[發明專利]一種基于深度學習的聲光聯動預警方法

在審

• 申請號: 202210801438.4
• 申請日: 2022-07-07
• 公開（公告）號: CN115131943A
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 黎勇躍;陳如申
• 申請（專利權）人: 杭州申昊科技股份有限公司
• 主分類號: G08B21/10
• 分類號: G08B21/10;G08B7/06;G06K9/00;G06N3/04;G06N3/08;G06N7/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本申請涉及一種基于深度學習的聲光聯動預警方法，所述方法包括：獲取歷史聲光脈沖；基于歷史聲光脈沖構建ARIMA模型，并獲取第一聲光脈沖預測殘差；基于歷史聲光脈沖構建遺傳?BP神經網絡模型；通過遺傳?BP神經網絡模型獲取第一聲光脈沖預測殘差的預測值和第一聲光脈沖預測值；基于第一聲光脈沖預測殘差的預測值、第一聲光脈沖預測值和聲光脈沖驗證集獲得狀態轉移矩陣；通過ARIMA模型、遺傳?BP神經網絡模型以及狀態轉移矩陣獲取最終的聲光脈沖預測值，對事故預警區域的突發事故進行預警。本申請基于上述方法，實現對預警區域內進行分級聲光預警。

技術領域

本申請屬于聲光預警技術領域，具體涉及一種基于深度學習的聲光聯動預警方法。

背景技術

由于目前自然災害、工業生產事故頻繁發生，人們對于突發事故的預警變得更加重視和關注，同時對事故預警的準確性、預先性有著更高的要求。對于自然災害及突發事故，良好的預警能夠最大化地減小人員傷亡以及設備損壞等；具體的，對于聲光預警而言，可以通過接收聲音信號和光信號，對突發事故進行預警，及時通知相關人員通過采取相關措施對突發情況進行處理。

目前，對于聲光報警而言，大多采用聲光報警裝置對突發事故進行實時監測，通常采用聲音傳感器以及光線傳感器，來實時采集監測范圍內的聲音信號和光信號，基于預先設定的常規信號的數值區間，對實時的聲音信號和光信號是否為異常進行判斷，進而實現對突發事故進行預警。但上述現有方法僅僅可以基于采集的實時數據，對突發事故進行預警；由于事故的評判基礎僅僅是實時的聲光信號均，進而自發生事故起，到通過發出預警通知相關人員采取處理措施，留給相關人員的處理時間往往不夠，進而可能會出現不能有效處理事故的情況。

鑒于此，本申請提供一種基于深度學習的聲光聯動預警方法，能夠僅通過獲取實時聲光信號，并基于實時聲光信號進行深度學習，進而對突發事故進行有效地預警。

發明內容

(一)要解決的技術問題

鑒于現有技術的上述缺點、不足，本申請提供一種基于深度學習的聲光聯動預警方法。

(二)技術方案

為達到上述目的，本申請采用如下技術方案：

第一方面，本申請提供一種基于深度學習的聲光聯動預警方法，包括：

S1、獲取事故預警區域的歷史聲信號對應的聲脈沖、歷史光信號對應的光脈沖，并對所述聲、光脈沖進行預處理；

所述聲、光脈沖包括：聲光脈沖訓練集、聲光脈沖測試集和聲光脈沖驗證集；

S2、基于聲光脈沖訓練集構建ARIMA模型，并基于聲光脈沖測試集，通過ARIMA模型獲取第一聲光脈沖預測殘差；

S3、基于聲光脈沖訓練集，通過遺傳算法對BP神經網絡優化處理獲得遺傳-BP神經網絡模型；

S4、基于第一聲光脈沖預測殘差，通過遺傳-BP神經網絡模型獲取第一聲光脈沖預測殘差的預測值；基于聲光脈沖測試集，通過遺傳-BP神經網絡模型獲取第一聲光脈沖預測值；

S5、基于第一聲光脈沖預測值和第一聲光脈沖預測殘差的預測值，獲得第二聲光脈沖預測值；基于第二聲光脈沖預測值和聲光脈沖驗證集，通過馬爾科夫算法獲取狀態轉移矩陣；

S6、基于聲光脈沖訓練集，通過ARIMA模型、遺傳-BP神經網絡模型以及狀態轉移矩陣獲取最終的聲光脈沖預測值；

S7、基于預設的聲光脈沖常規條件和最終的聲光脈沖預測值，對事故預警區域的突發事故進行預警。

可選的，所述S1包括：

通過聲音傳感器獲取聲信號，基于所述聲信號提取聲脈沖；

通過光線傳感器獲取光信號，基于所述光信號提取光脈沖。