一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法

1.本发明涉及火灾检测领域、机器学习应用领域，更准确地说，涉及一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法。


背景技术：

2.火灾作为一种复杂的燃烧过程，其发生伴随着多种环境指标的变化，如温度、烟雾浓度、有害气体强度等。传统的单一传感器火灾检测方法通过比较当前时刻的传感器读数和预设阈值，针对单个环境指标进行报警，但由于获取到的环境信息有限，单传感器检测方法容易产生误报和漏报。而随后出现的基于多传感器系统的火灾检测方法可以同时监测多种环境指标，并基于一定准则对获取的信息进行分析、处理、综合和融合，从而实现更为准确的火灾判断。多传感器检测方法克服了单个传感器的不确定性和局限性，提高了整个系统的有效性能，且传感器之间的冗余数据也增强了系统的可靠性。然而，目前绝大部分多传感器火灾检测方法仅考虑当前时刻的环境指标监测数值，忽略了环境指标对应的深层环境信息，如量化当前时刻相对前一时刻环境信息变化程度的环境指标变化信息，以及从时间维度上衡量环境水平的环境指标水平信息。因此，现存的多传感器火灾检测方法容易受非火灾因素影响而产生误报，如短时间的传感器失灵、瞬时的电磁干扰等。另外，由于多传感器系统需要处理的环境信息较多，存在整体结构复杂和检测效率低的问题。于是，如何综合考虑环境指标监测值、环境指标变化程度和环境指标水平，如何高效的实现环境信息融合，是目前多传感器火灾检测需要解决的重要问题。
3.

技术实现要素：

4.本发明目的是针对现有技术的不足，提供了一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，利用长短时记忆网络优秀的时间序列预测能力，从不同环境指标时序数据中提取深层环境信息，再结合信息融合技术，得到当前时刻的综合火灾状态用于火灾判断，该方法有效避免了非火灾因素造成的干扰，显著提高火灾检测的鲁棒性和准确性。
5.为实现上述目的，本发明采用如下技术方案：
6.步骤s1：多传感器系统持续采集环境中温度、烟雾浓度、一氧化碳浓度和二氧化碳浓度数据，构建对应环境指标的监测值时间序列，并进行标准化处理；
7.步骤s2：基于长短时记忆网络构建深层环境信息提取模型，包括环境变化程度提取模块和环境水平提取模块；
8.步骤s3：利用深层环境信息提取模型中的长短时记忆网络对输入的环境指标监测值时序数据进行处理，预测当前时刻相对于前一时刻的环境指标变化程度以及当前时刻下的环境指标水平；
9.步骤s4：为提高系统运行效率，利用相似条件下的另一组原始火灾数据对多层感知机进行预训练，确定多层感知机的最佳隐藏层节点数；
10.步骤s5：使用多层感知机按时序对每一时刻的多种环境信息进行融合处理，得到该时刻对应的综合火灾状态信息；
11.步骤s6：将综合火灾状态信息值与系统运行中学习到的最佳阈值进行比较，若小于该阈值认为无火灾发生，反之则认为发生火灾。
12.所述步骤s2中的环境变化程度提取模块是一种长短时记忆网络，该网络中经过遗忘门和更新门处理后，用于传递的细胞状态为第一类火灾状态信息；经过输出门计算并输出的隐藏状态为环境指标变化程度信息。环境变化程度提取模块的核心思想是保持第一类火灾状态在神经网络链条中传递，通过长短时记忆网络中独特的三种门结构在传递过程中对第一类火灾状态信息进行遗忘、更新和输出，进而控制环境指标变化程度信息的输出。
13.所述的第一类火灾状态信息是基于环境变化对所监测火灾环境的一种量化描述，其量化公式如下：
[0014][0015]
上述公式(1)中，表示环境指标n在k时刻的第一类火灾状态，和分别表示环境指标n在k时刻的变化遗忘向量和变化更新向量，表示环境指标n在k-1时刻的第一类火灾状态信息，表示k时刻环境指标n的第一类火灾状态候选值向量；其中，和表达式如下：
[0016][0017]
上述公式(2)中，σ表示sigmoid激活函数，w
vf
表示环境变化遗忘权重，表示环境指标n在k-1时刻的变化程度，表示环境指标n在k和k-1时刻的监测数据差值，b
vf
表示变化环境遗忘偏置；
[0018][0019]
上述公式(3)中，w
vu
表示环境变化更新权重，b
vu
表示环境变化更新偏置，其余相同符号表达同公式(2)；
[0020][0021]
上述公式(4)中，tanh表示tanh激活函数，wv和bv分别表示创建第一类火灾状态候选值向量的权重和偏置，其余相同符号表达同公式(2)；
[0022]
所述的环境指标变化程度信息用于预测时间序列上当前时刻相较于前一时刻环境的变化程度，其计算公式如下：
[0023][0024]
上述公式(5)中，表示环境指标n在k时刻的变化程度，表示环境指标n在k时刻的变化输出向量，tanh表示tanh激活函数，表示环境指标n在k时刻的第一类火灾状
态；其中，的表达式如下：
[0025][0026]
上述公式(6)中，σ表示sigmoid激活函数，wv
vo
表示环境变化输出权重，表示环境指标n在k-1时刻的变化程度，表示环境指标n在k和k-1时刻的监测数据差值，b
vo
表示环境变化输出偏置。
[0027]
所述步骤s2中的环境指标水平提取模块作为另一种长短时记忆网络，该网络中经过遗忘门和更新门处理后，用于传递的细胞状态为第二类火灾状态信息；经过输出门计算并输出的隐藏状态为环境指标水平信息。环境指标水平提取模块的核心思想是保持第二类火灾状态在神经网络链条中传递，并通过门结构对第二类火灾状态信息进行遗忘、更新和输出，控制环境指标水平信息的输出和传递。
[0028]
所述的第二类火灾状态信息是基于环境水平对所监测火灾环境的一种量化描述，其量化公式如下：
[0029][0030]
上述公式(7)中，表示环境指标n在k时刻的第二类火灾状态，和分别表示环境指标n在k时刻的水平遗忘向量和水平更新向量，表示环境指标n在k-1时刻的第二类火灾状态，表示k时刻环境指标n的第二类火灾状态候选值向量；其中，和表达式如下：
[0031][0032]
上述公式(8)中，σ表示sigmoid激活函数，w
lf
表示环境水平遗忘权重，表示环境指标n在k-1时刻的水平信息，表示环境指标n在k时刻的监测值，b
lf
表示环境水平遗忘偏置；
[0033][0034]
上述公式(9)中，w
lu
表示环境水平更新权重，b
lu
表示环境水平更新偏置，其余相同符号表达同公式(8)；
[0035][0036]
上述公式(10)中，tanh表示tanh激活函数，w
l
和b
l
分别表示创建第二类火灾状态候选值向量的权重和偏置，其余相同符号表达同公式(8)；
[0037]
所述的环境指标水平信息是从对当前时刻环境水平在时间维度上的衡量结果，其计算公式如下：
[0038][0039]
上述公式(11)中，表示环境指标n在k时刻的水平信息，表示环境指标n在k时
刻的水平输出向量，tanh表示tanh激活函数，表示环境指标n在k时刻的第二类火灾状态；其中，的表达式如下：
[0040][0041]
上述公式(12)中，σ表示sigmoid激活函数，w
lo
表示环境水平输出权重，表示环境指标n在k-1时刻的水平信息，表示环境指标n在k时刻的监测值，b
lo
表示环境水平输出偏置。
[0042]
所述步骤s5中的信息融合是利用计算机和神经网络技术对按时序获得的多元火灾监测值在一定准则下加以分析和综合。在多传感器火灾检测系统中，各信息源所提供的环境指标信息都具有一定程度的不确定性，对这些不确定信息进行融合属于不确定性推理过程。神经网络凭借其自学习、自适应和非线性处理能力，可以满足多传感器数据融合技术处理的要求，依据当前系统所接受的样本相似性确定分类标准，这种确定方法主要表现在网络的权值分布上。多层感知机融合处理多种环境信息的函数表达式如下：
[0043][0044]
上述公式(13)中，表示k时刻多层感知机输入层的输出向量，σ表示sigmoid激活函数，w
in
和b
in
分别表示输入层的权重和偏置，表示由环境指标n在k时刻的监测值、环境指标变化程度信息和环境指标水平信息组成向量组的转置；
[0045]
采用sigmoid函数激活输入层的输出向量，激活表达式如下：
[0046][0047]
上述公式(14)中，表示k时刻多层感知机隐藏层的输出向量，σ表示sigmoid激活函数，whi
id
和b
hid
分别表示隐藏层的权重和偏置；
[0048]
进一步的，激活隐藏层输出向量，得到综合火灾状态，计算公式如下：
[0049][0050]
上述公式(15)中，fk表示k时刻的综合火灾状态，σ表示sigmoid激活函数，w
out
和b
out
分别表示输出层的权重和偏置。
附图说明
[0051]
图1为本发明系统架构图
[0052]
图2为本发明的环境指标变化程度提取模块结构图
[0053]
图3为本发明的环境指标水平提取模块结构图
[0054]
图4为本发明的环境信息融合模块结构图
具体实施方式
[0055]
下面将结合附图和实施例对本发明内容做进一步阐述，但不是对本发明的限定。
[0056]
实施例：
[0057]
图1是本发明的系统架构图，它由环境指标监测值处理器、深层环境信息提取模型和信息融合模块组成。多传感器系统通过持续采集环境指标监测值构建对应的时间序列数据。深层环境信息提取模型中的环境指标变化程度提取模块和环境水平提取模块利用长短时记忆网络分别处理输入的环境指标时序数据，结合网络中传递的上一时刻的细胞状态和隐藏状态，输出当前时刻不同环境指标对应的变化程度信息和水平信息。接着，信息融合模块分析并处理当前时刻下的多种环境信息，得到综合火灾状态信息用于火灾判断。具体来说，每类环境指标对应的环境信息包括环境指标监测值、环境指标变化程度信息和环境指标水平信息三部分。
[0058]
具体地，为了说明本发明的实施方式，在实施例中，所采集环境指标监测值构建的原始时间序列数据部分如表1所示：
[0059]
表1不同环境指标监测值的原始时间序列数据(部分)
[0060][0061][0062]
在本实例中，所监测的环境指标包括温度、烟雾浓度、一氧化碳浓度和二氧化碳浓度，相对点火时间为10表示火灾发生的时刻，小于10表示未发生火灾的时刻，大于等于10表示已发生火灾的时刻。对以上环境指标的原始时间序列数据进行标准化，标准化公式为：
[0063][0064]
上述公式(1)中，表示环境指标n在k时刻经过标准化处理后的监测值，表示环境指标n在k时刻的原始监测值，表示环境指标n在时间序列t上的最大原始监测值。
[0065]
标准化后的环境指标监测值如表2所示：
[0066]
表2标准化处理后的不同环境指标监测值时间序列数据(部分)
[0067][0068]
进一步的，标准化处理后的环境指标时间序列数据输入深层环境信息提取模型，包括环境指标变化程度提取模块和环境指标水平提取模块。
[0069]
图2是本发明的环境指标变化程度提取模块结构，作为一种长短时记忆网络，该网络中经过遗忘门和更新门处理后，用于传递的细胞状态为第一类火灾状态信息；经过输出门计算并输出的隐藏状态为环境指标变化程度信息。该网络的输入为当前时刻与前一时刻环境指标监测数据差值以及前一时刻的环境指标变化程度信息，进而计算当前时刻的环境指标变化程度信息；提取过程中得到的第一类火灾状态信息和环境指标变化程度信息均传递至下一细胞单元。其中，第一类火灾状态的量化公式如下：
[0070][0071]
上述公式(2)中，表示环境指标n在k时刻的第一类火灾状态，和分别表示环境指标n在k时刻的变化遗忘向量和变化更新向量，表示环境指标n在k-1时刻的第一类火灾状态，表示k时刻环境指标n的第一类火灾状态候选值向量；其中，和表达式如下：
[0072][0073]
上述公式(3)中，σ表示sigmoid激活函数，w
vf
表示环境变化遗忘权重，表示环境指标n在k-1时刻的变化程度，表示环境指标n在k和k-1时刻的监测数据差值，b
vf
表示环境变化遗忘偏置；
[0074][0075]
上述公式(4)中，w
vu
表示环境变化更新权重，b
vu
表示环境变化更新偏置，其余相同符号表达同公式(3)；
[0076][0077]
上述公式(5)中，tanh表示tanh激活函数，wv和bv分别表示创建第一类火灾状态候
选值向量的权重和偏置，其余相同符号表达同公式(3)；
[0078]
环境指标变化程度信息用于预测时间序列上当前时刻相较于前一时刻环境的变化程度，其计算公式如下：
[0079][0080]
上述公式(6)中，表示环境指标n在k时刻的变化程度，表示环境指标n在k时刻的变化输出向量，tanh表示tanh激活函数，表示环境指标n在k时刻的第一类火灾状态；其中，的表达式如下：
[0081][0082]
上述公式(7)中，σ表示sigmoid激活函数，w
vo
表示环境变化输出权重，表示环境指标n在k-1时刻的变化程度，表示环境指标n在k和k-1时刻的监测数据差值，b
vo
表示环境变化输出偏置。
[0083]
图3是本发明的环境指标水平提取模块结构，作为另一种结构的长短时记忆网络，该网络中经过遗忘门和更新门处理后，用于传递的细胞状态为第二类火灾状态信息；经过输出门计算并输出的隐藏状态为环境指标水平信息。网络的输入为当前时刻的标准化环境指标监测值以及前一时刻的环境指标水平信息，进而计算当前时刻下的环境指标水平信息；提取过程中得到的第二类火灾状态信息和环境指标水平信息均传递至下一细胞单元。其中，第二类火灾状态的量化公式如下：
[0084][0085]
上述公式(8)中，表示环境指标n在k时刻的第二类火灾状态，和分别表示环境指标n在k时刻的水平遗忘向量和水平更新向量，表示环境指标n在k-1时刻的第二类火灾状态，表示k时刻环境指标n的第二类火灾状态信息候选值向量；其中，和表达式如下：
[0086][0087]
上述公式(9)中，σ表示sigmoid激活函数，w
lf
表示环境水平遗忘权重，表示环境指标n在k-1时刻的水平信息，表示环境指标n在k时刻的监测值，b
lf
表示环境水平遗忘偏置；
[0088][0089]
上述公式(10)中，w
lu
表示环境水平更新权重，b
lu
表示环境水平更新偏置，其余相同符号表达同公式(9)；
[0090][0091]
上述公式(11)中，tanh表示tanh激活函数，w
l
和b
l
分别表示创建第二类火灾状态候
选值向量的权重和偏置，其余相同符号表达同公式(9)；
[0092]
环境指标水平信息是从对当前时刻环境水平在时间维度上的衡量结果，其计算公式如下：
[0093][0094]
上述公式(12)中，表示环境指标n在k时刻的水平信息，表示环境指标n在k时刻的水平输出向量，tanh表示tanh激活函数，表示环境指标n在k时刻的第二类火灾状态；其中，的表达式如下：
[0095][0096]
上述公式(13)中，σ表示sigmoid激活函数，w
lo
表示环境水平输出权重，表示环境指标n在k-1时刻的水平信息，表示环境指标n在k时刻的监测值，b
lo
表示环境水平输出偏置。
[0097]
图4是本发明的环境信息融合模块结构图，用于对按时序获得的多元火灾监测值在一定准则下加以分析和融合，函数表达式如下：
[0098][0099]
上述公式(14)中，表示k时刻多层感知机输入层的输出向量，σ表示sigmoid激活函数，w
in
和b
in
分别表示输入层的权重和偏置，表示由环境指标n在k时刻的监测值、环境指标变化程度信息和环境指标水平信息组成向量组的转置；
[0100]
采用sigmoid函数激活输入层的输出向量，激活函数表达式如下：
[0101][0102]
上述公式(15)中，表示k时刻多层感知机隐藏层的输出向量，σ表示sigmoid激活函数，w
hid
和b
hid
分别表示隐藏层的权重和偏置；
[0103]
进一步的，激活隐藏层输出向量，得到综合火灾状态，计算公式如下：
[0104][0105]
上述公式(16)中，fk表示k时刻的综合火灾状态，σ表示sigmoid激活函数，w
out
和b
out
分别表示输出层的权重和偏置。
[0106]
实施例测试结果如表3所示，测试结果良好，结果准确。
[0107]
表3系统实际测试结果
[0108][0109]
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

技术特征：
1.一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，其特征在于，包括以下步骤：步骤s1：多传感器系统持续采集环境中温度、烟雾浓度、一氧化碳浓度和二氧化碳浓度数据，构建对应环境指标的监测值时间序列，并进行标准化处理；步骤s2：基于长短时记忆网络构建深层环境信息提取模型，包括环境变化程度提取模块和环境水平提取模块；步骤s3：利用深层环境信息提取模型中的长短时记忆网络对输入的环境指标监测值时序数据进行处理，预测当前时刻相对于前一时刻的环境指标变化程度以及当前时刻下的环境指标水平；步骤s4：利用相似条件下的另一组原始火灾数据对多层感知机进行预训练，确定多层感知机的最佳隐藏层节点数；步骤s5：使用多层感知机按时序对每一时刻的多种环境信息进行融合处理，得到该时刻对应的综合火灾状态信息；步骤s6：将综合火灾状态信息值与系统运行中学习到的最佳阈值进行比较，若小于该阈值认为无火灾发生，反之则认为发生火灾。2.根据权利要求1所述的一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，其特征在于：所述步骤s2中的环境变化程度提取模块是一种长短时记忆网络，该网络中经过遗忘门和更新门处理后，用于传递的细胞状态为第一类火灾状态信息；经过输出门计算并输出的隐藏状态为环境指标变化程度信息。3.根据权利要求2所述的一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，其特征在于：所述的第一类火灾状态信息是基于环境变化对所监测火灾环境的一种量化描述，其量化公式如下：上述公式(1)中，表示环境指标n在k时刻的第一类火灾状态，和分别表示环境指标n在k时刻的变化遗忘向量和变化更新向量，表示环境指标n在k-1时刻的第一类火灾状态，表示k时刻环境指标n的第一类火灾状态候选值向量；其中，和表达式如下：上述公式(2)中，σ表示sigmoid激活函数，w
vf
表示环境变化遗忘权重，表示环境指标n在k-1时刻的变化程度，表示环境指标n在k和k-1时刻的监测数据差值，b
vf
表示环境变化遗忘偏置；上述公式(3)中，w
vu
表示环境变化更新权重，b
vu
表示环境变化更新偏置，其余相同符号表达同公式(2)；
上述公式(4)中，tanh表示tanh激活函数，w
v
和b
v
分别表示创建第一类火灾状态候选值向量的权重和偏置，其余相同符号表达同公式(2)。4.根据权利要求2所述的一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，其特征在于：所述的环境指标变化程度信息用于预测时间序列上当前时刻相较于前一时刻环境的变化程度，其计算公式如下：上述公式(5)中，表示环境指标n在k时刻的变化程度，表示环境指标n在k时刻的变化输出向量，tanh表示tanh激活函数，表示环境指标n在k时刻的第一类火灾状态；其中，的表达式如下：上述公式(6)中，σ表示sigmoid激活函数，w
vo
表示环境变化输出权重，表示环境指标n在k-1时刻的变化程度，表示环境指标n在k和k-1时刻的监测数据差值，b
vo
表示环境变化输出偏置。5.根据权利要求1所述的一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，其特征在于：所述步骤s2中的环境水平提取模块是一种长短时记忆网络，该网络中经过遗忘门和更新门处理后，用于传递的细胞状态为第二类火灾状态信息；经过输出门计算并输出的隐藏状态为环境指标水平信息。6.根据权利要求5所述的一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，其特征在于：所述的第二类火灾状态信息是基于环境水平对所监测火灾环境的一种量化描述，其量化公式如下：上述公式(7)中，表示环境指标n在k时刻的第二类火灾状态，和分别表示环境指标n在k时刻的水平遗忘向量和水平更新向量，表示环境指标n在k-1时刻的第二类火灾状态，表示k时刻环境指标n的第二类火灾状态候选值向量；其中，和表达式如下：上述公式(8)中，σ表示sigmoid激活函数，w
lf
表示环境水平遗忘权重，表示环境指标n在k-1时刻的水平信息，表示环境指标n在k时刻的监测值，b
lf
表示环境水平遗忘偏置；上述公式(9)中，w
lu
表示环境水平更新权重，b
lu
表示环境水平更新偏置，其余相同符号
表达同公式(8)；上述公式(10)中，tanh表示tanh激活函数，w
l
和b
l
分别表示创建第二类火灾状态候选值向量的权重和偏置，其余相同符号表达同公式(8)。7.根据权利要求5所述的一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，其特征在于：所述的环境指标水平信息是从对当前时刻环境水平在时间维度上的衡量结果，其计算公式如下：上述公式(11)中，表示环境指标n在k时刻的水平信息，表示环境指标n在k时刻的水平输出向量，tanh表示tanh激活函数，表示环境指标n在k时刻的第二类火灾状态；其中，的表达式如下：上述公式(12)中，σ表示sigmoid激活函数，w
lo
表示环境水平输出权重，表示环境指标n在k-1时刻的水平信息，表示环境指标n在k时刻的监测值，b
lo
表示环境水平输出偏置。8.根据权利要求1所述的一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法，其特征在于：所述步骤s5中使用多层感知机融合处理时间序列上每一时刻的多种环境信息，其中，每类环境指标对应的环境信息包括该时刻的监测值、该时刻相对于前一时刻的环境指标变化程度信息以及该时刻的环境指标水平信息，融合函数如下：上述公式(13)中，表示k时刻多层感知机输入层的输出向量，σ表示sigmoid激活函数，w
in
和b
in
分别表示输入层的权重和偏置，表示由环境指标n在k时刻的监测值、环境指标变化程度信息和环境指标水平信息组成向量组的转置；采用sigmoid函数激活输入层的输出向量，激活表达式如下：上述公式(14)中，表示k时刻多层感知机隐藏层的输出向量，σ表示sigmoid激活函数，w
hid
和b
hid
分别表示隐藏层的权重和偏置；激活隐藏层输出向量，得到综合火灾状态，计算公式如下：上述公式(15)中，f
k
表示k时刻的综合火灾状态，σ表示sigmoid激活函数，w
out
和b
out
分别表示输出层的权重和偏置。

技术总结
本发明公开了一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法。该方法在检测火灾时，首先使用多传感器系统持续采集环境中温度、烟雾浓度、一氧化碳浓度和二氧化碳浓度数据，构建对应环境指标的监测值时间序列；其次，基于长短时记忆网络构建深层环境信息提取模型中的环境变化程度提取模块和环境水平提取模块，借助长短时记忆网络对时序数据长距离依赖关系的处理能力，实现对环境指标变化程度以及环境指标水平的预测；然后，使用多层感知机对所获取到的多种环境信息进行融合，得到综合火灾状态信息；最后，将综合火灾状态信息值与系统运行中学习到的最佳阈值进行比较，完成火灾判断。完成火灾判断。完成火灾判断。


技术研发人员：刘平山 项平川 吕树月 曹原
受保护的技术使用者：桂林电子科技大学
技术研发日：2022.12.27
技术公布日：2023/6/28