CN116311739A - 一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法 - Google Patents

一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法 Download PDF

Info

Publication number
CN116311739A
CN116311739A CN202211700578.9A CN202211700578A CN116311739A CN 116311739 A CN116311739 A CN 116311739A CN 202211700578 A CN202211700578 A CN 202211700578A CN 116311739 A CN116311739 A CN 116311739A
Authority
CN
China
Prior art keywords
environmental
time
representing
environment
information
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
Application number
CN202211700578.9A
Other languages
English (en)
Inventor
刘平山
项平川
吕树月
曹原
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202211700578.9A priority Critical patent/CN116311739A/zh
Publication of CN116311739A publication Critical patent/CN116311739A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B19/00—Alarms responsive to two or more different undesired or abnormal conditions, e.g. burglary and fire, abnormal temperature and abnormal rate of flow
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
    • G08B21/16—Combustible gas alarms

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Analytical Chemistry (AREA)
  • Combustion & Propulsion (AREA)
  • Fire Alarms (AREA)

Abstract

本发明公开了一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法。该方法在检测火灾时，首先使用多传感器***持续采集环境中温度、烟雾浓度、一氧化碳浓度和二氧化碳浓度数据，构建对应环境指标的监测值时间序列；其次，基于长短时记忆网络构建深层环境信息提取模型中的环境变化程度提取模块和环境水平提取模块，借助长短时记忆网络对时序数据长距离依赖关系的处理能力，实现对环境指标变化程度以及环境指标水平的预测；然后，使用多层感知机对所获取到的多种环境信息进行融合，得到综合火灾状态信息；最后，将综合火灾状态信息值与***运行中学习到的最佳阈值进行比较，完成火灾判断。

Description

一种基于长短时记忆网络及环境信息融合的多传感器火灾检 测方法
技术领域
本发明涉及火灾检测领域、机器学习应用领域，更准确地说，涉及一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法。
背景技术
火灾作为一种复杂的燃烧过程，其发生伴随着多种环境指标的变化，如温度、烟雾浓度、有害气体强度等。传统的单一传感器火灾检测方法通过比较当前时刻的传感器读数和预设阈值，针对单个环境指标进行报警，但由于获取到的环境信息有限，单传感器检测方法容易产生误报和漏报。而随后出现的基于多传感器***的火灾检测方法可以同时监测多种环境指标，并基于一定准则对获取的信息进行分析、处理、综合和融合，从而实现更为准确的火灾判断。多传感器检测方法克服了单个传感器的不确定性和局限性，提高了整个***的有效性能，且传感器之间的冗余数据也增强了***的可靠性。然而，目前绝大部分多传感器火灾检测方法仅考虑当前时刻的环境指标监测数值，忽略了环境指标对应的深层环境信息，如量化当前时刻相对前一时刻环境信息变化程度的环境指标变化信息，以及从时间维度上衡量环境水平的环境指标水平信息。因此，现存的多传感器火灾检测方法容易受非火灾因素影响而产生误报，如短时间的传感器失灵、瞬时的电磁干扰等。另外，由于多传感器***需要处理的环境信息较多，存在整体结构复杂和检测效率低的问题。于是，如何综合考虑环境指标监测值、环境指标变化程度和环境指标水平，如何高效的实现环境信息融合，是目前多传感器火灾检测需要解决的重要问题。
发明内容
本发明目的是针对现有技术的不足，提供了一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，利用长短时记忆网络优秀的时间序列预测能力，从不同环境指标时序数据中提取深层环境信息，再结合信息融合技术，得到当前时刻的综合火灾状态用于火灾判断，该方法有效避免了非火灾因素造成的干扰，显著提高火灾检测的鲁棒性和准确性。
为实现上述目的，本发明采用如下技术方案：
步骤S1：多传感器***持续采集环境中温度、烟雾浓度、一氧化碳浓度和二氧化碳浓度数据，构建对应环境指标的监测值时间序列，并进行标准化处理；
步骤S2：基于长短时记忆网络构建深层环境信息提取模型，包括环境变化程度提取模块和环境水平提取模块；
步骤S3：利用深层环境信息提取模型中的长短时记忆网络对输入的环境指标监测值时序数据进行处理，预测当前时刻相对于前一时刻的环境指标变化程度以及当前时刻下的环境指标水平；
步骤S4：为提高***运行效率，利用相似条件下的另一组原始火灾数据对多层感知机进行预训练，确定多层感知机的最佳隐藏层节点数；
步骤S5：使用多层感知机按时序对每一时刻的多种环境信息进行融合处理，得到该时刻对应的综合火灾状态信息；
步骤S6：将综合火灾状态信息值与***运行中学习到的最佳阈值进行比较，若小于该阈值认为无火灾发生，反之则认为发生火灾。
所述步骤S2中的环境变化程度提取模块是一种长短时记忆网络，该网络中经过遗忘门和更新门处理后，用于传递的细胞状态为第一类火灾状态信息；经过输出门计算并输出的隐藏状态为环境指标变化程度信息。环境变化程度提取模块的核心思想是保持第一类火灾状态在神经网络链条中传递，通过长短时记忆网络中独特的三种门结构在传递过程中对第一类火灾状态信息进行遗忘、更新和输出，进而控制环境指标变化程度信息的输出。
所述的第一类火灾状态信息是基于环境变化对所监测火灾环境的一种量化描述，其量化公式如下：
Figure SMS_1
上述公式(1)中，
Figure SMS_2
表示环境指标n在k时刻的第一类火灾状态，/>
Figure SMS_3
和/>
Figure SMS_4
分别表示环境指标n在k时刻的变化遗忘向量和变化更新向量，/>
Figure SMS_5
表示环境指标n在k-1时刻的第一类火灾状态信息，/>
Figure SMS_6
表示k时刻环境指标n的第一类火灾状态候选值向量；其中，
Figure SMS_7
和/>
Figure SMS_8
表达式如下：
Figure SMS_9
上述公式(2)中，σ表示Sigmoid激活函数，Wvf表示环境变化遗忘权重，
Figure SMS_10
表示环境指标n在k-1时刻的变化程度，/>
Figure SMS_11
表示环境指标n在k和k-1时刻的监测数据差值，bvf表示变化环境遗忘偏置；
Figure SMS_12
上述公式(3)中，Wvu表示环境变化更新权重，bvu表示环境变化更新偏置，其余相同符号表达同公式(2)；
Figure SMS_13
上述公式(4)中，tanh表示tanh激活函数，Wv和bv分别表示创建第一类火灾状态候选值向量的权重和偏置，其余相同符号表达同公式(2)；
所述的环境指标变化程度信息用于预测时间序列上当前时刻相较于前一时刻环境的变化程度，其计算公式如下：
Figure SMS_14
上述公式(5)中，
Figure SMS_15
表示环境指标n在k时刻的变化程度，/>
Figure SMS_16
表示环境指标n在k时刻的变化输出向量，tanh表示tanh激活函数，/>
Figure SMS_17
表示环境指标n在k时刻的第一类火灾状态；其中，/>
Figure SMS_18
的表达式如下：
Figure SMS_19
上述公式(6)中，σ表示Sigmoid激活函数，Wvvo表示环境变化输出权重，
Figure SMS_20
表示环境指标n在k-1时刻的变化程度，/>
Figure SMS_21
表示环境指标n在k和k-1时刻的监测数据差值，bvo表示环境变化输出偏置。
所述步骤S2中的环境指标水平提取模块作为另一种长短时记忆网络，该网络中经过遗忘门和更新门处理后，用于传递的细胞状态为第二类火灾状态信息；经过输出门计算并输出的隐藏状态为环境指标水平信息。环境指标水平提取模块的核心思想是保持第二类火灾状态在神经网络链条中传递，并通过门结构对第二类火灾状态信息进行遗忘、更新和输出，控制环境指标水平信息的输出和传递。
所述的第二类火灾状态信息是基于环境水平对所监测火灾环境的一种量化描述，其量化公式如下：
Figure SMS_22
上述公式(7)中，
Figure SMS_23
表示环境指标n在k时刻的第二类火灾状态，/>
Figure SMS_24
和/>
Figure SMS_25
分别表示环境指标n在k时刻的水平遗忘向量和水平更新向量，/>
Figure SMS_26
表示环境指标n在k-1时刻的第二类火灾状态，/>
Figure SMS_27
表示k时刻环境指标n的第二类火灾状态候选值向量；其中，/>
Figure SMS_28
和/>
Figure SMS_29
表达式如下：
Figure SMS_30
上述公式(8)中，σ表示Sigmoid激活函数，Wlf表示环境水平遗忘权重，
Figure SMS_31
表示环境指标n在k-1时刻的水平信息，/>
Figure SMS_32
表示环境指标n在k时刻的监测值，blf表示环境水平遗忘偏置；
Figure SMS_33
上述公式(9)中，Wlu表示环境水平更新权重，blu表示环境水平更新偏置，其余相同符号表达同公式(8)；
Figure SMS_34
上述公式(10)中，tanh表示tanh激活函数，Wl和bl分别表示创建第二类火灾状态候选值向量的权重和偏置，其余相同符号表达同公式(8)；
所述的环境指标水平信息是从对当前时刻环境水平在时间维度上的衡量结果，其计算公式如下：
Figure SMS_35
上述公式(11)中，
Figure SMS_36
表示环境指标n在k时刻的水平信息，/>
Figure SMS_37
表示环境指标n在k时刻的水平输出向量，tanh表示tanh激活函数，/>
Figure SMS_38
表示环境指标n在k时刻的第二类火灾状态；其中，/>
Figure SMS_39
的表达式如下：
Figure SMS_40
上述公式(12)中，σ表示Sigmoid激活函数，Wlo表示环境水平输出权重，
Figure SMS_41
表示环境指标n在k-1时刻的水平信息，/>
Figure SMS_42
表示环境指标n在k时刻的监测值，blo表示环境水平输出偏置。
所述步骤S5中的信息融合是利用计算机和神经网络技术对按时序获得的多元火灾监测值在一定准则下加以分析和综合。在多传感器火灾检测***中，各信息源所提供的环境指标信息都具有一定程度的不确定性，对这些不确定信息进行融合属于不确定性推理过程。神经网络凭借其自学习、自适应和非线性处理能力，可以满足多传感器数据融合技术处理的要求，依据当前***所接受的样本相似性确定分类标准，这种确定方法主要表现在网络的权值分布上。多层感知机融合处理多种环境信息的函数表达式如下：
Figure SMS_43
上述公式(13)中，
Figure SMS_44
表示k时刻多层感知机输入层的输出向量，σ表示Sigmoid激活函数，Win和bin分别表示输入层的权重和偏置，/>
Figure SMS_45
表示由环境指标n在k时刻的监测值、环境指标变化程度信息和环境指标水平信息组成向量组的转置；
采用Sigmoid函数激活输入层的输出向量，激活表达式如下：
Figure SMS_46
上述公式(14)中，
Figure SMS_47
表示k时刻多层感知机隐藏层的输出向量，σ表示Sigmoid激活函数，Whiid和bhid分别表示隐藏层的权重和偏置；
进一步的，激活隐藏层输出向量，得到综合火灾状态，计算公式如下：
Figure SMS_48
上述公式(15)中，Fk表示k时刻的综合火灾状态，σ表示Sigmoid激活函数，Wout和bout分别表示输出层的权重和偏置。
附图说明
图1为本发明***架构图
图2为本发明的环境指标变化程度提取模块结构图
图3为本发明的环境指标水平提取模块结构图
图4为本发明的环境信息融合模块结构图
具体实施方式
下面将结合附图和实施例对本发明内容做进一步阐述，但不是对本发明的限定。
实施例：
图1是本发明的***架构图，它由环境指标监测值处理器、深层环境信息提取模型和信息融合模块组成。多传感器***通过持续采集环境指标监测值构建对应的时间序列数据。深层环境信息提取模型中的环境指标变化程度提取模块和环境水平提取模块利用长短时记忆网络分别处理输入的环境指标时序数据，结合网络中传递的上一时刻的细胞状态和隐藏状态，输出当前时刻不同环境指标对应的变化程度信息和水平信息。接着，信息融合模块分析并处理当前时刻下的多种环境信息，得到综合火灾状态信息用于火灾判断。具体来说，每类环境指标对应的环境信息包括环境指标监测值、环境指标变化程度信息和环境指标水平信息三部分。
具体地，为了说明本发明的实施方式，在实施例中，所采集环境指标监测值构建的原始时间序列数据部分如表1所示：
表1不同环境指标监测值的原始时间序列数据(部分)
Figure SMS_49
Figure SMS_50
在本实例中，所监测的环境指标包括温度、烟雾浓度、一氧化碳浓度和二氧化碳浓度，相对点火时间为10表示火灾发生的时刻，小于10表示未发生火灾的时刻，大于等于10表示已发生火灾的时刻。对以上环境指标的原始时间序列数据进行标准化，标准化公式为：
Figure SMS_51
上述公式(1)中，
Figure SMS_52
表示环境指标n在k时刻经过标准化处理后的监测值，/>
Figure SMS_53
表示环境指标n在k时刻的原始监测值，/>
Figure SMS_54
表示环境指标n在时间序列T上的最大原始监测值。
标准化后的环境指标监测值如表2所示：
表2标准化处理后的不同环境指标监测值时间序列数据(部分)
Figure SMS_55
进一步的，标准化处理后的环境指标时间序列数据输入深层环境信息提取模型，包括环境指标变化程度提取模块和环境指标水平提取模块。
图2是本发明的环境指标变化程度提取模块结构，作为一种长短时记忆网络，该网络中经过遗忘门和更新门处理后，用于传递的细胞状态为第一类火灾状态信息；经过输出门计算并输出的隐藏状态为环境指标变化程度信息。该网络的输入为当前时刻与前一时刻环境指标监测数据差值以及前一时刻的环境指标变化程度信息，进而计算当前时刻的环境指标变化程度信息；提取过程中得到的第一类火灾状态信息和环境指标变化程度信息均传递至下一细胞单元。其中，第一类火灾状态的量化公式如下：
Figure SMS_56
上述公式(2)中，
Figure SMS_57
表示环境指标n在k时刻的第一类火灾状态，/>
Figure SMS_58
和/>
Figure SMS_59
分别表示环境指标n在k时刻的变化遗忘向量和变化更新向量，/>
Figure SMS_60
表示环境指标n在k-1时刻的第一类火灾状态，/>
Figure SMS_61
表示k时刻环境指标n的第一类火灾状态候选值向量；其中，/>
Figure SMS_62
和
Figure SMS_63
表达式如下：
Figure SMS_64
上述公式(3)中，σ表示Sigmoid激活函数，Wvf表示环境变化遗忘权重，
Figure SMS_65
表示环境指标n在k-1时刻的变化程度，/>
Figure SMS_66
表示环境指标n在k和k-1时刻的监测数据差值，bvf表示环境变化遗忘偏置；
Figure SMS_67
上述公式(4)中，Wvu表示环境变化更新权重，bvu表示环境变化更新偏置，其余相同符号表达同公式(3)；
Figure SMS_68
上述公式(5)中，tanh表示tanh激活函数，Wv和bv分别表示创建第一类火灾状态候选值向量的权重和偏置，其余相同符号表达同公式(3)；
环境指标变化程度信息用于预测时间序列上当前时刻相较于前一时刻环境的变化程度，其计算公式如下：
Figure SMS_69
上述公式(6)中，
Figure SMS_70
表示环境指标n在k时刻的变化程度，/>
Figure SMS_71
表示环境指标n在k时刻的变化输出向量，tanh表示tanh激活函数，/>
Figure SMS_72
表示环境指标n在k时刻的第一类火灾状态；其中，/>
Figure SMS_73
的表达式如下：
Figure SMS_74
上述公式(7)中，σ表示Sigmoid激活函数，Wvo表示环境变化输出权重，
Figure SMS_75
表示环境指标n在k-1时刻的变化程度，/>
Figure SMS_76
表示环境指标n在k和k-1时刻的监测数据差值，bvo表示环境变化输出偏置。
图3是本发明的环境指标水平提取模块结构，作为另一种结构的长短时记忆网络，该网络中经过遗忘门和更新门处理后，用于传递的细胞状态为第二类火灾状态信息；经过输出门计算并输出的隐藏状态为环境指标水平信息。网络的输入为当前时刻的标准化环境指标监测值以及前一时刻的环境指标水平信息，进而计算当前时刻下的环境指标水平信息；提取过程中得到的第二类火灾状态信息和环境指标水平信息均传递至下一细胞单元。其中，第二类火灾状态的量化公式如下：
Figure SMS_77
上述公式(8)中，
Figure SMS_78
表示环境指标n在k时刻的第二类火灾状态，/>
Figure SMS_79
和/>
Figure SMS_80
分别表示环境指标n在k时刻的水平遗忘向量和水平更新向量，/>
Figure SMS_81
表示环境指标n在k-1时刻的第二类火灾状态，/>
Figure SMS_82
表示k时刻环境指标n的第二类火灾状态信息候选值向量；其中，
Figure SMS_83
和/>
Figure SMS_84
表达式如下：
Figure SMS_85
上述公式(9)中，σ表示Sigmoid激活函数，Wlf表示环境水平遗忘权重，
Figure SMS_86
表示环境指标n在k-1时刻的水平信息，/>
Figure SMS_87
表示环境指标n在k时刻的监测值，blf表示环境水平遗忘偏置；
Figure SMS_88
上述公式(10)中，Wlu表示环境水平更新权重，blu表示环境水平更新偏置，其余相同符号表达同公式(9)；
Figure SMS_89
上述公式(11)中，tanh表示tanh激活函数，Wl和bl分别表示创建第二类火灾状态候选值向量的权重和偏置，其余相同符号表达同公式(9)；
环境指标水平信息是从对当前时刻环境水平在时间维度上的衡量结果，其计算公式如下：
Figure SMS_90
上述公式(12)中，
Figure SMS_91
表示环境指标n在k时刻的水平信息，/>
Figure SMS_92
表示环境指标n在k时刻的水平输出向量，tanh表示tanh激活函数，/>
Figure SMS_93
表示环境指标n在k时刻的第二类火灾状态；其中，/>
Figure SMS_94
的表达式如下：
Figure SMS_95
上述公式(13)中，σ表示Sigmoid激活函数，Wlo表示环境水平输出权重，
Figure SMS_96
表示环境指标n在k-1时刻的水平信息，/>
Figure SMS_97
表示环境指标n在k时刻的监测值，blo表示环境水平输出偏置。
图4是本发明的环境信息融合模块结构图，用于对按时序获得的多元火灾监测值在一定准则下加以分析和融合，函数表达式如下：
Figure SMS_98
上述公式(14)中，
Figure SMS_99
表示k时刻多层感知机输入层的输出向量，σ表示Sigmoid激活函数，Win和bin分别表示输入层的权重和偏置，/>
Figure SMS_100
表示由环境指标n在k时刻的监测值、环境指标变化程度信息和环境指标水平信息组成向量组的转置；
采用Sigmoid函数激活输入层的输出向量，激活函数表达式如下：
Figure SMS_101
上述公式(15)中，
Figure SMS_102
表示k时刻多层感知机隐藏层的输出向量，σ表示Sigmoid激活函数，Whid和bhid分别表示隐藏层的权重和偏置；
进一步的，激活隐藏层输出向量，得到综合火灾状态，计算公式如下：
Figure SMS_103
上述公式(16)中，Fk表示k时刻的综合火灾状态，σ表示Sigmoid激活函数，Wout和bout分别表示输出层的权重和偏置。
实施例测试结果如表3所示，测试结果良好，结果准确。
表3***实际测试结果
Figure SMS_104
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (8)

1.一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，其特征在于，包括以下步骤：
步骤S1：多传感器***持续采集环境中温度、烟雾浓度、一氧化碳浓度和二氧化碳浓度数据，构建对应环境指标的监测值时间序列，并进行标准化处理；
步骤S2：基于长短时记忆网络构建深层环境信息提取模型，包括环境变化程度提取模块和环境水平提取模块；
步骤S3：利用深层环境信息提取模型中的长短时记忆网络对输入的环境指标监测值时序数据进行处理，预测当前时刻相对于前一时刻的环境指标变化程度以及当前时刻下的环境指标水平；
步骤S4：利用相似条件下的另一组原始火灾数据对多层感知机进行预训练，确定多层感知机的最佳隐藏层节点数；
步骤S5：使用多层感知机按时序对每一时刻的多种环境信息进行融合处理，得到该时刻对应的综合火灾状态信息；
步骤S6：将综合火灾状态信息值与***运行中学习到的最佳阈值进行比较，若小于该阈值认为无火灾发生，反之则认为发生火灾。
2.根据权利要求1所述的一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，其特征在于：所述步骤S2中的环境变化程度提取模块是一种长短时记忆网络，该网络中经过遗忘门和更新门处理后，用于传递的细胞状态为第一类火灾状态信息；经过输出门计算并输出的隐藏状态为环境指标变化程度信息。
3.根据权利要求2所述的一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，其特征在于：所述的第一类火灾状态信息是基于环境变化对所监测火灾环境的一种量化描述，其量化公式如下：
Figure QLYQS_1
上述公式(1)中，
Figure QLYQS_2
表示环境指标n在k时刻的第一类火灾状态，/>
Figure QLYQS_3
和/>
Figure QLYQS_4
分别表示环境指标n在k时刻的变化遗忘向量和变化更新向量，/>
Figure QLYQS_5
表示环境指标n在k-1时刻的第一类火灾状态，/>
Figure QLYQS_6
表示k时刻环境指标n的第一类火灾状态候选值向量；其中，/>
Figure QLYQS_7
和/>
Figure QLYQS_8
表达式如下：
Figure QLYQS_9
上述公式(2)中，σ表示Sigmoid激活函数，Wvf表示环境变化遗忘权重，
Figure QLYQS_10
表示环境指标n在k-1时刻的变化程度，/>
Figure QLYQS_11
表示环境指标n在k和k-1时刻的监测数据差值，bvf表示环境变化遗忘偏置；
Figure QLYQS_12
上述公式(3)中，Wvu表示环境变化更新权重，bvu表示环境变化更新偏置，其余相同符号表达同公式(2)；
Figure QLYQS_13
上述公式(4)中，tanh表示tanh激活函数，Wv和bv分别表示创建第一类火灾状态候选值向量的权重和偏置，其余相同符号表达同公式(2)。
4.根据权利要求2所述的一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，其特征在于：所述的环境指标变化程度信息用于预测时间序列上当前时刻相较于前一时刻环境的变化程度，其计算公式如下：
Figure QLYQS_14
上述公式(5)中，
Figure QLYQS_15
表示环境指标n在k时刻的变化程度，/>
Figure QLYQS_16
表示环境指标n在k时刻的变化输出向量，tanh表示tanh激活函数，/>
Figure QLYQS_17
表示环境指标n在k时刻的第一类火灾状态；其中，/>
Figure QLYQS_18
的表达式如下：
Figure QLYQS_19
上述公式(6)中，σ表示Sigmoid激活函数，Wvo表示环境变化输出权重，
Figure QLYQS_20
表示环境指标n在k-1时刻的变化程度，/>
Figure QLYQS_21
表示环境指标n在k和k-1时刻的监测数据差值，bvo表示环境变化输出偏置。
5.根据权利要求1所述的一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，其特征在于：所述步骤S2中的环境水平提取模块是一种长短时记忆网络，该网络中经过遗忘门和更新门处理后，用于传递的细胞状态为第二类火灾状态信息；经过输出门计算并输出的隐藏状态为环境指标水平信息。
6.根据权利要求5所述的一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，其特征在于：所述的第二类火灾状态信息是基于环境水平对所监测火灾环境的一种量化描述，其量化公式如下：
Figure QLYQS_22
上述公式(7)中，
Figure QLYQS_23
表示环境指标n在k时刻的第二类火灾状态，/>
Figure QLYQS_24
和/>
Figure QLYQS_25
分别表示环境指标n在k时刻的水平遗忘向量和水平更新向量，/>
Figure QLYQS_26
表示环境指标n在k-1时刻的第二类火灾状态，/>
Figure QLYQS_27
表示k时刻环境指标n的第二类火灾状态候选值向量；其中，/>
Figure QLYQS_28
和/>
Figure QLYQS_29
表达式如下：
Figure QLYQS_30
上述公式(8)中，σ表示Sigmoid激活函数，Wlf表示环境水平遗忘权重，
Figure QLYQS_31
表示环境指标n在k-1时刻的水平信息，/>
Figure QLYQS_32
表示环境指标n在k时刻的监测值，blf表示环境水平遗忘偏置；
Figure QLYQS_33
上述公式(9)中，Wlu表示环境水平更新权重，blu表示环境水平更新偏置，其余相同符号表达同公式(8)；
Figure QLYQS_34
上述公式(10)中，tanh表示tanh激活函数，Wl和bl分别表示创建第二类火灾状态候选值向量的权重和偏置，其余相同符号表达同公式(8)。
7.根据权利要求5所述的一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，其特征在于：所述的环境指标水平信息是从对当前时刻环境水平在时间维度上的衡量结果，其计算公式如下：
Figure QLYQS_35
上述公式(11)中，
Figure QLYQS_36
表示环境指标n在k时刻的水平信息，/>
Figure QLYQS_37
表示环境指标n在k时刻的水平输出向量，tanh表示tanh激活函数，/>
Figure QLYQS_38
表示环境指标n在k时刻的第二类火灾状态；其中，/>
Figure QLYQS_39
的表达式如下：
Figure QLYQS_40
上述公式(12)中，σ表示Sigmoid激活函数，Wlo表示环境水平输出权重，
Figure QLYQS_41
表示环境指标n在k-1时刻的水平信息，/>
Figure QLYQS_42
表示环境指标n在k时刻的监测值，blo表示环境水平输出偏置。
8.根据权利要求1所述的一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，其特征在于：所述步骤S5中使用多层感知机融合处理时间序列上每一时刻的多种环境信息，其中，每类环境指标对应的环境信息包括该时刻的监测值、该时刻相对于前一时刻的环境指标变化程度信息以及该时刻的环境指标水平信息，融合函数如下：
Figure QLYQS_43
上述公式(13)中，
Figure QLYQS_44
表示k时刻多层感知机输入层的输出向量，σ表示Sigmoid激活函数，Win和bin分别表示输入层的权重和偏置，/>
Figure QLYQS_45
表示由环境指标n在k时刻的监测值、环境指标变化程度信息和环境指标水平信息组成向量组的转置；采用Sigmoid函数激活输入层的输出向量，激活表达式如下：
Figure QLYQS_46
上述公式(14)中，
Figure QLYQS_47
表示k时刻多层感知机隐藏层的输出向量，σ表示Sigmoid激活函数，Whid和bhid分别表示隐藏层的权重和偏置；
激活隐藏层输出向量，得到综合火灾状态，计算公式如下：
Figure QLYQS_48
上述公式(15)中，Fk表示k时刻的综合火灾状态，σ表示Sigmoid激活函数，Wout和bout分别表示输出层的权重和偏置。
CN202211700578.9A 2022-12-27 2022-12-27 一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法 Pending CN116311739A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211700578.9A CN116311739A (zh) 2022-12-27 2022-12-27 一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211700578.9A CN116311739A (zh) 2022-12-27 2022-12-27 一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法

Publications (1)

Publication Number Publication Date
CN116311739A true CN116311739A (zh) 2023-06-23

Family

ID=86836650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211700578.9A Pending CN116311739A (zh) 2022-12-27 2022-12-27 一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法

Country Status (1)

Country Link
CN (1) CN116311739A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117558116A (zh) * 2024-01-11 2024-02-13 山东奥深智能工程有限公司 一种基于大数据的消防预警***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117558116A (zh) * 2024-01-11 2024-02-13 山东奥深智能工程有限公司 一种基于大数据的消防预警***

Similar Documents

Publication Publication Date Title
CN114757309B (zh) 多物理场监测数据协同融合的工程灾害预警方法及***
US11314242B2 (en) Methods and systems for fault detection and identification
CN116625438B (zh) 燃气管网安全在线监测***及其方法
Johansson et al. Detection of vessel anomalies-a Bayesian network approach
CN102013148B (zh) 多信息融合火灾探测方法
CN113762329A (zh) 一种大型轧机状态预测模型的构建方法及构建***
KR102427205B1 (ko) 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법
CN115169479A (zh) 污水处理过程远程监控方法、***及存储介质
CN113516837B (zh) 一种基于多源信息融合的城市火灾判断方法、***及其存储介质
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
Vinothini et al. IoT based flood detection and notification system using decision tree algorithm
Jiang et al. A multisensor cycle-supervised convolutional neural network for anomaly detection on magnetic flux leakage signals
CN116311739A (zh) 一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法
Baptista et al. Classification prognostics approaches in aviation
Ye et al. A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring
CN111191855B (zh) 一种基于管网多元水质时序数据的水质异常事件识别预警方法
Liu et al. Deep learning approach for sensor data prediction and sensor fault diagnosis in wind turbine blade
CN117792750A (zh) 一种基于生成对抗网络的信息物理***异常检测方法
Dang et al. seq2graph: Discovering dynamic non-linear dependencies from multivariate time series
Gámiz et al. Dynamic reliability and sensitivity analysis based on HMM models with Markovian signal process
Zhang et al. A flexible monitoring framework via dynamic-multilayer graph convolution network
Zhang et al. An unsupervised leak detection method with aggregating prediction and reconstruction along projection pathway for natural gas gathering pipelines
CN112418398A (zh) 电力信息设备安全监测方法
CN117970533B (zh) 一种基于大气电场的雷电初生预报方法
Kunnathettu et al. Comparative Analysis of Neural Network and Machine Learning Techniques for Air Quality Prediction

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