多传感器协同的智能火灾预警系统及其方法与流程

1.本技术涉及火灾预警技术领域，且更为具体地，涉及一种多传感器协同的智能火灾预警系统及其方法。


背景技术：

2.目前市场上广泛采用的都是基于烟雾、温度或者是烟温复合等较单一传感器的火灾探测器，这种探测器仅仅能够探测到现场单一的火灾参数特征，而没有考虑到其它的火灾参数特征。在这种情况下，首先，火灾探测系统的鲁棒性会比较差，一旦检测到环境中的一些非火灾因素导致的参量变化，便会引起系统发生误报的情况。再者，由于火灾种类众多，火灾参量具有一定的不确定性，所以这种检测单一参量的火灾探测系统无法有效地识别出各种不同种类的火情，这就会导致系统出现漏报的情况。
3.误报容易造成不必要的恐慌，从而降低报警器的可信度，使人们产生心里上的麻痹，而漏报会耽误最佳灭火时机，造成火灾扑救时机的延误，严重情况下会威胁到人们的生命和财产安全。
4.因此，期待一种优化的火灾预警方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种多传感器协同的智能火灾预警系统及其方法，其从多传感器数据协同角度，将收集到的烟雾浓度、co浓度、火焰浓度、温度的时间序列通过作为特征提取器的卷积神经网络进行烟雾浓度和co浓度的关联性编码以得到第一特征向量和进行火焰强度和温度的关联性编码以得到第二特征向量，再对第一特征向量和第二特征向量进行异域联合编码以得到用于分类判断的分类特征矩阵。为了防止得到的分类矩阵的特征分布过于稀疏，对其进行稀疏性隐式限制校正，以提高联合编码时对于期望的关联特性的激活活跃度，改进了提高分类矩阵的特征之间的群优化性能。这样，提高火灾判断和预警的精准度。
6.根据本技术的一个方面，提供了一种多传感器协同的智能火灾预警系统，包括：传感器组数据获取单元，用于通过部署于待监测场所内的传感器组获取预定时间段内多个预定时间点的烟雾浓度、co浓度、火焰强度和温度，其中，所述传感器组包括温度传感器、红外火焰传感器、烟雾传感器和co气体传感器；第一关联矩阵构造单元，用于将所述预定时间段内多个预定时间点的烟雾浓度和co浓度按照时间维度分别构造为第一输入向量和第二输入向量，并计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到第一关联矩阵；第二关联矩阵构造单元，用于将所述预定时间段内多个预定时间点的火焰强度和温度按照时间维度分别构造为第三输入向量和第四输入向量，并计算所述第三输入向量的转置向量与所述第四输入向量之间的向量乘积以得到第二关联矩阵；卷积编码单元，用于分别将所述第一关联矩阵和所述第二关联矩阵通过卷积神经网络模型以得到第一特征向量和第二特征向量；异域联合编码单元，用于对所述第一特征向量和所述第二特征
向量进行异域联合编码以得到分类特征矩阵；特征矩阵稀疏性隐式校正单元，用于对所述分类特征矩阵进行稀疏性隐式限制校正以得到校正后分类特征矩阵，所述稀疏性隐式限制校正基于所述分类特征矩阵中各个位置的特征值与所述分类特征向量中所有位置的特征值的均值之间的比值的对数函数值来进行；以及火灾探测结果生成单元，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生火灾预警。
7.根据本技术的另一方面，还提供了一种多传感器协同的智能火灾预警方法，其包括：通过部署于待监测场所内的传感器组获取预定时间段内多个预定时间点的烟雾浓度、co浓度、火焰强度和温度，其中，所述传感器组包括温度传感器、红外火焰传感器、烟雾传感器和co气体传感器；将所述预定时间段内多个预定时间点的烟雾浓度和co浓度按照时间维度分别构造为第一输入向量和第二输入向量，并计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到第一关联矩阵；将所述预定时间段内多个预定时间点的火焰强度和温度按照时间维度分别构造为第三输入向量和第四输入向量，并计算所述第三输入向量的转置向量与所述第四输入向量之间的向量乘积以得到第二关联矩阵；分别将所述第一关联矩阵和所述第二关联矩阵通过卷积神经网络模型以得到第一特征向量和第二特征向量；对所述第一特征向量和所述第二特征向量进行异域联合编码以得到分类特征矩阵；对所述分类特征矩阵进行稀疏性隐式限制校正以得到校正后分类特征矩阵，所述稀疏性隐式限制校正基于所述分类特征矩阵中各个位置的特征值与所述分类特征向量中所有位置的特征值的均值之间的比值的对数函数值来进行；以及将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生火灾预警。
8.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的多传感器协同的智能火灾预警方法。
9.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的多传感器协同的智能火灾预警方法。
10.与现有技术相比，本技术提供的一种多传感器协同的智能火灾预警系统及其方法，其从多传感器数据协同角度，将收集到的烟雾浓度、co浓度、火焰浓度、温度的时间序列通过作为特征提取器的卷积神经网络进行烟雾浓度和co浓度的关联性编码以得到第一特征向量和进行火焰强度和温度的关联性编码以得到第二特征向量，再对第一特征向量和第二特征向量进行异域联合编码以得到用于分类判断的分类特征矩阵。为了防止得到的分类矩阵的特征分布过于稀疏，对其进行稀疏性隐式限制校正，以提高联合编码时对于期望的关联特性的激活活跃度，改进了提高分类矩阵的特征之间的群优化性能。这样，提高火灾判断和预警的精准度。
附图说明
11.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
12.图1图示了根据本技术实施例的多传感器协同的智能火灾预警系统的应用场景图。
13.图2图示了根据本技术实施例的多传感器协同的智能火灾预警系统的框图示意图。
14.图3图示了根据本技术实施例的多传感器协同的智能火灾预警系统的系统架构框图。
15.图4图示了根据本技术实施例的多传感器协同的智能火灾预警系统中第一关联矩阵构造单元的框图。
16.图5图示了根据本技术实施例的多传感器协同的智能火灾预警系统中第二关联矩阵构造单元的框图。
17.图6图示了根据本技术实施例的多传感器协同的智能火灾预警系统中火灾探测结果生成单元的框图。
18.图7图示了根据本技术实施例的多传感器协同的智能火灾预警方法的流程图。
19.图8图示了根据本技术实施例的多传感器协同的智能火灾预警方法中，将所述预定时间段内多个预定时间点的烟雾浓度和co浓度按照时间维度分别构造为第一输入向量和第二输入向量，并计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到第一关联矩阵的流程图。
20.图9图示了根据本技术实施例的多传感器协同的智能火灾预警方法中,将所述预定时间段内多个预定时间点的火焰强度和温度按照时间维度分别构造为第三输入向量和第四输入向量，并计算所述第三输入向量的转置向量与所述第四输入向量之间的向量乘积以得到第二关联矩阵的流程图。
21.图10图示了根据本技术实施例的多传感器协同的智能火灾预警方法中,所述分类结果确定的流程图。
22.具体实施方式
23.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
24.场景概述
25.如上所述，考虑到主要的火灾参量包括烟雾浓度、co浓度、火焰强度和温度，因此，在本技术的技术方案中，在待监测场所部署温度传感器、红外火焰传感器、烟雾传感器和co气体传感器以通过上述传感器来采集待监测场所的火灾参量，也就是，通过所述温度传感器、所述红外火焰传感器、所述烟雾传感器和所述co气体传感器采集预定时间段内多个预定时间点的烟雾浓度、co浓度、火焰强度和温度。
26.在上述火灾参量中，烟雾浓度和一氧化碳浓度之间具有强关联，火焰强度和温度具有强关联，因此，在本技术的技术方案中，构建烟雾浓度数据和一氧化碳浓度数据在时间维度上的关联矩阵，以及，构建火焰强度和温度在时间维度上的关联矩阵。例如，在本技术一个具体的实施例中，以如下方式来构建：将所述预定时间段内多个预定时间点的烟雾浓
度和co浓度按照时间维度分别构造为第一输入向量和第二输入向量，并计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到第一关联矩阵，以及，将所述预定时间段内多个预定时间点的火焰强度和温度按照时间维度分别构造为第三输入向量和第四输入向量，并计算所述第三输入向量的转置向量与所述第四输入向量之间的向量乘积以得到第二关联矩阵。
27.进一步地，使用卷积神经网络对所述第一关联矩阵进行显式空间编码以提取所述第一关联矩阵中的高维隐含关联特征和所述第二关联矩阵中的高维隐含关联特征，即，烟雾浓度和co浓度在同一时间点和不同时间点之间的高维隐含关联特征，烟雾浓度在时序维度上的高维隐含关联特征，以及，co浓度在时序维度上的高维隐含关联特征，以得到第一特征向量。同样地，使用卷积神经网络对所述第二关联矩阵进行显式空间编码以提取所述第二关联矩阵中的高维隐含关联特征，即，火焰强度和温度在同一时间点或不同时间点的高维隐含关联特征，火焰强度在时序维度上的高维隐含关联特征，以及，温度在时序维度上的高维隐含关联特征，以得到第二特征向量。
28.接着，融合第一特征向量和第二特征向量就可以综合多个传感器信息来进行火灾判断和预警，例如，对所述第一特征向量和所述第二特征向量进行异域联合编码以得到分类特征矩阵并通过分类器进行火灾判断和预警。由于第一特征向量表达烟雾浓度和co浓度之间的关联特征，而第二特征向量表达火焰浓度和温度之间的关联特征，由于烟雾浓度和co浓度之间的强关联特性，和火焰浓度和温度之间的强关联特性，第一特征向量和第二特征向量在各自向量内部均具有强聚合特性，这就导致异域联合编码后获得的分类矩阵过于稀疏。
29.因此，对分类矩阵进行稀疏性隐式限制校正，即：
[0030][0031]
f和f
′
是校正前和校正后的分类矩阵的每个位置的特征值，且是分类矩阵的各个位置的特征值的均值。
[0032]
该稀疏性隐式限制校正通过类kl散度形式对特征的隐式表达进行稀疏性约束，从而在训练过程中对异域联合编码进行稀疏限制，提高了联合编码时对于期望的关联特性的激活活跃度，改进了提高分类矩阵的特征之间的群优化(swarm optimization)性能。这样，提高火灾判断和预警的精准度。
[0033]
基于此，本技术提供了一种多传感器协同的智能火灾预警系统，其包括：传感器组数据获取单元，用于通过部署于待监测场所内的传感器组获取预定时间段内多个预定时间点的烟雾浓度、co浓度、火焰强度和温度，其中，所述传感器组包括温度传感器、红外火焰传感器、烟雾传感器和co气体传感器；第一关联矩阵构造单元，用于将所述预定时间段内多个预定时间点的烟雾浓度和co浓度按照时间维度分别构造为第一输入向量和第二输入向量，并计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到第一关联矩阵；第二关联矩阵构造单元，将所述预定时间段内多个预定时间点的火焰强度和温度按照时间维度分别构造为第三输入向量和第四输入向量，并计算所述第三输入向量的转置向量与所述第四输入向量之间的向量乘积以得到第二关联矩阵；卷积编码单元，用于分别
将所述第一关联矩阵和所述第二关联矩阵通过卷积神经网络模型以得到第一特征向量和第二特征向量；异域联合编码单元，用于对所述第一特征向量和所述第二特征向量进行异域联合编码以得到分类特征矩阵；特征矩阵稀疏性隐式校正单元，用于对所述分类特征矩阵进行稀疏性隐式限制校正以得到校正后分类特征矩阵，所述稀疏性隐式限制校正基于所述分类特征矩阵中各个位置的特征值与所述分类特征向量中所有位置的特征值的均值之间的比值的对数函数值来进行；以及，火灾探测结果生成单元，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生火灾预警。
[0034]
图1图示了根据本技术实施例的一种多传感器协同的智能火灾预警系统的应用场景图。如图1所示，在该应用场景中，首先，在待监测场所，例如，公共场所，民用居住楼中部署多传感器组，其中，所述多传感器组包括温度传感器、红外火焰传感器、烟雾传感器和co气体传感器(例如，如图1中所示意的s1-s4)。优选地，在本技术实施例中，所述多传感器组布置于所述待监测场所的同一位置处。然后，通过所述温度传感器、所述红外火焰传感器、所述烟雾传感器和所述co气体传感器采集待监测场所的火灾参量，所述火灾变量包括预定时间段内多个预设时间点的的烟雾浓度、co浓度、火焰强度和温度。然后，将采集所述预定时间段内多个预设时间点的的烟雾浓度、co浓度、火焰强度和温度输入至部署有多传感器协同的智能火灾预警系统的服务器中(例如，图1中所示意的s)，其中，所述服务器能够使用所述多传感器协同的智能火灾预警系统对输入数据进行处理以生成火灾预警检测结果。
[0035]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0036]
示例性系统
[0037]
图2图示了根据本技术实施例的多传感器协同的智能火灾预警系统的框图示意图。如图2所示，根据本技术实施例的所述多传感器协同的智能火灾预警系统100，包括：传感器组数据获取单元110、第一关联矩阵构造单元120、第二关联矩阵构造单元130、卷积编码单元140、异域联合编码单元150、特征矩阵稀疏性隐式校正单元160、火灾探测结果生成单元170。
[0038]
其中所述传感器组数据获取单元110，用于通过部署于待监测场所内的传感器组获取预定时间段内多个预定时间点的烟雾浓度、co浓度、火焰强度和温度，其中，所述传感器组包括温度传感器、红外火焰传感器、烟雾传感器和co气体传感器；所述第一关联矩阵构造单元120，用于将所述预定时间段内多个预定时间点的烟雾浓度和co浓度按照时间维度分别构造为第一输入向量和第二输入向量，并计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到第一关联矩阵；所述第二关联矩阵构造单元130，将所述预定时间段内多个预定时间点的火焰强度和温度按照时间维度分别构造为第三输入向量和第四输入向量，并计算所述第三输入向量的转置向量与所述第四输入向量之间的向量乘积以得到第二关联矩阵；所述卷积编码单元140，用于分别将所述第一关联矩阵和所述第二关联矩阵通过卷积神经网络模型以得到第一特征向量和第二特征向量；所述异域联合编码单元150，用于对所述第一特征向量和所述第二特征向量进行异域联合编码以得到分类特征矩阵。所述特征矩阵稀疏性隐式校正单元160，用于对所述分类特征矩阵进行稀疏性隐式限制校正以得到校正后分类特征矩阵，所述稀疏性隐式限制校正基于所述分类特征矩阵中各个位置的特征值与所述分类特征向量中所有位置的特征值的均值之间的比值的对数函
数值来进行。所述火灾探测结果生成单元170，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生火灾预警。
[0039]
图3图示了根据本技术实施例的多传感器协同的智能火灾预警系统的系统架构框图。如图3所示，在所述多传感器协同的智能火灾预警系统100的系统架构中，首先通过所述传感器组数据获取单元110获取预定时间段内多个预定时间点的烟雾浓度、co浓度、火焰强度和温度，其中，所述烟雾浓度、co浓度、火焰强度和温度由传感器组采集，所述传感器组包括温度传感器、红外火焰传感器、烟雾传感器和co气体传感器。然后，所述传感器组数据获取单元110将所述传感器组的烟雾浓度、co浓度数据传输至所述第一关联矩阵构造单元120，其中所述第一关联矩阵构造单元120将所述预定时间段内多个预定时间点的烟雾浓度和co浓度按照时间维度分别构造为第一输入向量和第二输入向量，并计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到第一关联矩阵。同时所述传感器组数据获取单元110将所述传感器组的火焰强度和温度数据传输至所述第二关联矩阵构造单元130，其中所述第二关联矩阵构造单元130，将所述预定时间段内多个预定时间点的火焰强度和温度按照时间维度分别构造为第三输入向量和第四输入向量，并计算所述第三输入向量的转置向量与所述第四输入向量之间的向量乘积以得到第二关联矩阵。接着，在所述卷积编码单元140接收到所述第一关联矩阵构造单元120输出的第一关联矩阵和所述第二关联矩阵构造单元130输出的第二关联矩阵后，所述卷积编码单元140，分别将所述第一关联矩阵和所述第二关联矩阵通过卷积神经网络模型以得到第一特征向量和第二特征向量。然后，将第一特征向量和第二特征向量传输至所述异域联合编码单元150，通过所述异域联合编码单元150对所述第一特征向量和所述第二特征向量进行异域联合编码以得到分类特征矩阵。接着，将得到的分类特征矩阵传输至特征矩阵稀疏性隐式校正单元160，所述特征矩阵稀疏性隐式校正单元160对所述分类特征矩阵进行稀疏性隐式限制校正以得到校正后分类特征矩阵，所述稀疏性隐式限制校正基于所述分类特征矩阵中各个位置的特征值与所述分类特征向量中所有位置的特征值的均值之间的比值的对数函数值来进行。最终，所述火灾探测结果生成单元170将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生火灾预警。
[0040]
具体地，在所述多传感器协同的智能火灾预警系统100中，首先所述传感器组数据获取单元110获取预定时间段内多个预定时间点的烟雾浓度、co浓度、火焰强度和温度。
[0041]
如前所述，目前市场上广泛采用的都是基于烟雾、温度或者是烟温复合等较单一传感器的火灾探测器，这种探测器仅仅能够探测到现场单一的火灾参数特征，而没有考虑到其它的火灾参数特征。在这种情况下，首先，火灾探测系统的鲁棒性会比较差，一旦检测到环境中的一些非火灾因素导致的参量变化，便会引起系统发生误报的情况。再者，由于火灾种类众多，火灾参量具有一定的不确定性，所以这种检测单一参量的火灾探测系统无法有效地识别出各种不同种类的火情，这就会导致系统出现漏报的情况。误报容易造成不必要的恐慌，从而降低报警器的可信度，使人们产生心里上的麻痹，而漏报会耽误最佳灭火时机，造成火灾扑救时机的延误，严重情况下会威胁到人们的生命和财产安全。因此，在本技术的技术方案中，采用多传感器信息融合的技术构思来构建火灾智能预警方案以提高火灾预警的准确性。
[0042]
具体地，在本技术实施例中，多传感器信息包括烟雾浓度、co浓度、火焰强度和温
度，因此，选择在待监测场所部署温度传感器、红外火焰传感器、烟雾传感器和co气体传感器来采集上述数据。并且，考虑到单个时间点的传感器数据存在误差或者偏移，因此，获取上述传感器数据的时间序列，也就是，预定时间段内多个预定时间点的烟雾浓度、co浓度、火焰强度和温度，以避免单个传感器数据的离群值对火灾预警造成不良影响。
[0043]
值得一提的是，通过提取上述传感器数据的时间序列而非单个时间点的检测值，更有利于挖掘各个传感器数据的之间的高维隐含关联以提高火灾预警的检测精度。
[0044]
具体地，在所述多传感器协同的智能火灾预警系统100中，所述第一关联矩阵构造单元120，用于将所述预定时间段内多个预定时间点的烟雾浓度和co浓度按照时间维度分别构造为第一输入向量和第二输入向量，并计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到第一关联矩阵。应可以理解，在上述火灾参量中，烟雾浓度和一氧化碳浓度之间具有强关联，火焰强度和温度具有强关联，因此，在本技术的技术方案中，首先通过所述所述第一关联矩阵构造单元120来构建烟雾浓度数据和一氧化碳浓度数据在时间维度上的关联矩阵，即，所述第一关联矩阵。
[0045]
在本技术的一个示例中，所述第一关联矩阵构造单元120的编码过程为：首先，将所述预定时间段内多个预定时间点的烟雾浓度和co浓度按照时间维度排列成行向量以得到所述第一输入向量和所述第二输入向量，并计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到第一关联矩阵，该过程用公式可表示为：其中，m1为所述第一特征矩阵，v1表示所述第一输入向量，v2表示所述第二输入向量。
[0046]
应注意到，在本技术实施例中，所述第一关联矩阵中各个位置的特征值为相应两个时间点的烟雾浓度和co浓度之间的乘积，即，所述第一关联矩阵中各个位置的特征值用于表示相应两个时间点烟雾浓度和co浓度之间的关联。
[0047]
图4图示了根据本技术实施例的多传感器协同的智能火灾预警系统中第一关联矩阵构造单元的框图。如图4所示，在本技术实施例中，所述第一关联矩阵构造单元120，包括：第一输入向量构造子单元121，用于将所述预定时间段内多个预定时间点的烟雾浓度和co浓度按照时间维度排列成行向量以得到所述第一输入向量和所述第二输入向量；以及,第一矩阵构造子单元122，用于以如下公式来计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到所述第一特征矩阵，其中，所述公式为：输入向量之间的向量乘积以得到所述第一特征矩阵，其中，所述公式为：其中，m1为所述第一特征矩阵，v1表示所述第一输入向量，v2表示所述第二输入向量。
[0048]
进一步地，在所述多传感器协同的智能火灾预警系统100中，所述第二关联矩阵构造单元130，将所述预定时间段内多个预定时间点的火焰强度和温度按照时间维度分别构造为第三输入向量和第四输入向量，并计算所述第三输入向量的转置向量与所述第四输入向量之间的向量乘积以得到第二关联矩阵。也就是，由所述第二关联矩阵构造单元130构建火焰强度和温度之间的关联矩阵。
[0049]
在本技术的一个示例中，所述第二关联矩阵构造单元130的编码过程为：首先将所述预定时间段内多个预定时间点的火焰强度和温度按照时间维度排列成行向量以得到所述第三输入向量和所述第四输入向量，接着计算所述第三输入向量的转置向量与所述第四输入向量之间的向量乘积以得到所述第二特征矩阵，该过程用公式可表示为：
其中，m1为所述第二特征矩阵，v1表示所述第三输入向量，v2表示所述第四输入向量。
[0050]
应注意到，在本技术实施例中，所述第二关联矩阵中各个位置的特征值为相应两个时间点的火焰强度和温度之间的乘积，即，所述第二关联矩阵中各个位置的特征值用于表示相应两个时间点火焰强度和温度之间的关联编码值。
[0051]
图5图示了根据本技术实施例的多传感器协同的智能火灾预警系统中第二关联矩阵构造单元的框图。如图5所示，在本技术实施例中，所述第二关联矩阵构造单元130，包括：第一输入向量构造子单元131，用于将所述预定时间段内多个预定时间点的火焰强度和温度按照时间维度排列成行向量以得到所述第三输入向量和所述第四输入向量；以及，第二矩阵构造子单元132，用于以如下公式来计算所述第三输入向量的转置向量与所述第四输入向量之间的向量乘积以得到所述第二特征矩阵，其中，所述公式为：入向量之间的向量乘积以得到所述第二特征矩阵，其中，所述公式为：其中，m1为所述第二特征矩阵，v1表示所述第三输入向量，v2表示所述第四输入向量。
[0052]
具体地，在所述多传感器协同的智能火灾预警系统100中，所述卷积编码单元140，进一步将所述第一关联矩阵和所述第二关联矩阵通过卷积神经网络模型以得到第一特征向量和第二特征向量。
[0053]
也就是，所述卷积编码单元140，使用卷积神经网络对所述第一关联矩阵或所述第二关联矩阵进行显式空间编码以提取所述第一关联矩阵或所述第二关联矩阵的高维局部隐含关联特征，即，通过卷积神经网络模型来挖掘烟雾浓度和co浓度在同一时间点和不同时间点之间的高维隐含关联特征，烟雾浓度在时序维度上的高维隐含关联特征，以及，co浓度在时序维度上的高维隐含关联特征，以得到第一特征向量，以及，使用卷积神经网络模型来挖掘火焰强度和温度在同一时间点或不同时间点的高维隐含关联特征，火焰强度在时序维度上的高维隐含关联特征，以及，温度在时序维度上的高维隐含关联特征，以得到所述第二特征向量。
[0054]
在本技术实施例中，所述深度卷积神经网络的编码过程为：所述卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：首先对所述数据输入进行卷积处理以得到卷积特征图；接着，对所述卷积特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；这样，所述卷积神经网络模型的最后一层的输出为所述第一特征向量或所述第二特征向量。
[0055]
具体地，在所述多传感器协同的智能火灾预警系统100中，所述异域联合编码单元150,进一步用于对所述第一特征向量和所述第二特征向量进行异域联合编码以得到分类特征矩阵。也就是，通过所述异域联合编码单元150,融合第一特征向量和第二特征向量就可以综合多个传感器信息来进行火灾判断和预警，例如，对所述第一特征向量和所述第二特征向量进行异域联合编码以得到分类特征矩阵并通过分类器进行火灾判断和预警。
[0056]
具体地，所述异域联合编码单元150，用于对所述第一特征向量和所述第二特征向量进行基于如下公式的跨模态联合编码以得到所述分类特征矩阵；其中，所述公式为：其中，mc为所述分类特征向量，v
t1
表示所述第一特征向量，v
t2
表示所述第二特征向量。
[0057]
由于第一特征向量表达烟雾浓度和co浓度之间的关联特征，而第二特征向量表达
火焰浓度和温度之间的关联特征，由于烟雾浓度和co浓度之间的强关联特性，和火焰浓度和温度之间的强关联特性，第一特征向量和第二特征向量在各自向量内部均具有强聚合特性，这就导致异域联合编码后获得的分类矩阵过于稀疏。因此，对分类矩阵进行稀疏性隐式限制校正。
[0058]
接着，在所述多传感器协同的智能火灾预警系统100中，所述特征矩阵稀疏性隐式校正单元160，用于对所述分类特征矩阵进行稀疏性隐式限制校正以得到校正后分类特征矩阵，所述稀疏性隐式限制校正基于所述分类特征矩阵中各个位置的特征值与所述分类特征向量中所有位置的特征值的均值之间的比值的对数函数值来进行。
[0059]
具体地，在本技术一个具体的示例中，对分类矩阵进行稀疏性隐式限制校正，即：
[0060][0061]
f和f
′
是校正前和校正后的分类矩阵的每个位置的特征值，且是分类矩阵的各个位置的特征值的均值。
[0062]
该稀疏性隐式限制校正通过类kl散度形式对特征的隐式表达进行稀疏性约束，从而在训练过程中对异域联合编码进行稀疏限制，提高了联合编码时对于期望的关联特性的激活活跃度，改进了提高分类矩阵的特征之间的群优化(swarm optimization)性能。这样，提高火灾判断和预警的精准度。
[0063]
也就是，在本技术一个具体的示例中，所述特征矩阵稀疏性隐式校正单元160，进一步用于以如下公式对所述分类特征矩阵进行稀疏性隐式限制校正以得到所述校正后分类特征矩阵；
[0064][0065]
其中，f是所述分类特征矩阵中各个位置的特征值，为所述分类特征矩阵中所有位置的特征值的均值，且f
′
为所述校正后分类特征矩阵中各个位置的特征值。
[0066]
然后，将所述分类特征矩阵通过分类器以获得用于表示是否产生火灾预警的分类结果。
[0067]
具体地，在所述多传感器协同的智能火灾预警系统100中，所述火灾探测结果生成单元170，将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生火灾预警。
[0068]
具体地，所述火灾探测结果生成单元170的运行过程，包括：首先使用所述分类器的多个全连接层对所述分类特征矩阵进行全连接编码以得到分类特征向量，也就是，使用所述分类器的多个全连接层对所述分类特征矩阵进行降维。然后，将所述分类特征向量输入所述分类器的softmax分类函数以得到所述分类特征向量归属于产生火灾预警的第一概率和不产生火灾预警的第二概率。接着，将所述第一概率和所述第二概率中较大者对应的分类标签确定为所述分类结果，也就是，如果第一概率大于第二概率，所述分类结果为产生火灾预警，如果第二概率大于第一概率，所述分类结果为不产生火灾预警。
[0069]
图6图示了根据本技术实施例的多传感器协同的智能火灾预警系统中火灾探测结
果生成单元的框图。如图6所示，所述火灾探测结果生成单元170，包括：全连接编码子单元171，用于使用所述分类器的多个全连接层对所述分类特征矩阵进行全连接编码以得到分类特征向量；概率计算子单元172，用于将所述分类特征向量输入所述分类器的softmax分类函数以得到所述分类特征向量归属于产生火灾预警的第一概率和不产生火灾预警的第二概率；以及，结果确定子单元173，用于将所述第一概率和所述第二概率中较大者对应的分类标签确定为所述分类结果。
[0070]
综上，基于本技术实施例的所述多传感器协同的智能火灾预警系统100，其从多传感器数据协同角度将收集到的烟雾浓度、co浓度、火焰浓度、温度的时间序列通过作为特征提取器的卷积神经网络进行烟雾浓度和co浓度的关联性编码以得到第一特征向量和进行火焰强度和温度的关联性编码以得到第二特征向量，再对第一特征向量和所述第二特征向量进行异域联合编码以得到用于分类判断的分类特征矩阵。为了防止分类矩阵的特征分布过于稀疏，对其进行稀疏性隐式限制校正以提高联合编码时对于期望的关联特性的激活活跃度，改进了提高分类矩阵的特征之间的群优化性能。这样，提高火灾判断和预警的精准度。
[0071]
示例性方法
[0072]
根据本技术的另一方面，还提供了一种多传感器协同的智能火灾预警方法。
[0073]
如图7所示，根据本技术实施例的多传感器协同的智能火灾预警方法，包括步骤：s110，通过部署于待监测场所内的传感器组获取预定时间段内多个预定时间点的烟雾浓度、co浓度、火焰强度和温度，其中，所述传感器组包括温度传感器、红外火焰传感器、烟雾传感器和co气体传感器；s120，将所述预定时间段内多个预定时间点的烟雾浓度和co浓度按照时间维度分别构造为第一输入向量和第二输入向量，并计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到第一关联矩阵；s130，将所述预定时间段内多个预定时间点的火焰强度和温度按照时间维度分别构造为第三输入向量和第四输入向量，并计算所述第三输入向量的转置向量与所述第四输入向量之间的向量乘积以得到第二关联矩阵；s140，将所述第一关联矩阵和所述第二关联矩阵通过卷积神经网络模型以得到第一特征向量和第二特征向量；s150，对所述第一特征向量和所述第二特征向量进行异域联合编码以得到分类特征矩阵；s160，对所述分类特征矩阵进行稀疏性隐式限制校正以得到校正后分类特征矩阵，所述稀疏性隐式限制校正基于所述分类特征矩阵中各个位置的特征值与所述分类特征向量中所有位置的特征值的均值之间的比值的对数函数值来进行；以及，s170，将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生火灾预警。
[0074]
在一个具体示例中，在上述多传感器协同的智能火灾预警方法中，如图8所示，所述步骤s120，包括步骤：s121，将所述预定时间段内多个预定时间点的烟雾浓度和co浓度按照时间维度排列成行向量以得到所述第一输入向量和所述第二输入向量；以及；s122，用以下公式来计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到所述第一关联矩阵，其中，所述公式为：其中，m1为所述第一关联矩阵，v1表示所述第一输入向量，v2表示所述第二输入向量。
[0075]
在上一个具体示例中，在上述多传感器协同的智能火灾预警方法中，如图9所示，所述步骤s130，包括步骤：s131，将所述预定时间段内多个预定时间点的火焰强度和温度按
照时间维度排列成行向量以得到所述第三输入向量和所述第四输入向量；以及；s132，用以下公式来计算所述第三输入向量的转置向量与所述第四输入向量之间的向量乘积以得到所述第二关联矩阵，其中，所述公式为：其中，m1为所述第二关联矩阵，v1表示所述第三输入向量，v2表示所述第四输入向量。
[0076]
在上一个具体示例中，在上述多传感器协同的智能火灾预警方法中，所述步骤s150，包括对所述第一特征向量和所述第二特征向量进行基于如下公式的跨模态联合编码以得到所述分类特征矩阵；
[0077]
其中，所述公式为：其中，mc为所述分类特征向量，v
t1
表示所述第一特征向量，v
t2
表示所述第二特征向量。
[0078]
在上一个具体示例中，在上述多传感器协同的智能火灾预警方法中，所述步骤s160，包括用以下公式对所述分类特征矩阵进行稀疏性隐式限制校正以得到所述校正后分类特征矩阵；
[0079]
其中，所述公式为：
[0080][0081]
其中，f是所述分类特征矩阵中各个位置的特征值，为所述分类特征矩阵中所有位置的特征值的均值，且f
′
为所述校正后分类特征矩阵中各个位置的特征值。
[0082]
在上一个具体示例中，在上述多传感器协同的智能火灾预警方法中，如图10所示，所述步骤s170，包括步骤：s171，使用所述分类器的多个全连接层对所述分类特征矩阵进行全连接编码以得到分类特征向量；s172，将所述分类特征向量输入所述分类器的softmax分类函数以得到所述分类特征向量归属于产生火灾预警的第一概率和不产生火灾预警的第二概率；以及，s173，将所述第一概率和所述第二概率中较大者对应的分类标签确定为所述分类结果。
[0083]
综上，本技术实施例的所述多传感器协同的智能火灾预警方法已被阐明，其从多传感器数据协同角度将收集到的烟雾浓度、co浓度、火焰浓度、温度的时间序列通过作为特征提取器的卷积神经网络进行烟雾浓度和co浓度的关联性编码以得到第一特征向量和进行火焰强度和温度的关联性编码以得到第二特征向量，再对第一特征向量和所述第二特征向量进行异域联合编码以得到用于分类判断的分类特征矩阵。为了防止分类矩阵的特征分布过于稀疏，对其进行稀疏性隐式限制校正以提高联合编码时对于期望的关联特性的激活活跃度，改进了提高分类矩阵的特征之间的群优化性能。这样，提高火灾判断和预警的精准度。

技术特征：
1.一种多传感器协同的智能火灾预警系统，其特征在于，包括：传感器组数据获取单元，用于通过部署于待监测场所内的传感器组获取预定时间段内多个预定时间点的烟雾浓度、co浓度、火焰强度和温度，其中，所述传感器组包括温度传感器、红外火焰传感器、烟雾传感器和co气体传感器；第一关联矩阵构造单元，用于将所述预定时间段内多个预定时间点的烟雾浓度和co浓度按照时间维度分别构造为第一输入向量和第二输入向量，并计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到第一关联矩阵；第二关联矩阵构造单元，用于将所述预定时间段内多个预定时间点的火焰强度和温度按照时间维度分别构造为第三输入向量和第四输入向量，并计算所述第三输入向量的转置向量与所述第四输入向量之间的向量乘积以得到第二关联矩阵；卷积编码单元，用于分别将所述第一关联矩阵和所述第二关联矩阵通过卷积神经网络模型以得到第一特征向量和第二特征向量；异域联合编码单元，用于对所述第一特征向量和所述第二特征向量进行异域联合编码以得到分类特征矩阵；特征矩阵稀疏性隐式校正单元，用于对所述分类特征矩阵进行稀疏性隐式限制校正以得到校正后分类特征矩阵，所述稀疏性隐式限制校正基于所述分类特征矩阵中各个位置的特征值与所述分类特征向量中所有位置的特征值的均值之间的比值的对数函数值来进行；以及火灾探测结果生成单元，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生火灾预警。2.根据权利要求1所述的多传感器协同的智能火灾预警系统，其中，所述第一关联矩阵构造单元，包括：第一输入向量构造子单元，用于将所述预定时间段内多个预定时间点的烟雾浓度和co浓度按照时间维度排列成行向量以得到所述第一输入向量和所述第二输入向量；以及第一矩阵构造子单元，用于以如下公式来计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到所述第一关联矩阵，其中，所述公式为：述第二输入向量之间的向量乘积以得到所述第一关联矩阵，其中，所述公式为：其中，m1为所述第一关联矩阵，v1表示所述第一输入向量，v2表示所述第二输入向量。3.根据权利要求2所述的多传感器协同的智能火灾预警系统，其中，所述第二关联矩阵构造单元，包括：第一输入向量构造子单元，用于将所述预定时间段内多个预定时间点的火焰强度和温度按照时间维度排列成行向量以得到所述第三输入向量和所述第四输入向量；以及第二矩阵构造子单元，用于以如下公式来计算所述第三输入向量的转置向量与所述第四输入向量之间的向量乘积以得到所述第二关联矩阵，其中，所述公式为：四输入向量之间的向量乘积以得到所述第二关联矩阵，其中，所述公式为：其中，m1为所述第二关联矩阵，v1表示所述第三输入向量，v2表示所述第四输入向量。4.根据权利要求3所述的多传感器协同的智能火灾预警系统，其中，所述卷积编码单元，进一步用于使用所述卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述数据输入进行卷积处理以得到卷积特征图；对所述卷积特征图进行池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述第一特征向量或所述第二特征向量。5.根据权利要求4所述的多传感器协同的智能火灾预警系统，其中，所述联合编码单元，用于对所述第一特征向量和所述第二特征向量进行基于如下公式的跨模态联合编码以得到所述分类特征矩阵；其中，所述公式为：其中，m
c
为所述分类特征向量，v
t1
表示所述第一特征向量，v
t2
表示
所述第二特征向量。融合第一特征向量和第二特征向量就可以综合多个传感器信息来进行火灾判断和预警，例如，对所述第一特征向量和所述第二特征向量进行异域联合编码以得到分类特征矩阵并通过分类器进行火灾判断和预警。6.根据权利要求5所述的多传感器协同的智能火灾预警系统，其中，所述特征矩阵稀疏性隐式校正单元，进一步用于以如下公式对所述分类特征矩阵进行稀疏性隐式限制校正以得到所述校正后分类特征矩阵；其中，所述公式为：其中，f是所述分类特征矩阵中各个位置的特征值，为所述分类特征矩阵中所有位置的特征值的均值，且f
′
为所述校正后分类特征矩阵中各个位置的特征值。7.根据权利要求6所述的多传感器协同的智能火灾预警系统，其中，所述火灾探测结果生成单元，包括：全连接编码子单元，用于使用所述分类器的多个全连接层对所述分类特征矩阵进行全连接编码以得到分类特征向量；概率计算子单元，用于将所述分类特征向量输入所述分类器的softmax分类函数以得到所述分类特征向量归属于产生火灾预警的第一概率和不产生火灾预警的第二概率；以及结果确定子单元，用于将所述第一概率和所述第二概率中较大者对应的分类标签确定为所述分类结果。8.一种多传感器协同的智能火灾预警方法，其特征在于，包括：通过部署于待监测场所内的传感器组获取预定时间段内多个预定时间点的烟雾浓度、co浓度、火焰强度和温度，其中，所述传感器组包括温度传感器、红外火焰传感器、烟雾传感器和co气体传感器；将所述预定时间段内多个预定时间点的烟雾浓度和co浓度按照时间维度分别构造为第一输入向量和第二输入向量，并计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到第一关联矩阵；将所述预定时间段内多个预定时间点的火焰强度和温度按照时间维度分别构造为第三输入向量和第四输入向量，并计算所述第三输入向量的转置向量与所述第四输入向量之间的向量乘积以得到第二关联矩阵；分别将所述第一关联矩阵和所述第二关联矩阵通过卷积神经网络模型以得到第一特征向量和第二特征向量；对所述第一特征向量和所述第二特征向量进行异域联合编码以得到分类特征矩阵；对所述分类特征矩阵进行稀疏性隐式限制校正以得到校正后分类特征矩阵，所述稀疏性隐式限制校正基于所述分类特征矩阵中各个位置的特征值与所述分类特征向量中所有位置的特征值的均值之间的比值的对数函数值来进行；以及将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生火灾预警。

技术总结
本申请涉及火灾预警技术领域，其具体地公开了一种多传感器协同的智能火灾预警系统及其方法，其从多传感器数据协同角度，将收集到的烟雾浓度、CO浓度、火焰浓度、温度的时间序列通过作为特征提取器的卷积神经网络进行烟雾浓度和CO浓度的关联性编码以得到第一特征向量和进行火焰强度和温度的关联性编码以得到第二特征向量，再对第一特征向量和第二特征向量进行异域联合编码以得到用于分类判断的分类特征矩阵。为了防止得到的分类矩阵的特征分布过于稀疏，对其进行稀疏性隐式限制校正，以提高联合编码时对于期望的关联特性的激活活跃度，改进了提高分类矩阵的特征之间的群优化性能。这样，提高火灾判断和预警的精准度。提高火灾判断和预警的精准度。提高火灾判断和预警的精准度。


技术研发人员：胡俊宇 喻运
受保护的技术使用者：绍兴花绯科技有限公司
技术研发日：2022.12.16
技术公布日：2023/7/6