[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

本發明公開了基于深度學習的建筑風險預警的分析方法，涉及物聯網領域，解決了火災信號的隨機性和不確定性造成火災預警的誤報、漏報以及遲報的問題。本發明包括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，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，能量函數為風險概率，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。本發明彌補了單傳感器的隨機性與不確定性，極大程度地降低火災的漏報率和誤報率。

技術領域

本發明涉及物聯網領域，具體涉及基于深度學習的建筑風險預警的分析方法。

背景技術

隨著電子信息化技術的發展，智慧化成為消防領域發展重點，在火災領域的應用也越來越成熟。多數據融合火災預警系統的研究，能夠很大程度地改善火災預警的準確率，對于未來火災預警技術的發展具有很大意義。

由于高層建筑結構緊湊，功能復雜，一旦發生火災，人員難以迅速及時到達火災現場。目前工程上廣泛采用的都是傳統單一傳感器的火災探測器。傳統單一式傳感器的火災探測是通過采集探測現場單一的火災參數信息，采取簡單的閾值算法判斷火災的發生。

但是，由于火災信號的隨機性和不確定性，單一參數的探測容易造成火災預警的誤報、漏報以及遲報，從而威脅人們的生命與財產安全。

發明內容

本發明所要解決的技術問題是：火災信號的隨機性和不確定性造成火災預警的誤報、漏報以及遲報，本發明提供了解決上述問題的基于深度學習的建筑風險預警的分析方法。

本發明通過下述技術方案實現：

基于深度學習的建筑風險預警的分析方法，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。

進一步地，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。

進一步地，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。

進一步地，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h_i，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：