶棚射流两个阶段。从火源产生到火灾探测器接收到火灾信号的时间即为浮力射流时间与顶棚射流至探测器位置所需时间之和；横向狭长结构火灾场模型中，羽流传递过程为浮力射流→浮力射流中心向密度跃迁点的顶棚射流→密度跃迁点向目标位置的一维扩散；竖向狭长结构火灾场模型中，羽流主要在浮升力与重力共同作用下沿竖向传递；腔室-腔室火灾场模型主要指火源靠近腔室-腔室连接处，并且连接处在顶棚位置有遮挡的情况。羽流的传递过程略显复杂，表现为浮力射流→浮力射流中心向腔室-腔室连接处的顶棚射流→羽流在连接处顶棚遇障碍从而在火源所在腔室填充→羽流从顶棚障碍处溢出并一维扩散至另一腔室指定位置。实际情况中，由于火源出现在腔室-腔室连接处，浮力射流中心向腔室-腔室连接处的顶棚射流的时间可忽略不计；腔室-竖向狭长结构火灾场模型主要指火源靠近腔室-竖向狭长结构连接处，羽流由腔室向竖向狭长结构扩散的情况，羽流传递过程表现为腔室内浮力射流→羽流在腔室内填充→羽流在竖井中的垂直扩散；腔室-横向狭长结构火灾场模型，主要指火源靠近腔室-横向狭长结构连接处，羽流由腔室向横向狭长结构扩散的情况，羽流传递方式与腔室-腔室火灾场模型相同；根据上述六种结构微元下的火灾场模型，列出从火源产生到第一个火灾探测器接收到火灾信号的时间t与火源位置θ的关系t＝T(θ)，以及相邻两个探测器接收到火灾信号的时间差Δt与火源位置θ的关系Δt＝ΔT(θ)，并以得到的t、Δt两大参数为火灾预报警模型的重要参考指标；

然后，通过建立火灾概率计算模型找到火灾发生概率P与火源位置θ、报警时间差Δt的联系。主要包括构建火灾概率分布函数、建立贝叶斯估计、数据离散化处理、建立火灾概率似然函数、返回极值点五部分。在多探测器联动报警的情况下，火灾发生概率分布可表达为关于报警器报警时间差Δt与火源位置θ的联合分布函数，由此构建火灾概率分布函数，同时作为火灾概率理论值：

F(Δt，θ)＝∫_θ∫_Δtf(Δt，θ)dΔtdθ

式中：

f(Δt，θ)——代表火灾概率密度函数；

由此建立火灾概率关于报警时间差Δt的边缘概率密度函数：

式中：

p(θ)——某个位置θ发生火灾的先验概率；

f(Δt|θ)——某个位置θ发生火灾的概率密度；

当火灾探测器监测到实际的火灾信号，得到实际的火灾报警器时间差Δt′，并据此对火灾概率密度函数进行贝叶斯估计：

式中：

f(Δt′|Δt)——反映报警时间差理论值与观测值之间的误差分布规律，近似服从正态分布：

为了方便数据处理设备工作，将报警时间参数与火源位置离散化处理，将报警时间差区间

分成n份，每个区间表达为：

U_i＝(Δt_i-1，Δt_i]，i＝1，2，...，n

将每个区间概率密度函数线性处理：

当空间参数离散化处理，将建筑结构微元分为m个子空间，当火灾发生但未确定位置时，认为火源出现在各子空间的先验概率相等，即：

据此，建立每个时间区间概率密度关于报警时间差观测值Δt′的贝叶斯估计：

为了找寻报警时间差观测值Δt′下最有可能出现的火源位置

建立火灾概率关于火源位置θ_x，y的似然函数：

式中：

p(θ|U_i)——表示在时间区间U_i内，火源出现在θ的概率，表达为：

在考虑时间等分、空间等分的情况下，得到火灾概率关于火源位置的极大似然点：

实际情况，探测到火灾信号的传感器也许不止两个，每增加一个报警信号，都将通过迭代更新一系列参数，假设共由k+1个报警信号，则更新的参数包括：

Δt′＝(Δt₁′，Δt₂′，...，Δt_k′)

f(Δt|Δt′)＝f(Δt|Δt₁′，Δt₂′，...，Δt_k′)

f_Δt(U_i|Δt′)＝f_Δt(U_i|Δt₁′，Δt₂′，...，Δt_k′)

p(θ|Δt′)＝p(θ|Δt₁′，Δt₂′，...，Δt_k′)

随着报警信号数量的增加，火灾概率理论值更趋近真实值，火源理论位置也更接近实际情况。然而，报警信号数量的增加也意味着火情离灾变的时间节点更近，不利于火灾的早期防控。实际的防火工作需要有效结合其他辅助手段。

接下来，通过预警判别模型判断报警信号真伪，并为后续工作提供依据。预警判别模型包括火源位置确定、理论报警时间差计算、真假警判断三部分。在预警判别模型中，将火灾概率计算模型得到的火灾概率极大似然位置确定为疑似火源位置：

结合不同结构微元的火灾场模型，计算在该位置产生火源情况下的理论报警时间差：

式中：

p——结构微元类型，编号1、2、3、4、5；

Δt_p——基于五种常见结构微元的报警时间差计算经验公式。

根据报警时间差估计值与观测值之间误差的大小来进行报警信号真伪的判断，并构造判断公式如下：

当δ_k≤0.1时，判断报警信号为真，同时启动预报警机制；

当δ_k＞0.1时，判断报警信号为暂伪，需要接入下一个报警信号，并再次火灾预报警模型计算，根据计算结果作进一步判断。

实施例

本发明的方法包含硬件部分、原理与算法部分、预报警机制部分，基于该设计，从硬件、算法、预报警机制三个层面实现火灾预报警同时降低误报。下面进行具体的阐述：

在消防物联网大数据平台的基础上建立火灾预报警***。该平台可接入各类火灾探测器接收的火灾信号，通过数据传输设备将监测的火灾参量实时上传至大数据平台，利用平台内置的数据处理设备完成火灾信号处理，处理结果一方面通过数据传输设备反馈至相关部门，同时利用数据存储设备存储必要数据，为火灾预报警算法的改进和日常防火工作提供数据支持。

当火灾发生或邻近发生时，布置在前端的火灾探测器感应到火灾信号，具体包括点型火灾探测器、燃气火灾探测器、视频火灾探测器、电气火灾探测器四种基本类型的火灾探测器。当接收到探测器报警信号后立即进入处置阶段。由于火灾探测器在安装的时候均有位置标记，因此可立刻查询报警探测器所在的建筑结构微元，具体包括腔室、横向狭长结构、竖向狭长结构、腔室-腔室、腔室-横向狭长结构、腔室-竖向狭长结构共计六种基本的结构微元类型。在确定结构微元后，即可启动火灾预报警模型，通过构建火灾场模型计算出火灾探测器报警时间以及报警时间差的理论值，按火灾中羽流的传递方式，共包含了五种基本的场模型，具体指腔室火灾场模型、横向狭长结构火灾场模型、竖向狭长结构火灾场模型、腔室-腔室火灾场模型、腔室-竖向狭长结构火灾场模型、腔室-横向狭长结构火灾场模型。为了确保报警时间差以及火源位置的准确性，采用火灾概率计算模型对报警时间和位置进行修正，通过火灾概率分布函数建立火灾概率与报警时间差、空间位置的关系，在有多个报警信号产生后，根据报警时间差的观测值对火灾概率密度进行贝叶斯估计，考虑到数据处理设备实际的工作效率，采用离散化的数据处理方式，将报警时间差、空间进行离散化处理，并构建火灾发生概率关于空间位置的似然函数，进行极大似然估计，并返回极大似然点。考虑到火灾实际防控工作的紧迫性，火灾概率计算模型仅完成有限次迭代，认为最后返回的极大似然点即为火源位置的估计值，利用预警判断模型，确定火源位置，结合火灾场模型计算出基于火源估计位置的报警时间估计值，并与报警时间观测值比较，以判断报警信号的真伪。

当δ_k≤0.1时，判断报警信号为真，同时启动预报警机制；当δ_k＞0.1时，判断报警信号为暂伪，需要接入下一个报警信号，并再次火灾预报警模型计算，根据计算结果作进一步判断。

Claims (10)

1.一种融合式的消防物联网监测预警信号识别方法，其特征在于，包括如下步骤：

S1，通过发出报警信号的探测器获取理论火源位置θ；其中，探测器用于采集火灾信号；

S2，通过任意两个探测器发出报警信号时的时刻构成的实际时间差Δt_l′获取理论火源位置θ的极大似然位置

S3，将极大似然位置

设为火源位置，计算步骤S2中的任意两个探测器针对该火源位置发出报警信号时的时刻构成的时间差T；

S4，通过Δt_l′采用极大似然概率对步骤S3中的时间差T进行修正，获取修正之后的时间差

S5，计算Δt_l′与

构成的相对误差δ_k，k为计算极大似然位置

的迭代总次数；

S6，若δ_k≤δ_min，则报警信号为真，即发生火灾，进行火灾处理；否则报警信号为假，即未发生火灾。

2.如权利要求1所述的融合式的消防物联网监测预警信号识别方法，其特征在于：获取步骤S2中的极大似然位置

的具体步骤如下：

S21，通过发送报警信号的探测器所在的位置获知理论火源位置θ；

S22，通过探测器所在的建筑物，获取与该建筑物相对应的建筑结构微元；

S23，假定建筑结构微元中任意两个位置的探测器接收到理论火源位置θ处的火源信息而发送报警信号，则该报警信号的时间间隔为Δt；建筑结构微元中的探测器的位置与建筑物中的探测器的位置相对应；

S24，通过θ和Δt，获取建筑物中理论火源位置θ处对应的火灾概率密度函数关于Δt的边缘概率密度函数；

S25，建立边缘概率密度函数的贝叶斯估计；

S26，通过贝叶斯估计建立火灾概率似然函数；

S27，火灾概率似然函数迭代k次的最大值对应的火源位置为极大似然位置

3.如权利要求2所述的融合式的消防物联网监测预警信号识别方法，其特征在于，步骤S26中的火灾概率似然函数y：

式中，Δt′为Δt_l′对应的参量，将Δt划分为n份，Δt_i为n份中的第i份对应的时刻，Δt_i-1为n份中的第i-1份对应的时刻，p(θ)为理论火源位置θ发生火灾的先验概率，f(Δt|θ)为火灾概率密度函数f(Δt，θ)关于Δt的边缘概率密度函数，

为Δt取

时的误差分布函数；

将理论火源位置θ投影到建筑物于其所在水平面所构成的矩形，该矩形任意一个宽边记为L，以宽边L为起点沿矩形长度方向等间距划分网格，θ_j为第j个网格的中心与宽边L之间的距离，f(θ_j)为f(Δt，θ)关于Δt的边缘积分，f(Δt|θ_j)为当f(Δt|θ)中的θ取θ_j时的函数。

4.如权利要求3所述的融合式的消防物联网监测预警信号识别方法，其特征在于：

式中，σ为常数。

5.如权利要求2所述的融合式的消防物联网监测预警信号识别方法，其特征在于，步骤S21的具体步骤如下：

S211，当有探测器发出报警信号时，获取发送报警信号的探测器甲的位置；

S212，当再次接收到与探测器甲邻近探测器乙发出的报警信号时，获取探测器乙的位置，通过建筑物内探测器甲和探测器乙的位置，获取与该建筑物相对应的建筑结构微元，同时获取建筑结构微元内与探测器甲和探测器乙相应的两个探测器发出报警信号的时间差；

S213，通过步骤S212中的时间差和建筑结构微元，获取理论火源位置θ。

6.如权利要求1～5任一项所述的融合式的消防物联网监测预警信号识别方法，其特征在于，

7.如权利要求1所述的融合式的消防物联网监测预警信号识别方法，其特征在于，报警信号的数量记为N，N和k_max满足如下关系式：

k_max＝N-1。

8.如权利要求1所述的融合式的消防物联网监测预警信号识别方法，其特征在于：δ_min的值为0.1。

9.如权利要求3所述的融合式的消防物联网监测预警信号识别方法，其特征在于，步骤S211的具体过程如下：

标记探测器，探测器的标记与探测器在建筑物内的位置相对应，通过探测器的标记获取探测器的位置。

10.如权利要求2所述的融合式的消防物联网监测预警信号识别方法，其特征在于：步骤S23中是将理论火源位置θ代入火灾场模型中得到Δt，火灾场模型包括腔室、横向狭长结构、竖向狭长结构、腔室-腔室、腔室-横向狭长结构、腔室-竖向狭长结构。

Images