[发明专利]一种基于物联网的分布式环境安全学习及预警方法

说明书

一种基于物联网的分布式环境安全学习及预警方法，首先部署温度传感器、湿度传感器、光照传感器、危险气体浓度传感器、体温传感器、心率传感器、血压传感器，采集环境中的温度、湿度、光照强度以及危险气体浓度数据，同时测量人体的体温、心率、血压生理指标，使用对采集到的数据进行关联分析，进而发现数据间的概率关联关系，从而训练出可以预警的分布式环境安全模型。具体来说，使用基于自适应随机图的安全评估方法分析数据概率关联关系，得到分布式环境安全预警模型。本发明根据分布式环境的数据采集结果，自适应训练和调整模型，实现了对环境安全参数的实时检测，并预警潜在的安全问题，保障人员安全。

技术领域

本发明属于物联网技术领域，涉及环境安全预警，特别涉及一种基于物联网的分布式环境安全学习及预警方法。

背景技术

物联网是物物相连的互联网，通过各种信息传感设备，实时采集任何需要监控、连接、互动的物体或过程等各种需要的信息，与互联网结合形成一个巨大网络。传感器是一种能感受被测量信息，并将感受到的信息按一定规律转换成电信号或其他形式的信息输出，以满足信息的传输、处理、存储、显示、记录和控制等要求的检测装置，可以感知局部环境并相互交流观测信息。传感器是物联网的基础，使用传感器采集分布式环境的数据，可以进行环境安全预警。

概率图模型是一种用图结构来描述多元随机变量之间的条件独立关系的概率模型。图结构可以实现概率关系可视化，以一种直观、简单的方式描述了随机变量之间的条件独立性的性质，并可以将一个复杂的概率模型分解为一些简单模型的组合。在概率图模型中，每一个节点都表示一个随机变量(或一组随机变量)，边表示这些随机变量之间的概率依赖关系。马尔可夫随机场是一种由具有马尔可夫随机过程特性的随机变量构成的无向概率图模型，用于表示随机变量的联合概率分布，可以在少量训练数据的条件下，很好地处理不确定推理问题，适用于模型经常需要调整的场景。

在分布式安全预警场景中，区域内节点的数据分析结果对应的安全判断结果需要随着节点的部署情况需要进行自适应调整，去除环境干扰、传输延迟等不利因素的影响，以使其能够获得尽可能高的泛化能力，同时提高准确率。利用马尔可夫随机场可以在各个节点收集的小规模样本基础上，构建准确的预警模型，判断环境的安全状态。当环境不安全时，实时预警，保护人员生命安全。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于物联网的分布式环境安全学习及预警方法，对采集到的数据使用基于自适应随机图的安全评估方法分析数据概率关联关系，进而发现数据间的概率关联关系，从而训练出可以分布式环境安全预警模型；本发明根据分布式环境的数据采集结果，自适应训练和调整模型，实现了对环境安全参数的实时检测，并预警潜在的安全问题，保障人员安全。

为了实现上述目的，本发明采用的技术方案是：

一种基于物联网的分布式环境安全学习及预警方法，包括如下步骤：

步骤(1)，使用传感器采集分布式环境中数据，对采集到的数据进行预处理；

步骤(2)，使用预处理过的数据，初始化随机图模型；

步骤(3)，使用基于自适应随机图的安全评估方法分析数据的概率关联关系，得到分布式环境安全预警模型；

步骤(4)，测量新的环境中数据，根据分布式环境安全预警模型对环境安全参数进行实时检测，判断环境是否安全，并预警潜在的安全问题。

所述步骤(1)中使用的传感器包括：温度传感器、湿度传感器、光照强度传感器、危险气体浓度传感器、体温传感器、心率传感器、血压传感器；采集分布式环境中的数据包括：分布式环境的温度、湿度、光照强度、危险气体浓度以及工作人员的体温、心率、血压数据。对采集到的数据进行预处理：去除不完整和明显错误的数据。

所述步骤(2)中使用预处理分析后的数据，设置状态变量、观测值、初始状态概率向量、状态转移概率矩阵、观测概率矩阵来初始化随机图模型。