安全监测方法、装置、服务器及系统制造方法及图纸

本发明专利技术实施例提供一种安全监测方法、装置、服务器及系统，该方法包括：接收数据采集终端采集的安全监测数据；将所述安全监测数据输入多元高斯分布函数提取特征数据，并将提取的特征数据输入到训练好的安全监测模型中，其中，所述安全监测模型是采用特征数据对深度神经网络进行训练获得的；将安全监测模型输出的各聚类中心位置对应到相应的安全等级后发送至监控终端，使得用户从所述监控终端获取所述安全等级。本发明专利技术实现了监测家庭居住环境的安全状态的目的，提高了家庭环境的居住安全性；将多种环境因素综合起来评估整体的安全性，提供了符合个人环境习惯的个性化智能监控方案。供了符合个人环境习惯的个性化智能监控方案。供了符合个人环境习惯的个性化智能监控方案。

【技术实现步骤摘要】
安全监测方法、装置、服务器及系统


[0001]本专利技术实施例涉及物联网
，尤其涉及一种安全监测方法、装置、服务器及系统。

技术介绍

[0002]目前，对于家庭居住环境的监控，大多是依靠家用的安全监测装置例如温度传感器、和/或安全报警装置例如燃气浓度报警器等对居住环境的安全状态进行实时监控，当报警装置发出报警信号时，再根据报警信号及时进行处理。
[0003]然而，在安全报警装置发出报警信号之后，会由于无法及时处理而发生严重的安全事故。而且，安全监测只能对不同种类的环境因素各自进行监控和报警，无法将多种环境因素综合起来评估整体的安全性，无法提供符合个人环境习惯的个性化监控方案。因此，亟需提出一种更安全、且符合个人环境习惯的监控方法，以保障家庭环境的居住安全性。

技术实现思路

[0004]本专利技术实施例提供一种安全监测方法、装置、服务器及系统，提供了一种智能监测方案来预测家庭居住环境的安全状态，提高了家庭环境的居住安全性并具有个性化预测功能。
[0005]第一方面，本专利技术实施例提供一种安全监测方法，所述方法包括：
[0006]接收数据采集终端采集的安全监测数据；
[0007]将所述安全监测数据输入多元高斯分布函数提取特征数据，并将提取的特征数据输入到训练好的安全监测模型中，其中，所述安全监测模型是采用特征数据对深度神经网络进行训练获得的；
[0008]将安全监测模型输出的各聚类中心位置对应到相应的安全等级后发送至监控终端，使得用户从所述监控终端获取所述安全等级。
[0009]可选地，所述安全监测模型的训练过程，包括：
[0010]将安全监测数据输入多元高斯分布函数中进行特征提取，从而获得特征数据训练集；利用所述特征数据训练集中第一数据集，通过自动编码器实现深度神经网络的无监督预训练，将预训练得到的深度神经网络的参数作为初始化参数；在所述初始化参数的基础上，利用所述特征数据训练集中第二数据集，对深度神经网络的参数进行训练微调。
[0011]可选地，所述对深度神经网络的参数进行训练微调，包括：通过前向传播阶段和反向传播阶段对深度神经网络的参数进行训练微调。
[0012]可选地，所述深度神经网络为多层卷积网络结构的深度神经网络，包括卷积层和下采样层。
[0013]可选地，本专利技术实施例的安全监测方法，在所述将所述安全监测数据输入多元高斯分布函数提取特征数据之前或过程中，还包括：
[0014]接收数据采集终端发送的提示信息，其中，所述提示信息包含提示类型以及处理
指南；
[0015]将所述提示信息传输至监控终端，使得用户从所述监控终端获取所述提示类型以及处理指南，并根据所述提示类型以及处理指南对目标环境进行管理。
[0016]可选地，在所述安全监测模型输出的各聚类中心位置对应到相应的安全等级后发送至监控终端之后，还包括：
[0017]将所述安全等级发送至第三方管理平台，使得第三方管理平台的管理人员从所述第三方管理平台获取所述安全等级以对目标环境的安全状态进行管理。
[0018]第二方面，本专利技术实施例提供一种安全监测装置，该装置包括：
[0019]接收模块，用于接收数据采集终端采集的安全监测数据；
[0020]预测模块，用于将所述安全监测数据输入多元高斯分布函数提取特征数据，并将提取的特征数据输入到训练好的安全监测模型中，其中，所述安全监测模型是采用特征数据对深度神经网络进行训练获得的；
[0021]发送模块，用于将安全监测模型输出的各聚类中心位置对应到相应的安全等级后发送至监控终端，使得用户从所述监控终端获取所述安全等级。
[0022]第三方面，本专利技术实施例提供一种服务器，包括：至少一个处理器和存储器；
[0023]所述存储器存储计算机执行指令；
[0024]所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上述第一方面提供的安全监测方法。
[0025]第四方面，本专利技术实施例提供一种安全监测系统，包括：至少一个数据采集终端、服务器以及至少一个监控终端；
[0026]所述数据采集终端，用于采集目标环境的安全监测数据；
[0027]所述服务器，用于接收数据采集终端所采集的安全监测数据并执行如上述第一方面提供的安全监测方法；
[0028]所述监控终端，用于从所述服务器接收所述目标环境的安全等级并输出给用户。
[0029]第五方面，本专利技术实施例提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上述第一方面提供的安全监测方法。
[0030]本专利技术实施例所提供的安全监测方法、装置、服务器及系统，接收数据采集终端采集的安全监测数据；将所述安全监测数据输入多元高斯分布函数提取特征数据，并将提取的特征数据输入到训练好的安全监测模型中，其中，所述安全监测模型是采用特征数据对深度神经网络进行训练获得的；将安全监测模型输出的各聚类中心位置对应到相应的安全等级后发送至监控终端，使得用户从所述监控终端获取所述安全等级。本专利技术实施例通过将高斯分布理论与深度神经网络应用到安全监测数据分析中，提出了以非监督学习方式学习安全时序数据关键特征的深度神经网络，并基于多元高斯分布理论和深度神经网络构建安全状态评估模型，将基于多元高斯分布理论得到的数据特征作为该评估模型的输入，实现了监测家庭居住环境的安全状态的目的，提高了家庭环境的居住安全性；将多种环境因素综合起来评估整体的安全性，提供了符合个人环境习惯的个性化智能监控方案。
附图说明
[0031]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0032]图1为本专利技术实施例提供的安全监测系统结构示意图；
[0033]图2为本专利技术实施例提供的安全监测方法流程图一
[0034]图3为本专利技术实施例提供的对图2中步骤S202进一步说明的流程图；
[0035]图4为本专利技术实施例提供的卷积神经网络的结构示意图；
[0036]图5为本专利技术实施例提供的安全监测方法流程图二；
[0037]图6为本专利技术实施例提供的安全监测装置的结构示意图；
[0038]图7为本专利技术实施例提供的服务器的硬件结构示意图。
具体实施方式
[0039]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0040]对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种安全监测方法，其特征在于，所述方法包括：接收数据采集终端采集的安全监测数据；将所述安全监测数据输入多元高斯分布函数提取特征数据，并将提取的特征数据输入到训练好的安全监测模型中，其中，所述安全监测模型是采用特征数据对深度神经网络进行训练获得的；将安全监测模型输出的各聚类中心位置对应到相应的安全等级后发送至监控终端，使得用户从所述监控终端获取所述安全等级。2.根据权利要求1所述的方法，其特征在于，所述安全监测模型的训练过程，包括：将安全监测数据输入多元高斯分布函数中进行特征提取，从而获得特征数据训练集；利用所述特征数据训练集中第一数据集，通过自动编码器实现深度神经网络的无监督预训练，将预训练得到的深度神经网络的参数作为初始化参数；在所述初始化参数的基础上，利用所述特征数据训练集中第二数据集，对深度神经网络的参数进行训练微调。3.根据权利要求2所述的方法，其特征在于，所述对深度神经网络的参数进行训练微调，包括：通过前向传播阶段和反向传播阶段对深度神经网络的参数进行训练微调。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述深度神经网络为多层卷积网络结构的深度神经网络，包括卷积层和下采样层。5.根据权利要求1所述的方法，其特征在于，在所述将所述安全监测数据输入多元高斯分布函数提取特征数据之前或过程中，还包括：接收数据采集终端发送的提示信息，其中，所述提示信息包含提示类型以及处理指南；将所述提示信息传输至监控终端，使得用户从所述监控终端获取所述提示类型以及处理指南。6.根据权利要求1至3中任一项所述的方法，...

【专利技术属性】
技术研发人员：贺伟，
申请(专利权)人：龙芯中科太原技术有限公司，
类型：发明
国别省市：