[發明專利]基于深度學習的建筑風險預警的分析方法

有效

• 申請號: 202110314566.1
• 申請日: 2021-03-24
• 公開（公告）號: CN113033096B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 譚龍飛;尹航;張文華
• 申請（專利權）人: 應急管理部四川消防研究所
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/044;G06N3/047;G06N3/0475;G06N3/088;G06Q50/08;G08B17/00;G16Y10/80;G16Y20/10;G16Y40/10;G16Y40/20
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 伍旭偉

1.基于深度學習的建筑風險預警的分析方法，其特征在于，包括如下步驟：

S1、設置多個可見單元和隱藏單元，所述可見單元和隱藏單元對應傳感器采集的數據類型；

S2、基于可見單元和隱藏單元搭建火災風險模型，其中包括隱藏單元對應的隱藏變量的二元風險變量；

S3、通過可見單元形成的可視層和隱藏單元形成的隱藏層配置進行權重參數與超參數設置，同時生成用于開啟或關閉隱藏單元的概率函數，并搭建包括可見單元對應的可見變量組成的可視層以及隱藏層的能量函數，所述能量函數為風險概率；

S4、依據S1-S3搭建輸入量為物聯網傳感器數據的RBM風險理論模型，物聯網傳感器數據為可見單元和隱藏單元對應傳感器采集的數據；

S5、對RBM風險理論模型進行基于傳感器數據樣本的神經網絡學習，然后生成訓練好的RBM模型；

S6、在RBM模型中代入待分析的基于火場的超參數數據和火場的可見單元和隱藏單元對應的傳感器數據，RBM模型輸出分析結果，即火災風險概率；

所述可視層和隱藏層進行隱藏變量和可見變量的兩次傳遞變換，并生成兩個隱含層，所述隱含層的具體節點數依據兩次傳遞變換過程中的傳遞函數和訓練誤差確定；

所述可見單元對應的可見變量為數據樣本，包括火災溫度、CO和CO₂氣體參數；

所述隱藏單元對應的隱藏變量為濕度和煙霧數據。

2.根據權利要求1所述的基于深度學習的建筑風險預警的分析方法，其特征在于，RBM模型包括可視層v、隱藏層h、權重W、偏置c，所述權重W、偏置c用于采樣出隱藏層hi，隨機概率σ，隱藏單元開啟或關閉相應概率可表示為：

p(h_i/v₀)＝σ(V^TW+c)_i(1)

RBM模型基于給定的狀態，給定的狀態為可見向量v和隱藏向量h，構造的能量函數為：

E(v，h)＝-b^TV-c^Th-V^TWh(2)

式中，偏置b和c是概率的學習表達式，當確定了可視層與隱藏層整個框架的能量函E(v,h)就可以定義風險概率。

3.根據權利要求2所述的基于深度學習的建筑風險預警的分析方法，其特征在于，還包括在RBM風險理論模型的高維數據中，數據訓練還包括對歸一化因子進行重復計算。