[發明專利]一種基于多源信息融合的城市火災判斷方法、系統及其存儲介質

有效

• 申請號: 202110834421.4
• 申請日: 2021-07-21
• 公開（公告）號: CN113516837B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 張可;柴毅;邱可玥;李希晨;安翼堯
• 申請（專利權）人: 重慶大學
• 主分類號: G08B29/18
• 分類號: G08B29/18;G08B17/04;G08B17/10;G08B17/12
• 代理公司: 重慶市嘉允啟行專利代理事務所(普通合伙) 50243
• 代理人: 胡柯

1.一種基于多源信息融合的城市火災判斷方法，其特征在于，具體方法如下：

1)數據采集：通過傳感器實時獲取目標能量輻射特征值x_en(t)、目標燃燒物濃度特征值x_smo(t)、目標溫度特征值x_tmp(t)和目標檢測信號持續時間特征值；

2)局部決策：對步驟1)中所述目標能量輻射特征值、目標燃燒物濃度特征值和目標溫度特征值分別進行可信度評估，若傳感器采集到數據的可信度平均值大于預設閾值則進入局部決策判斷，若有一個以上的特征值的局部決策判斷為異常，則轉入步驟3)，反之則轉入步驟1)；

3)火災信息融合預測：將預設時間段內的目標能量輻射特征值、目標燃燒物濃度特征值、目標溫度特征值和目標檢測信號持續時間特征值輸入火災預測模型進行融合預測；

4)火災概率預測：根據目標火災的融合預測結果，結合RBP-BP混合神經網絡輸出火災發生概率結果；

步驟3)中所述火災預測模型利用多頭注意力機制建立的具體方法如下：

3-1)提取與被監測環境相似的環境歷史火災數據，歷史火災數據包括有監測周期內歷史能量輻射融合值Sample_x_en(t)、監測周期內歷史燃燒產物融合值Sample_x_smo(t)、監測周期內歷史溫度融合值Sample_x_tmp(t)和歷史檢測信息持續時間信息，各N組，t＝{1,2,...,n}；

歷史能量輻射融合值x_{en_i}為第i個輻射傳感器采樣的信號，w_{en_i}為第i個輻射傳感器所對應的權重；

歷史燃燒產物融合值x_{smo_i}為第i個燃燒產物濃度傳感器采樣的信號，w_{smo_i}為第i個燃燒產物濃度傳感器所對應的權重；

歷史溫度融合值x_{tmp_i}為第i個感溫傳感器采樣的信號，w_{tmp_i}為第i個感溫傳感器所對應的權重；

3-2)針對p個輻射傳感器，q個量測目標，在k時刻，對量測目標j，設各傳感器量測的平均值其中m_ij為第i個傳感器對量測目標j的量測值，w_{en_i}為第i個輻射傳感器所對應的權重；對量測目標j，傳感器可信度的判斷矩陣其中矩陣元素d_st為同輻射傳感器中任兩個傳感器s、傳感器t對量測目標j的可信度比值，w_{en_s}、w_{en_t}分別為輻射傳感器s、輻射傳感器t所對應的權重；將D^j各列歸一化處理，得到將按行相加后歸一化得到可信度向量W^j＝{w₁^j,w₂^j,...,w_i^j,...,w_p^j}，w_i^j表示第i個輻射傳感器對量測目標j的可信度；輻射傳感器i的綜合可信度為對其各個目標量測可信度的平均值

同理，可以得到燃燒產物濃度傳感器i的綜合可信度為對其各個目標量測可信度的平均值感溫傳感器i的綜合可信度為對其各個目標量測可信度的平均值

3-3)計算該監測周期時間內，歷史能量輻射融合值中每兩個相鄰的信號差的總和D_en，

歷史燃燒產物濃度融合值中每兩個相鄰的信號差的總和Sample_D_smo，

歷史溫度融合值中每兩個相鄰的信號差的總和Sample_D_tmp，

3-4)計算該監測周期時間內，歷史能量輻射傳感器在該段時間內的局部決策為Sample_A_en，Sample_A_en＝f(Sample_D_en-T_en)，其中T_en表示能量輻射的報警門限；

歷史燃燒產物濃度傳感器在該段時間內的局部決策為Sample_A_smo，Sample_A_smo＝f(Sample_D_smo-T_smo)，其中T_smo表示燃燒產物濃度的報警門限；

歷史感溫傳感器在該段時間內的局部決策為Sample_A_tmp，Sample_A_tmp＝f(Sample_D_tmp-T_tmp)，其中T_tmp表示溫度的報警門限；

3-5)對該段時間內四個火災特征參量的局部決策Sample_A_en、Sample_A_smo、Sample_A_tmp進行閾值檢測，其中有一個值為1時，就說明該段時間內有一個信號處于異常狀態，表示當前被檢測環境有可能發生火災，若此時各輻射傳感器i的綜合可信度Sample_R_{en_i}、各燃燒產物濃度傳感器綜合可信度Sample_R_{smo_i}、各感溫傳感器綜合可信度Sample_R_{tmp_i}同時高于預設可信度值，則將該段時間內傳感器所采集的信號及其檢測信號持續時間特征信息作為樣本數據提交至火災預測模型進行訓練處理；

3-6)隨機打亂并重新劃分樣本數據的前70％為訓練集，剩余30％作為測試集，并對數據進行歸一化處理，其中歸一化公式為數據歸一化的范圍為(0,1)，表示歸一化處理后的數據，x_i表示歸一化處理前的原始數據，x_min表示樣本數據中最小值，x_max表示樣本數據中最大值；

3-7)利用基于多頭注意力機制的預測模型對訓練集進行預測，通過第一時刻到t-1時刻的監測數據預測t時刻的檢測數據；

傳感器安放在被監測環境的不同位置上，以固定采集被監測環境的監測數據，數據格式類型{X₁,X₂,...,X_n,...,X_t-1}，n＝{1,2,...,t-1}其中X_n為n時刻采集的監測數據，X_n＝{監測數據1,監測數據2,...,監測數據m}；以固定頻率采集的監測數據可通過數據傳輸裝置傳輸到處理器，處理器初步清洗數據后持久化至數據庫中；

對監測數據序列進行經驗小波變換分解得到不同頻率的IMF分量序列{f₁,f₂,...,f_n,...,f_t-1}，對IMF分量序列進行數據清洗，將數據清洗后各IMF分量序列輸入基于多頭注意力機制的預測模型。