[发明专利]基于深度学习的建筑风险预警的分析方法

说明书

本发明公开了基于深度学习的建筑风险预警的分析方法，涉及物联网领域，解决了火灾信号的随机性和不确定性造成火灾预警的误报、漏报以及迟报的问题。本发明包括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，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，能量函数为风险概率，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。本发明弥补了单传感器的随机性与不确定性，极大程度地降低火灾的漏报率和误报率。

技术领域

本发明涉及物联网领域，具体涉及基于深度学习的建筑风险预警的分析方法。

背景技术

随着电子信息化技术的发展，智慧化成为消防领域发展重点，在火灾领域的应用也越来越成熟。多数据融合火灾预警系统的研究，能够很大程度地改善火灾预警的准确率，对于未来火灾预警技术的发展具有很大意义。

由于高层建筑结构紧凑，功能复杂，一旦发生火灾，人员难以迅速及时到达火灾现场。目前工程上广泛采用的都是传统单一传感器的火灾探测器。传统单一式传感器的火灾探测是通过采集探测现场单一的火灾参数信息，采取简单的阈值算法判断火灾的发生。

但是，由于火灾信号的随机性和不确定性，单一参数的探测容易造成火灾预警的误报、漏报以及迟报，从而威胁人们的生命与财产安全。

发明内容

本发明所要解决的技术问题是：火灾信号的随机性和不确定性造成火灾预警的误报、漏报以及迟报，本发明提供了解决上述问题的基于深度学习的建筑风险预警的分析方法。

本发明通过下述技术方案实现：

基于深度学习的建筑风险预警的分析方法，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。

进一步地，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。

进一步地，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。

进一步地，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h_i，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：