基于云平台和移动端App的安防大数据物联网智能系统技术方案

本发明专利技术公开了一种基于云平台和移动端App的安防大数据物联网智能系统由安防参数采集平台和安防参数大数据处理子系统两部分组成，实现对安防参数检测和对安防安全进行预测；本发明专利技术有效解决了现有安防参数没有根据安防环境参数变化的非线性、大滞后和安防环境面积大参数变化复杂等对环境安全的影响，没有对安防参数进行预测和对安防安全进行预警，从而极大的影响安防的安全管理问题。的影响安防的安全管理问题。的影响安防的安全管理问题。

【技术实现步骤摘要】
基于云平台和移动端App的安防大数据物联网智能系统


[0001]本专利技术涉及安防大数据检测与报警自动化装备
，具体涉及一种基于云平台和移动端App的安防大数据物联网智能系统。

技术介绍

[0002]目前的安防监测大都不具备联动报警功能，很多的设备都是以单体监测形式存在，一个设备只能一个监管区域，为了有效地降低火灾或盗抢事件发生的概率，最大限度地确保居民人身和财产安全，提高安防巡检系统的监测实时性和可靠性，将物联网技术与人工智能应用到安防系统的设计中显得尤为重要，专利技术基于云平台和移动端App的安防大数据物联网智能系统，实现对监测环境中火灾隐患及非法闯入信息的实时监测自动完成，本系统可以实现对监测环境中火灾隐患及非法人员的闯入信息的智能巡视监测并能实现联动报警，用户只需观察系统输出的监测环境安全状态，即可掌握监测环境中的安全状况并能实现联动报警，当任意一个监测节点出现异常情况时，输出联动报警提示信息为报警事件的处置赢得了更多的时间。

技术实现思路

[0003]本专利技术提供基于云平台和移动端App的安防大数据物联网智能系统，本专利技术有效解决了现有安防参数没有根据安防环境参数变化的非线性、大滞后和安防环境面积大参数变化复杂等对环境安全的影响，没有对安防参数进行预测和对安防安全进行预警，从而极大的影响安防的安全管理问题。
[0004]本专利技术通过以下技术方案实现：
[0005]基于云平台和移动端App的安防大数据物联网智能系统由安防参数采集平台和安防参数大数据处理子系统两部分组成，安防参数采集平台包括测节点、网关节点、现场监控端、云平台和移动端App，实现对安防参数检测与预警；安防参数大数据处理子系统包括多个参数检测模块和安防安全分类器，实现对安防安全进行预测，提高建筑工程安全和可靠性管理水平。
[0006]本专利技术进一步技术改进方案是：
[0007]安防参数采集平台包括安防参数的多个检测节点、网关节点、现场监控端、云平台和移动端App组成，检测节点和网关节点之间通过构建LoRa通信网络来实现多个检测节点和网关节点之间的无线通信；检测节点将检测的安防参数通过网关节点的RS232接口发送给现场监控端，现场监控端对安防参数进行理和对安防参数预测；网关节点通过NB
‑
IoT模块与云平台之间以及云平台通过5G网络与移动端App之间实现安防参数的双向传输，网关节点与现场监控端之间通过RS232接口实现安防参数双向传输。安防参数采集平台结构见图1所示。
[0008]本专利技术进一步技术改进方案是：
[0009]安防参数大数据处理子系统由LSTM神经网络模型、Adaline神经网络模型、变分模
态分解模型、K
‑
means聚类分类器、CNN卷积
‑
NARX神经网络模型、Vague集的ANFIS模糊神经网络模型、2个参数检测模块、按拍延迟线TDL和Vague集的递归模糊小波神经网络模型组成；火焰传感器感知被检测环境的时间序列火焰值分别作为LSTM神经网络模型和Adaline神经网络模型的输入，LSTM神经网络模型与Adaline神经网络模型输出的差作为被检测环境的火焰波动值，时间序列火焰波动值作为变分模态分解模型的输入，变分模态分解模型输出多个模态函数IMF分量，多个IMF分量能量熵作为K
‑
means聚类分类器的输入，减法聚类分类器输出的多个类型的IMF分量能量熵分别作为多个对应的CNN卷积
‑
NARX神经网络模型输入，Adaline神经网络模型和多个CNN卷积
‑
NARX神经网络模型的输出作为Vague集的ANFIS模糊神经网络模型的对应输入，Vague集的ANFIS模糊神经网络模型输出的三个参数分别为x、t和1
‑
f，x为被检测火焰的实数值，t为可信度，1
‑
f
‑
t为不确定度，f为不可信度，x、t和1
‑
f构成被检测火焰的Vague集数值为[x，(t，1
‑
f)]；多个温度传感器和多个湿度传感器的输出分别作为对应的参数检测模块的输入，2个参数检测模块和Vague集的ANFIS模糊神经网络模型的输出作为对应的按拍延迟线TDL的输入，3个按拍延迟线TDL的输出作为Vague集的模糊小波神经网络模型的对应输入，Vague集的模糊小波神经网络模型输出的三个参数分别为y、s和1
‑
z，y为被检测火焰的预测值，s为可信度，1
‑
z
‑
s为不确定度，z为不可信度，y、s和1
‑
z构成被检测火焰的Vague集的预测数值为[y，(s，1
‑
z)]。安防参数大数据处理子系统结构见图2所示。
[0010]本专利技术进一步技术改进方案是：
[0011]参数检测模块由LSTM神经网络模型、ARIMA预测模型、变分模态分解模型、减法聚类分类器、NARX神经网络模型和Vague集的ANFIS模糊神经网络模型组成；参数传感器感知被检测环境的时间序列参数值分别作为LSTM神经网络模型和ARIMA预测模型的输入，LSTM神经网络模型与ARIMA预测模型输出的差作为被检测环境的参数波动值，时间序列参数波动值作为变分模态分解模型的输入，变分模态分解模型输出多个模态函数IMF分量，多个IMF分量能量熵作为减法聚类分类器的输入，减法聚类分类器输出的多个类型的IMF分量能量熵分别作为多个对应的NARX神经网络模型输入，ARIMA预测模型和多个NARX神经网络模型的输出作为Vague集的ANFIS模糊神经网络模型的对应输入，Vague集的ANFIS模糊神经网络模型输出的三个参数分别为x、t和1
‑
f，x为被检测参数的实数值，t为可信度，1
‑
f
‑
t为不确定度，f为不可信度，x、t和1
‑
f构成被检测参数的Vague集数值为[x，(t，1
‑
f)]，Vague集的ANFIS模糊神经网络模型输出作为参数检测模块的输出。参数检测模块结构见图3所示。
[0012]本专利技术与现有技术相比，具有以下明显优点：
[0013]一、本专利技术针对参数测量过程中，传感器精度误差、干扰和测量异常等问题存在的不确定性和随机性，本专利技术专利通过参数检测模块将传感器测量的参数值转化为检测参数Vague集的数值形式表示，有效地处理了传感器测量参数的模糊性、动态性和不确定性，提高了传感器检测参数的客观性和可信度。
[0014]二、本专利技术LSTM神经网络模型是一种在重复网络中具有4个相互作用层的循环神经网络。它不仅能够像标准循环神经网络那样从被检测参数传感器输出的序列数据中提取信息，还能够保留来自于先前较远步骤的被检测参数传感器输出长期相关性的信息。此外，由于被检测参数传感器输出的采样间隔相对较小，被检测参数传感器输出存在长期空间和时间上的相关性，而LSTM神经网络模型有足够的长期记本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于云平台和移动端App的安防大数据物联网智能系统，其特征在于：系统由安防参数采集平台和安防参数大数据处理子系统两部分组成，实现对安防参数检测和对安防安全进行预测；安防参数大数据处理子系统由LSTM神经网络模型、Adaline神经网络模型、变分模态分解模型、K
‑
means聚类分类器、CNN卷积
‑
NARX神经网络模型、Vague集的ANFIS模糊神经网络模型、参数检测模块、按拍延迟线TDL和Vague集的递归模糊小波神经网络模型组成；火焰传感器感知被检测环境的时间序列火焰值分别作为LSTM神经网络模型和Adaline神经网络模型的输入，LSTM神经网络模型与Adaline神经网络模型输出的差作为被检测环境的火焰波动值，时间序列火焰波动值作为变分模态分解模型的输入，变分模态分解模型输出多个模态函数IMF分量，多个IMF分量能量熵作为K
‑
means聚类分类器的输入，减法聚类分类器输出的多个类型的IMF分量能量熵分别作为多个对应的CNN卷积
‑
NARX神经网络模型输入，Adaline神经网络模型和多个CNN卷积
‑
NARX神经网络模型的输出作为Vague集的ANFIS模糊神经网络模型的对应输入，Vague集的ANFIS模糊神经网络模型输出的三个参数分别为x、t和1
‑
f，x为被检测火焰的实数值，t为可信度，1
‑
f为可信度和不确定度和，1
‑
f
‑
t为不确定度，f为不可信度，x、t和1
‑
f构成被检测火焰的Vague集数值为[x，(t，1
‑
f)]；多个温度传感器和多个湿度传感器的输出分别作为对应的参数检测模块的输入，2个参数检测模块和Vague集的ANFIS模糊神经网络模型的输出作为对应的按拍延迟线TDL的输入，3个按拍延迟线TDL的输出作为Vague集的模糊小波神经网络模型的对应输入，Vague集的模糊小波神经网络模型输出的三个参数分别为y、s和1
‑
z，y为被检测火焰的预测值，s为可信度，1
‑
z为可信度和不确定度和，1
‑
z
‑
s为不确定度，z为不可信度，y、s和1
‑
...

【专利技术属性】
技术研发人员：张卫星，秦源汇，苏衍，冯凯宇，郭硕，尹太誉，马从国，周恒瑞，周红标，秦小芹，柏小颖，王建国，马海波，周大森，金德飞，黄凤芝，李亚洲，丁晓红，叶文芊，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：