一种基于多指标数据的消防员危险性预警方法及穿戴设备技术

本发明专利技术公开了一种基于多指标数据的消防员危险性预警方法及穿戴设备，该方法包括：采集环境数据和生命体征数据并对其进行预处理和标准化处理；构建神经网络预测模型，更新神经网络预测模型内部参数，并获取不同内部参数下神经网络预测模型的环境预测结果和身体状态预测结果；采用加权平均法获取最终的环境预测结果和最终的身体状态预测结果；根据最终的环境预测结果和最终的身体状态预测结果执行预警警告。本发明专利技术采用加权平均法融合了不同内部参数神经网络预测模型的预测结果，使获取的最终预测结果更加准确，并且能根据最终的预测结果确定危险性等级，进而对消防员给予有效的预警警告。预警警告。预警警告。

【技术实现步骤摘要】
一种基于多指标数据的消防员危险性预警方法及穿戴设备


[0001]本专利技术涉及消防员危险性监测领域，具体涉及一种基于多指标数据的消防员危险性预警方法及穿戴设备。

技术介绍

[0002]消防员危险性监测技术主要用于保护消防员的安全以及辅助制定消防灭火救援策略，而该技术也因消防员所处环境的危险性具有广泛的研究与应用空间。现目前通常设计与研发基于物联网的消防员智能穿戴设备，并基于智能穿戴设备采集消防员所处的环境数据以及其他各项数据，并根据所获取的数据进行针对性分析，以实现初步的危险性预测。
[0003]现有方法中采用神经网络模型并基于消防员智能穿戴设备采集的数据，进而实现对消防员危险性进行预测，但现有方法在采集到数据后，构建并采用的神经网络模型无法对各项数据进行有效融合，进而导致制定的危险性预测方案存在不足，得到的危险性预测结果准确度不够，实际应用效果不佳。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种基于多指标数据的消防员危险性预警方法及穿戴设备，能有效融合多指标数据得到准确的消防员危险性预测结果，并提供有效的预警方案。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0006]一种基于多指标数据的消防员危险性预警方法，包括以下步骤：
[0007]S1、采集环境数据和生命体征数据，并对环境数据和生命体征数据进行预处理和标准化处理获取标准环境输入数据和标准生命体征数据；
[0008]S2、构建神经网络预测模型，利用步骤S2中的标准环境输入数据和标准生命体征数据更新神经网络预测模型内部参数，并获取不同内部参数下神经网络预测模型的环境预测结果和身体状态预测结果；
[0009]S3、根据步骤S2中不同内部参数下神经网络预测模型的环境预测结果和身体状态预测结果，采用加权平均法获取最终的环境预测结果和最终的身体状态预测结果；
[0010]S4、根据步骤S3中最终的环境预测结果和最终的身体状态预测结果执行预警警告。
[0011]进一步地，步骤S1包括以下分步骤：
[0012]S11、采集环境数据和生命体征数据；
[0013]S12、对分步骤S11中的环境数据和生命体征数据进行缺失值、异常值和重复值的清洗获取预处理环境数据和预处理身体状态数据；
[0014]S13、采用最大最小法对分步骤S12中的预处理环境数据和预处理身体状态数据进行标准化处理，获取标准环境输入数据和标准身体状态输入数据。
[0015]进一步地，步骤S2包括以下分步骤：
[0016]S21、构建神经网络预测模型；
[0017]S22、将步骤S2中的标准环境输入数据和标准身体状态输入数据输入至神经网络预测模型获取环境预测结果和身体状态预测结果；
[0018]S23、根据分步骤S22中的环境预测结果和身体状态预测结果更新神经网络预测模型的内部参数；
[0019]S24、将步骤S2中的标准环境输入数据和标准身体状态输入数据输入至分步骤S23中更新内部参数后的神经网络预测模型，获取不同内部参数下神经网络预测模型的环境预测结果和身体状态预测结果。
[0020]进一步地，在分步骤S21中，神经网络预测模型包括输入层、隐含层和输出层；
[0021]输入层到隐含层的计算过程表示为：
[0022][0023]其中：H
j
为隐含层第j个神经元节点的输出结果，i为输入层神经元节点的序号，n为输入层神经元节点的总数，ω
ij
为输入层第i个神经元节点与隐含层第j个神经元节点的权值，x
i
为第i个输入层神经元节点的标准输入数据，a
j
为隐含层第j个神经元节点的阈值；
[0024]隐含层到输出层的计算过程表示为：
[0025][0026]其中：O
k
为输出层第k个神经元节点的预测结果，j为隐含层神经元节点的序号，m为隐含层神经元节点的总数，ω
jk
为隐含层第j个神经元节点与输出层第k个神经元节点的权值，b
k
为输出层第k个神经元节点的阈值。
[0027]进一步地，步骤S23包括以下分步骤：
[0028]S231、将步骤S22中的环境预测结果和身体状态预测结果减去对应的期望输出，获取预测误差；
[0029]S232、根据分步骤S231中的预测误差更新隐含层与输出层之间的权值，表示为：
[0030]ω
′
jk
＝ω
jk
+ηH
j
e
k
其中：ω
′
jk
为更新后隐含层第j个神经元节点与输出层第k个神经元节点的权值，ω
jk
为隐含层第j个神经元节点与输出层第k个神经元节点的权值，η为神经网络预测模型的学习效率，H
j
为隐含层第j个神经元节点的输出结果，e
k
为预测误差；
[0031]S233、根据分步骤S221中的预测误差更新输入层与隐含层之间的权值，表示为：
[0032][0033]其中：ω
′
ij
为更新后输入层第i个神经元节点与隐含层第j个神经元节点的权值，ω
ij
为输入层第i个神经元节点与隐含层第j个神经元节点的权值，x
i
为第i个输入层神经元节点的标准输入数据，k为输出层神经元节点的序号，p为输出层神经元节点的总数；
[0034]S234、根据分步骤S221中的预测误差更新输出层的阈值，表示为：
[0035]b
′
k
＝b
k
+ηe
k
[0036]其中：b
′
k
为更新后输出层第k个神经元节点的阈值；
[0037]S235、根据分步骤S221中的预测误差更新隐含层的阈值，表示为：
[0038][0039]其中：a
′
j
为更新后隐含层第j个神经元节点的阈值。
[0040]进一步地，步骤S3包括以下分步骤：
[0041]S31、根据步骤S2中不同内部参数下神经网络预测模型的环境预测结果和身体状态预测结果，计算不同内部参数下神经网络预测模型的性能指标的平均值；
[0042]S32、根据分步骤S31中不同内部参数下神经网络预测模型的性能指标的平均值，确定每个神经网络预测模型的权重；
[0043]S33、根据分步骤S32中每个神经网络预测模型的权重，采用加权平均法计算最终的环境预测结果和最终的身体状态预测结果，表示为：
[0044][0045]其中：为最终的预测结果，r为不同内部参数神经网络预测模型的序号，q为不同内部参数神经网络预测模型的总数，ω
r
为第r个神经网络预测模型的权重，M
r
(x)为第r个神经网络预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多指标数据的消防员危险性预警方法，其特征在于，包括以下步骤：S1、采集环境数据和生命体征数据，并对环境数据和生命体征数据进行预处理和标准化处理获取标准环境输入数据和标准生命体征数据；S2、构建神经网络预测模型，利用步骤S2中的标准环境输入数据和标准生命体征数据更新神经网络预测模型内部参数，并获取不同内部参数下神经网络预测模型的环境预测结果和身体状态预测结果；S3、根据步骤S2中不同内部参数下神经网络预测模型的环境预测结果和身体状态预测结果，采用加权平均法获取最终的环境预测结果和最终的身体状态预测结果；S4、根据步骤S3中最终的环境预测结果和最终的身体状态预测结果执行预警警告。2.根据权利要求1所述的一种基于多指标数据的消防员危险性预警方法，其特征在于，步骤S1包括以下分步骤：S11、采集环境数据和生命体征数据；S12、对分步骤S11中的环境数据和生命体征数据进行缺失值、异常值和重复值的清洗获取预处理环境数据和预处理身体状态数据；S13、采用最大最小法对分步骤S12中的预处理环境数据和预处理身体状态数据进行标准化处理，获取标准环境输入数据和标准身体状态输入数据。3.根据权利要求1所述的一种基于多指标数据的消防员危险性预警方法，其特征在于，步骤S2包括以下分步骤：S21、构建神经网络预测模型；S22、将步骤S2中的标准环境输入数据和标准身体状态输入数据输入至神经网络预测模型获取环境预测结果和身体状态预测结果；S23、根据分步骤S22中的环境预测结果和身体状态预测结果更新神经网络预测模型的内部参数；S24、将步骤S2中的标准环境输入数据和标准身体状态输入数据输入至分步骤S23中更新内部参数后的神经网络预测模型，获取不同内部参数下神经网络预测模型的环境预测结果和身体状态预测结果。4.根据权利要求3所述的一种基于多指标数据的消防员危险性预警方法，其特征在于，在分步骤S21中，神经网络预测模型包括输入层、隐含层和输出层；输入层到隐含层的计算过程表示为：其中：H
j
为隐含层第j个神经元节点的输出结果，i为输入层神经元节点的序号，n为输入层神经元节点的总数，ω
ij
为输入层第i个神经元节点与隐含层第j个神经元节点的权值，x
i
为第i个输入层神经元节点的标准输入数据，a
j
为隐含层第j个神经元节点的阈值；隐含层到输出层的计算过程表示为：其中：O
k
为输出层第k个神经元节点的预测结果，j为隐含层神经元节点的序号，m为隐含
层神经元节点的总数，ω
jk
为隐含层第j个神经元节点与输出层第k个神经元节点的权值，b
k
为输出层第k个神经元节点的阈值。5.根据权利要求4所述的一种基于多指标数据的消防员危险性预警方法，其特征在于，步骤S23包括以下分步骤：S231、将步骤S22中的环境预测结果和身体状态预测结果减去对应的期望输出，获取预测误差；S232、根据分步骤S231中的预测误差更新隐含层与输出层之间的权值，表示为：ω
′
jk
＝ω
jk
+ηH
j
e
k
其中：ω
′
jk
为更新后隐含层第j个神经元节点与输出层第k个神经元节点的权值，ω
jk
为隐含层第j个神经元节点与输出层第k个神经元节点的权值，η为神经网络预测模型的学习效率，H
j
为隐含层第j个神经元节点的输出结果，e
k
为预测误差；S233、根据分步骤S221中的预测误差更新输入层与隐含层之间的权值，表示为：其中：ω
′
ij
为更新后输入层第i个神经元节点与隐含层第j个神经元节点的权值，ω
ij
为输入层第i个神经元节点与隐含层第j个神经元节点的权值，x
i
为第i个输入层神经元节点的标准输入数据，k为输出层神经元节点的序号，p为输出层神经元节点的总数；S234、根据分步骤S221中的预测误差更新输出层的阈值，表示为：b
′
k
＝b
k
+r
j
e
k
其中：b
′
k
为更新后输出层第k个神经元节点的阈值；S235、根据分步骤S221中的预测误差更新隐含层的阈值，表示为：其中：a
′
j
为更新后隐含层第j个神经元节点的阈值。6.根据权利要求1所述的一种基于多指标数据的消防员危险...

【专利技术属性】
技术研发人员：李勇峰，陈华杰，黄娟，杨雨琼，
申请(专利权)人：北京理工大学珠海学院，
类型：发明
国别省市：