【技术实现步骤摘要】
本专利技术涉及消防信息管理，更具体地说，本专利技术涉及基于物联网的消防信息智能采集及管理方法。
技术介绍
1、申请公开号为cn117218786a的专利公开了一种基于物联网的火灾智能监测预警系统及方法，包括搭建目标区域的火灾监测预警平台，建立火灾监测预警平台的报警机制，采集火灾监测预警平台向管理终端发出的所有历史报警提示记录，对各历史报警提示记录所对应的火灾预警事件进行影响特征值的评估和事件归类，对各火灾预警事件中各火灾监测传感器的监测数据变化趋势曲线进行信息梳理；对各历史报警提示记录集合中的各历史报警提示记录进行报警提示的异常分析，对相关火灾监测传感器进行异常标记；对各火灾监测传感器进行性能评估，将需要进行性能排查的火灾监测传感器向管理人员发送提示反馈。
2、但是现有消防信息采集与管理技术无法从消防现场全面高效地采集多源数据，关键信息采集不完整；其次，缺乏有效方法对采集到的多源异构数据进行预处理、融合和特征提取，无法构建数据表达能力强的状态信息；现有技术难以对数据进行智能分析，无法准确评估消防现场火灾级别等关键情况；另外，难以高效可靠地存储和管理海量多源异构消防数据及分析结果，数据存储和访问效率低下；总的来说，消防信息采集与管理的智能化水平较低，难以满足现代消防救援的需求。
3、鉴于此，本专利技术提出基于物联网的消防信息智能采集及管理方法以解决上述问题。
技术实现思路
1、为了克服现有技术的上述缺陷，为实现上述目的，本专利技术提供如下技术方案：基于物联网的
2、s2、将特征数据集进行融合并构建高维特征向量；
3、s3、利用预训练完成的改进长短期记忆网络将高维特征向量进行处理获取多模态分类结果；
4、s4、将消防现场多源异构数据和多模态分类结果进行分布式存储管理。
5、进一步地，所述消防现场多源异构数据包括现场客观数据和现场主观数据；所述现场客观数据包括温度、烟雾浓度、火焰数据、火灾位置坐标和环境数据；其中，环境数据包括风向、风速、大气压强和空气能见度；所述现场主观数据包括建筑物的体积、层数和逃生通道数量。
6、进一步地，所述将消防现场多源异构数据进行预处理的方式包括数据融合标准化处理、数据清洗修复处理和特征提取压缩编码处理；
7、所述数据融合标准化处理的方式包括：
8、将消防现场多源异构数据进行时空对准和格式转化，统一到同一数据标准；得到标准融合数据集；
9、所述数据清洗修复处理的方式包括：
10、通过预训练完成的基于深度学习的自动异常检测修复模型将标准融合数据集进行修复处理，得到修复数据集；
11、所述特征提取压缩编码处理的方式包括：
12、利用预设计完成的特征函数模板从修复数据集中提取特别数据各自对应的关键特征，得到特征集；
13、采用基于变分自编码器的无监督特征学习模型，从特征集中挖掘出数据的高维隐含特征；即构成特征数据集；
14、所述特征函数模板的预设计方式包括：
15、采用微分方程模型提取温度的变化率得到温度变化率；采用时空建模方法提取火焰数据的主导频率成分和空间分布特征，并生成火焰特征向量；将微分方程模型和时空建模方法进行并列集成，得到特征函数模板。
16、进一步地，所述无监督特征学习模型的获取方式包括：定义变分自编码器的架构；架构包括一个编码器网络和一个解码器网络；并定义无监督特征学习模型的输入数据为，高维隐含特征的向量表示为；
17、编码器网络将输入数据编码为均值向量和标准差向量，并参数化向量的概率分布；
18、其中，；
19、；
20、解码器网络将向量解码为与输入数据同维度的重构数据；
21、无监督特征学习模型的训练目标是最大化向量对输入数据的边际概率分布，通过引入概率分布作为其近似；
22、定义变分下界损失函数；
23、；
24、其中，和分别为解码器网络和编码器网络的参数；为kl散度；为观测到输入数据的真实概率；为高维隐含特征的向量的条件下，输入数据的对数似然的期望值；
25、；
26、其中，为先验高维隐含特征的向量的分布；
27、通过随机小批数据采样，无监督特征学习模型在最大化变分下界损失函数的函数值的同时，端到端训练编码器网络和解码器网络；当无监督特征学习模型的训练收敛后，即得到无监督特征学习模型。
28、进一步地，所述高维特征向量的构建方式包括：
29、将特征数据集中的高维隐含特征按照模态索引进行拼接，得到融合特征张量；其中，融合特征张量的维度为所有高维隐含特征的维度之和；
30、将融合特征张量划分为个维向量块，构建完全连接的k近邻图；为向量块的索引，向量块为k近邻图的节点；在k近邻图上定义卷积核函数，通过邻居节点的加权求和公式实现特征变换；得到特征映射；
31、加权求和公式；
32、其中，为第个卷积核在节点处的权重，为节点的邻居节点集；为第个卷积核的权重；为第个卷积核的输出；为激活函数；
33、设置n个并行的卷积核，对每个节点获得n个变换后的特征映射；沿着k近邻图重复m次特征变换；通过堆叠m层特征变换，并在卷积核之间设置残差连接，构建成特征变换模型；经过特征变换模型的非线性变换后，输出的高维特征向量。
34、进一步地，所述改进长短期记忆网络的预训练方式包括：
35、定义改进长短期记忆网络的基础架构；基础架构包括输入端、门控循环融合单元、残差多层堆叠结构、多头注意力机制、正则化机制、输出端和分类器；
36、从消防现场采集的多源异构数据经过预处理得到高维特征向量构成的数据集；将数据集按照时间步长tt分割成z个序列样本；
37、对于每个序列样本，人工标注其对应的多模态分类标签；多模态分类标签作为改进长短期记忆网络的监督信号；
38、将数据集划分为训练集和验证集；训练集用于改进长短期记忆网络训练，验证集用于改进长短期记忆网络选择；
39、初始化改进长短期记忆网络的参数；并定义损失函数，用于衡量模型输出与标签的差异；选择adam优化算法，并设置初始的改进长短期记忆网络的学习率；
40、所述损失函数；
41、其中，是小批量数据的索引；是类别的索引；是一个one-hot编码的向量；若第个样本属于第类，则等于1；否则等于0；是模型预测第个样本属于第类的概率输出；
42、将训练集按批次输入改进长短期记忆网络，前向传播计算损失；根据损失对改进长短期记忆网络的参数进行反向传播求导并更新参数；选择在验证集上损失函数的函数值最小的改进长短期记忆网络，作为预训练完成的改进长短期记忆网络。
4本文档来自技高网...
【技术保护点】
1.基于物联网的消防信息智能采集及管理方法，其特征在于，包括：
2.根据权利要求1所述的基于物联网的消防信息智能采集及管理方法，其特征在于，所述消防现场多源异构数据包括现场客观数据和现场主观数据；所述现场客观数据包括温度、烟雾浓度、火焰数据、火灾位置坐标和环境数据；其中，环境数据包括风向、风速、大气压强和空气能见度；所述现场主观数据包括建筑物的体积、层数和逃生通道数量。
3.根据权利要求2所述的基于物联网的消防信息智能采集及管理方法，其特征在于，所述将消防现场多源异构数据进行预处理的方式包括数据融合标准化处理、数据清洗修复处理和特征提取压缩编码处理；
4.根据权利要求3所述的基于物联网的消防信息智能采集及管理方法，其特征在于，所述无监督特征学习模型的获取方式包括：
5.根据权利要求4所述的基于物联网的消防信息智能采集及管理方法，其特征在于，所述高维特征向量的构建方式包括：
6.根据权利要求5所述的基于物联网的消防信息智能采集及管理方法，其特征在于，所述改进长短期记忆网络的预训练方式包括：
7.根据权利要求6所
8.根据权利要求7所述的基于物联网的消防信息智能采集及管理方法，其特征在于，所述残差多层堆叠结构为将门控循环融合单元沿时间和层次两个维度进行多层堆栈；在时间维度上将Tt个时间步的门控循环融合单元串联；在层次维度上，将L层门控循环融合单元层层嵌套；在每两层门控循环融合单元之间，通过残差连接将前一层的输出直接加到后一层的输入上。
9.根据权利要求8所述的基于物联网的消防信息智能采集及管理方法，其特征在于，所述多头注意力机制包括时间注意力头和特征注意力头；所述时间注意力头对输入的每个时间步计算时间注意力权重；
10.根据权利要求9所述的基于物联网的消防信息智能采集及管理方法，其特征在于，所述将消防现场多源异构数据和多模态分类结果进行分布式存储管理的方式包括：
...【技术特征摘要】
1.基于物联网的消防信息智能采集及管理方法，其特征在于，包括：
2.根据权利要求1所述的基于物联网的消防信息智能采集及管理方法，其特征在于，所述消防现场多源异构数据包括现场客观数据和现场主观数据；所述现场客观数据包括温度、烟雾浓度、火焰数据、火灾位置坐标和环境数据；其中，环境数据包括风向、风速、大气压强和空气能见度；所述现场主观数据包括建筑物的体积、层数和逃生通道数量。
3.根据权利要求2所述的基于物联网的消防信息智能采集及管理方法，其特征在于，所述将消防现场多源异构数据进行预处理的方式包括数据融合标准化处理、数据清洗修复处理和特征提取压缩编码处理；
4.根据权利要求3所述的基于物联网的消防信息智能采集及管理方法，其特征在于，所述无监督特征学习模型的获取方式包括：
5.根据权利要求4所述的基于物联网的消防信息智能采集及管理方法，其特征在于，所述高维特征向量的构建方式包括：
6.根据权利要求5所述的基于物联网的消防信息智能采集及管理方法，其特征...
【专利技术属性】
技术研发人员：刘同强，冯海奎，孙帅，
申请(专利权)人：山东新科建工消防工程有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。