System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于火灾干扰源排除,尤其涉及基于多源数据排除火灾干扰源的方法。
技术介绍
1、火灾干扰源是指对火灾探测器的工作产生干扰的其他因素。这些干扰因素可能会影响探测器的正常工作,导致误报或漏报火灾情况。常见的火灾干扰源包括粉尘、潮气、光和无线电波等。这些干扰源在火灾探测器的周围环境中普遍存在,因此需要采取措施来排除或降低它们对探测器的影响,为此需要应用到火灾干扰源排除方法。
2、现如今的火灾干扰源排除方法虽然能够对于火灾干扰源进行识别,但整体方法内并未采用深度学习步骤,因此针对于各类的干扰源数据与正常数据均需要进行特征提取,会产生大量的计算量,从而导致整体方法的效率降低,同时方法内也并未将数据进行共享,无法与相关企业或机构进行数据交流,从而无法提升方法的应用效果,亟待需要基于多源数据排除火灾干扰源的方法。
技术实现思路
1、本专利技术的目的在于:为了解决现如今的火灾干扰源排除方法虽然能够对于火灾干扰源进行识别,但整体方法内并未采用深度学习步骤,因此针对于各类的干扰源数据与正常数据均需要进行特征提取,会产生大量的计算量,从而导致整体方法的效率降低,同时方法内也并未将数据进行共享,无法与相关企业或机构进行数据交流,从而无法提升方法的应用效果的问题,而提出的基于多源数据排除火灾干扰源的方法。
2、为了实现上述目的,本专利技术采用了如下技术方案:基于多源数据排除火灾干扰源的方法,包括如下步骤:
3、s1、对于检测现场进行多源数据收集;
4、
5、s3、对于数据进行特征提取;
6、s4、对于数据的特征提取过程进行深度学习;
7、s5、对于干扰源进行识别;
8、s6、对于干扰源进行排除;
9、s7、进行持续监测与监测系统优化;
10、s8、将整体数据共享至云平台上;
11、s9、对相关人员进行多数据排除干扰源方法的培训和演练。
12、作为上述技术方案的进一步描述:
13、所述s1中,使用许多不同的传感器与检测设备,对于检测现场进行多源数据收集,收集的多源数据包括温度数据、烟雾浓度数据、火焰颜色数据、现场声音数据与气象数据。
14、进一步的,该方法在内设置有对于数据进行特征提取与对于数据的特征提取过程进行深度学习,能够对于数据进行分段,在对其进行特征提取,从而能够有效提高数据特征提取效果,从而提高后续数据分析的精准度,同时能够对于该数据特征提取过程进行深度学习,从而能够大大降低后续的数据计算量,大大提高整体方法的应用效率。
15、作为上述技术方案的进一步描述:
16、所述s2中,对于获取的数据进行处理,其具体步骤为:先将数据进行集中,再对于数据进行去噪处理,再对于数据进行校准核对处理,再对于数据进行滤波处理,最后对于数据进行重新整理分类。
17、作为上述技术方案的进一步描述:
18、所述s3中,对于数据进行特征提取,其具体步骤为:对于数据进行分段处理,对于分段后的数据进行编号,将编号的数据进行特征提取,对于提取的特征进行保存。
19、作为上述技术方案的进一步描述:
20、所述s4中,对于数据的特征提取过程进行深度学习,深度学习需要应用到的算法为支持向量机算法、共轭梯度算法、感知机算法中的一种或多种。
21、作为上述技术方案的进一步描述:
22、所述s5中,利用机器学习算法和模式识别技术,对提取的特征进行分类和识别,通过比较不同特征与已知干扰源的特征模型,确定是否存在干扰源。
23、作为上述技术方案的进一步描述:
24、所述s6中,对于干扰源进行排除,若通过上一步骤识别出干扰源,立即采取相应措施进行排除,采取的措施包括调整传感器位置、过滤噪声、加强数据处理算法中的一种或多种,减少或消除干扰对火灾监测系统的影响。
25、作为上述技术方案的进一步描述:
26、所述s7中,进行持续监测与监测系统优化,完成上一步骤后,继续对检测现场进行实时监测,监测的位置需要发生变化,并针对于s2进行流程检查,启动优化程序,对于数据处理和分析流程进行优化。
27、作为上述技术方案的进一步描述:
28、所述s8中,将整体数据共享至云平台上,供相关企业或机构进行学习,同时可在平台上定期进行数据更新与替换,保证数据的准确性与时效性。
29、作为上述技术方案的进一步描述:
30、所述s9中,对相关人员进行多数据排除干扰源方法的培训和演练,提高相关人员对火灾干扰源的识别能力;通过实际操作和模拟演练,增强相关人员应对火灾的应急反应能力。
31、综上所述,由于采用了上述技术方案,本专利技术的有益效果是:
32、本专利技术中,该方法在内设置有对于数据进行特征提取与对于数据的特征提取过程进行深度学习,能够对于数据进行分段,在对其进行特征提取,从而能够有效提高数据特征提取效果,从而提高后续数据分析的精准度,同时能够对于该数据特征提取过程进行深度学习,从而能够大大降低后续的数据计算量,大大提高整体方法的应用效率,同时该方法在内设置有数据共享与相关人员训练步骤,不仅能够有效使相关企业与机构的数据之间相互交流,提高方法的应用效果,利于方法的改进与进步,还能够对于人员进行训练,使人员具备快速检测火灾干扰源的能力,整体方法的功能性强,应用效果好。
本文档来自技高网...【技术保护点】
1.基于多源数据排除火灾干扰源的方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的基于多源数据排除火灾干扰源的方法,其特征在于,所述S1中,使用许多不同的传感器与检测设备,对于检测现场进行多源数据收集,收集的多源数据包括温度数据、烟雾浓度数据、火焰颜色数据、现场声音数据与气象数据。
3.根据权利要求1所述的基于多源数据排除火灾干扰源的方法,其特征在于,所述S2中,对于获取的数据进行处理,其具体步骤为:先将数据进行集中,再对于数据进行去噪处理,再对于数据进行校准核对处理,再对于数据进行滤波处理,最后对于数据进行重新整理分类。
4.根据权利要求1所述的基于多源数据排除火灾干扰源的方法,其特征在于,所述S3中,对于数据进行特征提取,其具体步骤为:对于数据进行分段处理,对于分段后的数据进行编号,将编号的数据进行特征提取,对于提取的特征进行保存。
5.根据权利要求1所述的基于多源数据排除火灾干扰源的方法,其特征在于,所述S4中,对于数据的特征提取过程进行深度学习,深度学习需要应用到的算法为支持向量机算法、共轭梯度算法、感知机算法中的一
6.根据权利要求1所述的基于多源数据排除火灾干扰源的方法,其特征在于,所述S5中,利用机器学习算法和模式识别技术,对提取的特征进行分类和识别,通过比较不同特征与已知干扰源的特征模型,确定是否存在干扰源。
7.根据权利要求1所述的基于多源数据排除火灾干扰源的方法,其特征在于,所述S6中,对于干扰源进行排除,若通过上一步骤识别出干扰源,立即采取相应措施进行排除,采取的措施包括调整传感器位置、过滤噪声、加强数据处理算法中的一种或多种,减少或消除干扰对火灾监测系统的影响。
8.根据权利要求1所述的基于多源数据排除火灾干扰源的方法,其特征在于,所述S7中,进行持续监测与监测系统优化,完成上一步骤后,继续对检测现场进行实时监测,监测的位置需要发生变化,并针对于S2进行流程检查,启动优化程序,对于数据处理和分析流程进行优化。
9.根据权利要求1所述的基于多源数据排除火灾干扰源的方法,其特征在于,所述S8中,将整体数据共享至云平台上,供相关企业或机构进行学习,同时可在平台上定期进行数据更新与替换,保证数据的准确性与时效性。
10.根据权利要求1所述的基于多源数据排除火灾干扰源的方法,其特征在于,所述S9中,对相关人员进行多数据排除干扰源方法的培训和演练,提高相关人员对火灾干扰源的识别能力;通过实际操作和模拟演练,增强相关人员应对火灾的应急反应能力。
...【技术特征摘要】
1.基于多源数据排除火灾干扰源的方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的基于多源数据排除火灾干扰源的方法,其特征在于,所述s1中,使用许多不同的传感器与检测设备,对于检测现场进行多源数据收集,收集的多源数据包括温度数据、烟雾浓度数据、火焰颜色数据、现场声音数据与气象数据。
3.根据权利要求1所述的基于多源数据排除火灾干扰源的方法,其特征在于,所述s2中,对于获取的数据进行处理,其具体步骤为:先将数据进行集中,再对于数据进行去噪处理,再对于数据进行校准核对处理,再对于数据进行滤波处理,最后对于数据进行重新整理分类。
4.根据权利要求1所述的基于多源数据排除火灾干扰源的方法,其特征在于,所述s3中,对于数据进行特征提取,其具体步骤为:对于数据进行分段处理,对于分段后的数据进行编号,将编号的数据进行特征提取,对于提取的特征进行保存。
5.根据权利要求1所述的基于多源数据排除火灾干扰源的方法,其特征在于,所述s4中,对于数据的特征提取过程进行深度学习,深度学习需要应用到的算法为支持向量机算法、共轭梯度算法、感知机算法中的一种或多种。
6.根据权利要求1所述的基于多源数据排除火灾干扰源的方法,其特征在于,所述s5中,利用机器...
【专利技术属性】
技术研发人员:谢炀,廖亮,曾慧,李思,
申请(专利权)人:成都雷探科技有限公司,
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。