[发明专利]基于深度学习的建筑风险预警的分析方法

权利要求书

1.基于深度学习的建筑风险预警的分析方法，其特征在于，包括如下步骤：

S1、设置多个可见单元和隐藏单元，所述可见单元和隐藏单元对应传感器采集的数据类型；

S2、基于可见单元和隐藏单元搭建火灾风险模型，其中包括隐藏单元对应的隐藏变量的二元风险变量；

S3、通过可见单元形成的可视层和隐藏单元形成的隐藏层配置进行权重参数与超参数设置，同时生成用于开启或关闭隐藏单元的概率函数，并搭建包括可见单元对应的可见变量组成的可视层以及隐藏层的能量函数，所述能量函数为风险概率；

S4、依据S1-S3搭建输入量为物联网传感器数据的RBM风险理论模型，物联网传感器数据为可见单元和隐藏单元对应传感器采集的数据；

S5、对RBM风险理论模型进行基于传感器数据样本的神经网络学习，然后生成训练好的RBM模型；

S6、在RBM模型中代入待分析的基于火场的超参数数据和火场的可见单元和隐藏单元对应的传感器数据，RBM模型输出分析结果，即火灾风险概率；

所述可视层和隐藏层进行隐藏变量和可见变量的两次传递变换，并生成两个隐含层，所述隐含层的具体节点数依据两次传递变换过程中的传递函数和训练误差确定；

所述可见单元对应的可见变量为数据样本，包括火灾温度、CO和CO₂气体参数；

所述隐藏单元对应的隐藏变量为湿度和烟雾数据。

2.根据权利要求1所述的基于深度学习的建筑风险预警的分析方法，其特征在于，RBM模型包括可视层v、隐藏层h、权重W、偏置c，所述权重W、偏置c用于采样出隐藏层hi，随机概率σ，隐藏单元开启或关闭相应概率可表示为：

p(h_i/v₀)＝σ(V^TW+c)_i(1)

RBM模型基于给定的状态，给定的状态为可见向量v和隐藏向量h，构造的能量函数为：

E(v，h)＝-b^TV-c^Th-V^TWh(2)

式中，偏置b和c是概率的学习表达式，当确定了可视层与隐藏层整个框架的能量函E(v,h)就可以定义风险概率。

3.根据权利要求2所述的基于深度学习的建筑风险预警的分析方法，其特征在于，还包括在RBM风险理论模型的高维数据中，数据训练还包括对归一化因子进行重复计算。