多传感器信息融合火灾预测算法、系统、电子设备及介质技术方案

本发明专利技术涉及多类型异质传感器信息融合技术领域，公开了一种多传感器信息融合火灾预测算法、系统、电子设备及介质，包括：S1、获取数据库中的样本数据；S2、对所述数据集中的样本数据进行预处理；S3、将预处理后的所述数据集中的样本数据按照比例划分为训练集、测试集和验证集，并将所述训练集中的样本数据利用机器学习算法提取数据特征，得到每个样本数据各属性值的重要度；S4、建立预测模型，将所述训练集输入至所述预测模型中进行训练；S5、将所述测试集中的样本数据送入到所述预测模型中对预测模型进行修正。本发明专利技术通过找出各属性与火灾发生之间的内在联系，减少传感器抢占信道资源的情况发生，降低功耗的同时并保证准确地做出火灾预警。灾预警。灾预警。

【技术实现步骤摘要】
多传感器信息融合火灾预测算法、系统、电子设备及介质


[0001]本专利技术涉及多类型异质传感器信息融合
，具体涉及一种多传感器信息融合火灾预测算法、系统、电子设备及介质。

技术介绍

[0002]近年来由于受到全球气候的急剧变化，全世界各地森林火灾发生的频度和强度逐年加剧，因此及时有效的预测森林火灾的发生具有重大意义。无线传感器网络虽能够解决大面积覆盖的问题，但由于其网络资源有限，大部分传感器节点都采用干电池或纽扣电池供电，能量供给不足。其次，由于传感器节点的设计初衷是为了感知信息，导致其运算能力，存储空间以及无线带宽资源都极其有限。频繁的收发数据会严重浪费有限的电池能量和通信带宽，尤其在大规模的无线传感器网络中，传感器数据会出现大量冗余，使得各节点对信道的争夺加剧，数据丢包率增加，导致网络的传输效率，网络寿命以及数据传输的准确性大大下降，同时，带来网络延时导致的数据不同步性，大大削弱预测的准确性。尽管目前有成熟数据融合方法
‑
Dempster
‑
Shafer证据推理方法。该方法虽然在专家系统，信息融合方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多传感器信息融合火灾预测算法，其特征在于，包括：S1、获取数据库中的样本数据，并采集所述样本数据中的温度属性、湿度属性、风速属性和雨量属性对应的数据集；S2、对所述数据集中的样本数据进行预处理；S3、将预处理后的所述数据集中的样本数据按照比例划分为训练集、测试集和验证集，并将所述训练集中的样本数据利用机器学习算法提取数据特征，得到每个样本数据各属性值的重要度，一个样本数据的属性值包括一个温度值、雨量值、风速值和湿度值；S4、建立预测模型，将所述训练集输入至所述预测模型中进行训练，在训练时，通过概率统计学以及决策树算法处理，计算各样本数据的属性值与火灾发生的相关性并找出与火灾发生的相关性最大的属性值所对应的样本数据，然后根据回归算法计算预测结果；S5、将所述测试集中的样本数据送入到所述预测模型中对预测模型进行修正，得到最终的预测模型参数，最后通过验证集的数据验证所得到的预测模型的可信性。2.根据权利要求1所述的一种多传感器信息融合火灾预测算法，其特征在于，所述样本数据来源于葡萄牙东北部的Montesinho国家公园的数据库。3.根据权利要求1所述的一种多传感器信息融合火灾预测算法，其特征在于，S2中，对所述样本数据进行预处理具体为：采用均值插补法对缺失的属性值进行处理，所述缺失的属性值称为缺失值，根据缺失值的属性分为定距型和非定距型，对于缺失值为定距型的，以该总的属性值的平均值来插补缺失的值；对于缺失值是非定距型的，根据统计学中的众数原理，以该属性值的众数来补齐缺失的值。4.根据权利要求1所述的一种多传感器信息融合火灾预测算法，其特征在于，S3的具体步骤为：将所述训练集中的数据采用数理统计的思想进行计算，最终得到的数据即为各属性的重要度。5.根据权利要求1所述的一种多传感器信息融合火灾预测算法，其特征在于，S4的具体步骤为：S4.1、采用斯皮尔曼相关系数计算各样本数据的属性值与火灾发生的相关性，并初步筛选具有正相关属性的样本数据：其中，ρ表示X
a
、Y变量之间的皮尔逊相关系数，X
a
、Y是两个n维随机变量矩阵，在本专利中，X
a
、Y分别表示属性值和火灾发生状态，a为属性类别，Cov(X
a
，Y)表示X
a
、Y变量之间的协方差，δ
Y
表示X
a
、Y之间的标准差，X
ai
、Y
i
分别表示X
a
、Y随机变量中的其中一个，E(X
a
...

【专利技术属性】
技术研发人员：李琪林，程志炯，蔡君懿，叶润，
申请(专利权)人：国网四川省电力公司营销服务中心，
类型：发明
国别省市：