【技术实现步骤摘要】
本专利技术涉及防护服性能优化，更具体地说，本专利技术涉及基于人工智能的消防员灭火防护服性能智能优化系统。
技术介绍
1、消防员在灭火和救援行动中，常常面临各种复杂的光照条件，包括强烈的阳光、烟雾、火光以及夜间的低光环境；这些因素对消防员的可见性产生了显著影响，降低了消防员在执行任务时的安全性和反应速度；因此，优化消防员灭火防护服的反光材料的布局和设计，成为提升其在各种光照条件下可见性的重要任务；传统的消防员防护服在反光材料的使用上往往只是遵循固定的设计标准，未能充分考虑不同环境下的实际需求；随着智能技术的发展，利用人工智能分析不同光照条件下的可见性，从而优化反光材料的布局和设计，确保在各种光照情况下都能有效提升消防员的辨识度。
2、公告号为cn110147566a的专利公开了基于遗传算法与非线性规划对高温防护服的研究方法；包括：根据给定的实验数据，使用matlab进行图像的绘制并对数据进行多项式拟合，经反复试验发现选用三次方的拟合结果最贴合实际情况，以此结果进行进一步的求解；预测防护服ii层最优厚度；预测防护服ii层和iv层的最优厚度；此专利技术采用建立数学模型的方式，将各层进行了细化，使温度的变化情况在空间上更加具体；采用传统的非线性规划以及遗传算法进行迭代求解对模型进行了优化，使得厚度估计值更加精确。
3、上述技术采用的遗传算法与非线性规划同样能够用于优化反光材料的布局和设计，但遗传算法与非线性规划无法充分捕捉复杂火灾环境和反光材料性能之间的非线性关系，模型表达能力较弱；并且遗传算法和非线性规划得到的
4、鉴于此，本专利技术提出基于人工智能的消防员灭火防护服性能智能优化系统以解决上述问题。
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：基于人工智能的消防员灭火防护服性能智能优化系统，包括：
2、数据采集模块，用于采集m组消防特征数据；
3、模型构建模块，根据m组消防特征数据，构建火灾模拟模型；
4、环境分类模块，用于将m组消防特征数据进行环境类别划分；
5、布局优化模块，基于火灾模拟模型，优化每个环境类别的反光布局参数；
6、设计优化模块，基于火灾模拟模型和反光布局参数，优化每个环境类别的反光设计参数。
7、进一步地，所述消防特征数据包括光线环境数据、反光特征数据、反光特性数据以及灵活性；
8、所述光线环境数据包括照度、光源角度和烟雾密度；所述照度为火灾发生区域中单位面积内接收的光通量；所述光源角度为光源相对火灾发生区域地面的入射角度；所述烟雾密度为火灾发生区域中单位体积内烟雾颗粒浓度；
9、所述反光特征数据包括反光材料位置、反光材料面积和反光材料类型；所述反光材料位置为每个反光材料在防护服上的位置；所述反光材料面积为每个反光材料的表面积；所述反光材料类型为每个反光材料的种类；
10、所述反光特性数据包括反射率均值和光通量密度均值；
11、所述反射率为入射光线在反光材料表面反射的光通量与入射光通量的比值；反射率均值的获取方法为：获取每个反光材料对应的反射光通量和入射光通量，将每个位置对应反光材料的反射光通量除以对应的入射光通量，获取每个反光材料对应的反射率；统计反光材料数量，并标记为材料数；将每个反光材料的反射率依次相加，再除以材料数，获取反射率均值；
12、所述光通量密度为反光材料中单位面积上接收到的光通量；光通量密度均值的获取方法为：将每个反光材料的入射光通量除以对应的反光材料面积，获取每个材料对应的光通量密度；将每个光通量密度依次相加，再除以材料数，获取光通量密度均值；
13、所述灵活性为消防员穿着防护服在灭火过程中关节的舒展能力。
14、进一步地，所述构建火灾模拟模型的方法包括：
15、选择深度学习框架，构建火灾模拟模型架构，火灾模拟模型架构包括输入层、隐藏层和输出层；
16、对m组消防特征数据中不同的反光材料位置设置不同的数字标签，并标记为位置标签；对m组消防特征数据中不同的反光材料类型设置不同的数字标签，并标记为类型标签；将每组反光特征数据中的反光材料位置替换为对应的位置标签，反光材料类型替换为对应的类型标签，并将替换完成的反光特征数据标记为反光替换数据；将每组消防特征数据中的光线环境数据和反光替换数据作为训练数据，将每组消防特征数据中的反光特性数据和灵活性作为评估数据；将每组消防特征数据中的训练数据和评估数据转换为对应的一组特征向量；
17、将每组特征向量作为火灾模拟模型的输入，火灾模拟模型以每组训练数据对应的一组预测评估数据作为输出，以每组训练数据对应的实际评估数据作为预测目标，实际评估数据即为预先设置的与训练数据对应的评估数据；以最小化所有训练数据的预测误差之和作为训练目标；对火灾模拟模型进行训练，直至预测误差之和达到收敛时停止训练，获取火灾模拟模型，火灾模拟模型为深度神经网络模型。
18、进一步地，所述将m组消防特征数据进行环境类别划分的步骤包括：
19、步骤a：将m组光线环境数据均作为样本点，样本点与光线环境数据一一对应；预设类别数量，随机选择个样本点作为中心点；将个中心点依次递增标记为、、…、，即将中心点标记为，；
20、步骤b：将未作为中心点的样本点标记为分类点，并将分类点依次递增标记为、、…、，即将分类点标记为，；依次计算每个分类点至每个中心点的点距离；
21、步骤c：根据个中心点建立对应的个环境类别；
22、步骤d：将分类点至每个中心点的点距离进行对比，将分类点分配至点距离最小对应中心点所对应的环境类别；
23、步骤e：令，跳转回步骤d；
24、步骤f：循环步骤d～步骤e，直至时循环结束，并进入步骤g；
25、步骤g：重新计算每个环境类别对应新的中心点；
26、步骤h：重复步骤b～步骤g，直至步骤g中重新计算出的每个环境类别新的中心点，与上一次循环时计算出的对应环境类别新的中心点一致时，循环结束，获取个环境类别以及对应的分类点。
27、进一步地，点距离的表达式为：；式中，为分类点至中心点的点距离，为分类点中第个维度的数值，为分类点中第个维度的数值，；其中，不同的维度表示光线环境数据中不同的数据种类；
28、每个环境类别新的中心点的计算方法包括：；
29、式中，为第个环境类别对应新的中心点，为第个环境类别中第个分类点，，为第为第个环境类别中第个分类点在不同维度下对应的数值，为第个环境类别中的分类点个数，。
30、进一步地，所述优化每个环境类别的反光布局参数的步骤包括：
31、步骤1：构建参数集合，对参数集合中的每组反光布局参数均设置不同的数字标签，并本文档来自技高网...
【技术保护点】
1.基于人工智能的消防员灭火防护服性能智能优化系统，其特征在于，包括：
2.根据权利要求1所述的基于人工智能的消防员灭火防护服性能智能优化系统，其特征在于，所述消防特征数据包括光线环境数据、反光特征数据、反光特性数据以及灵活性；
3.根据权利要求2所述的基于人工智能的消防员灭火防护服性能智能优化系统，其特征在于，所述构建火灾模拟模型的方法包括：
4.根据权利要求3所述的基于人工智能的消防员灭火防护服性能智能优化系统，其特征在于，所述将m组消防特征数据进行环境类别划分的步骤包括：
5.根据权利要求4所述的基于人工智能的消防员灭火防护服性能智能优化系统，其特征在于，点距离的表达式为：；式中，为分类点至中心点的点距离，为分类点中第个维度的数值，为分类点中第个维度的数值，；其中，不同的维度表示光线环境数据中不同的数据种类；
6.根据权利要求5所述的基于人工智能的消防员灭火防护服性能智能优化系统，其特征在于，所述优化每个环境类别的反光布局参数的步骤包括：
7.根据权利要求6所述的基于人工智能的消防员灭火防护服性能智能优
8.根据权利要求7所述的基于人工智能的消防员灭火防护服性能智能优化系统，其特征在于，所述步骤4中，对量子群中每个粒子均进行位置更新的方法包括：；
9.根据权利要求8所述的基于人工智能的消防员灭火防护服性能智能优化系统，其特征在于，所述步骤6中，对量子群中每个粒子均进行位置更新的方法包括：；
10.根据权利要求9所述的基于人工智能的消防员灭火防护服性能智能优化系统，其特征在于，所述优化每个环境类别的反光设计参数的方法包括：
...【技术特征摘要】
1.基于人工智能的消防员灭火防护服性能智能优化系统，其特征在于，包括：
2.根据权利要求1所述的基于人工智能的消防员灭火防护服性能智能优化系统，其特征在于，所述消防特征数据包括光线环境数据、反光特征数据、反光特性数据以及灵活性；
3.根据权利要求2所述的基于人工智能的消防员灭火防护服性能智能优化系统，其特征在于，所述构建火灾模拟模型的方法包括：
4.根据权利要求3所述的基于人工智能的消防员灭火防护服性能智能优化系统，其特征在于，所述将m组消防特征数据进行环境类别划分的步骤包括：
5.根据权利要求4所述的基于人工智能的消防员灭火防护服性能智能优化系统，其特征在于，点距离的表达式为：；式中，为分类点至中心点的点距离，为分类点中第个维度的数值，为分类点中第个维度的数值，；其中，不同的维度表示光线环境数据中不同的数据种类；
6.根据权利要求5所述的基于人工智能的消防员灭火防护服性能智能优化系统...
【专利技术属性】
技术研发人员：吴银，邹亮，伍潮晖，胡奇贞，
申请(专利权)人：优普泰深圳科技有限公司，
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。