[发明专利]一种基于多源信息融合的城市火灾判断方法、系统及其存储介质

权利要求书

1.一种基于多源信息融合的城市火灾判断方法，其特征在于，具体方法如下：

1)数据采集：通过传感器实时获取目标能量辐射特征值x_en(t)、目标燃烧物浓度特征值x_smo(t)、目标温度特征值x_tmp(t)和目标检测信号持续时间特征值；

2)局部决策：对步骤1)中所述目标能量辐射特征值、目标燃烧物浓度特征值和目标温度特征值分别进行可信度评估，若传感器采集到数据的可信度平均值大于预设阈值则进入局部决策判断，若有一个以上的特征值的局部决策判断为异常，则转入步骤3)，反之则转入步骤1)；

3)火灾信息融合预测：将预设时间段内的目标能量辐射特征值、目标燃烧物浓度特征值、目标温度特征值和目标检测信号持续时间特征值输入火灾预测模型进行融合预测；

4)火灾概率预测：根据目标火灾的融合预测结果，结合RBP-BP混合神经网络输出火灾发生概率结果；

步骤3)中所述火灾预测模型利用多头注意力机制建立的具体方法如下：

3-1)提取与被监测环境相似的环境历史火灾数据，历史火灾数据包括有监测周期内历史能量辐射融合值Sample_x_en(t)、监测周期内历史燃烧产物融合值Sample_x_smo(t)、监测周期内历史温度融合值Sample_x_tmp(t)和历史检测信息持续时间信息，各N组，t＝{1,2,...,n}；

历史能量辐射融合值x_{en_i}为第i个辐射传感器采样的信号，w_{en_i}为第i个辐射传感器所对应的权重；

历史燃烧产物融合值x_{smo_i}为第i个燃烧产物浓度传感器采样的信号，w_{smo_i}为第i个燃烧产物浓度传感器所对应的权重；

历史温度融合值x_{tmp_i}为第i个感温传感器采样的信号，w_{tmp_i}为第i个感温传感器所对应的权重；

3-2)针对p个辐射传感器，q个量测目标，在k时刻，对量测目标j，设各传感器量测的平均值其中m_ij为第i个传感器对量测目标j的量测值，w_{en_i}为第i个辐射传感器所对应的权重；对量测目标j，传感器可信度的判断矩阵其中矩阵元素d_st为同辐射传感器中任两个传感器s、传感器t对量测目标j的可信度比值，w_{en_s}、w_{en_t}分别为辐射传感器s、辐射传感器t所对应的权重；将D^j各列归一化处理，得到将按行相加后归一化得到可信度向量W^j＝{w₁^j,w₂^j,...,w_i^j,...,w_p^j}，w_i^j表示第i个辐射传感器对量测目标j的可信度；辐射传感器i的综合可信度为对其各个目标量测可信度的平均值

同理，可以得到燃烧产物浓度传感器i的综合可信度为对其各个目标量测可信度的平均值感温传感器i的综合可信度为对其各个目标量测可信度的平均值

3-3)计算该监测周期时间内，历史能量辐射融合值中每两个相邻的信号差的总和D_en，

历史燃烧产物浓度融合值中每两个相邻的信号差的总和Sample_D_smo，

历史温度融合值中每两个相邻的信号差的总和Sample_D_tmp，

3-4)计算该监测周期时间内，历史能量辐射传感器在该段时间内的局部决策为Sample_A_en，Sample_A_en＝f(Sample_D_en-T_en)，其中T_en表示能量辐射的报警门限；

历史燃烧产物浓度传感器在该段时间内的局部决策为Sample_A_smo，Sample_A_smo＝f(Sample_D_smo-T_smo)，其中T_smo表示燃烧产物浓度的报警门限；

历史感温传感器在该段时间内的局部决策为Sample_A_tmp，Sample_A_tmp＝f(Sample_D_tmp-T_tmp)，其中T_tmp表示温度的报警门限；

3-5)对该段时间内四个火灾特征参量的局部决策Sample_A_en、Sample_A_smo、Sample_A_tmp进行阈值检测，其中有一个值为1时，就说明该段时间内有一个信号处于异常状态，表示当前被检测环境有可能发生火灾，若此时各辐射传感器i的综合可信度Sample_R_{en_i}、各燃烧产物浓度传感器综合可信度Sample_R_{smo_i}、各感温传感器综合可信度Sample_R_{tmp_i}同时高于预设可信度值，则将该段时间内传感器所采集的信号及其检测信号持续时间特征信息作为样本数据提交至火灾预测模型进行训练处理；

3-6)随机打乱并重新划分样本数据的前70％为训练集，剩余30％作为测试集，并对数据进行归一化处理，其中归一化公式为数据归一化的范围为(0,1)，表示归一化处理后的数据，x_i表示归一化处理前的原始数据，x_min表示样本数据中最小值，x_max表示样本数据中最大值；

3-7)利用基于多头注意力机制的预测模型对训练集进行预测，通过第一时刻到t-1时刻的监测数据预测t时刻的检测数据；

传感器安放在被监测环境的不同位置上，以固定采集被监测环境的监测数据，数据格式类型{X₁,X₂,...,X_n,...,X_t-1}，n＝{1,2,...,t-1}其中X_n为n时刻采集的监测数据，X_n＝{监测数据1,监测数据2,...,监测数据m}；以固定频率采集的监测数据可通过数据传输装置传输到处理器，处理器初步清洗数据后持久化至数据库中；

对监测数据序列进行经验小波变换分解得到不同频率的IMF分量序列{f₁,f₂,...,f_n,...,f_t-1}，对IMF分量序列进行数据清洗，将数据清洗后各IMF分量序列输入基于多头注意力机制的预测模型。