【技术实现步骤摘要】
本专利技术涉及消防安全领域，具体是指基于人工智能的消防安全管理方法及系统。
技术介绍
1、基于人工智能的消防安全管理方法是通过人工智能技术将采集到的数据进行可视化展示，使消防安全管理人员能够清晰地了解当前火灾风险和安全状况，并能够通过远程管理平台进行实时监控和管理；一般消防安全管理模型存在步长设计不合理导致模型灵活性差，鲁棒性低的问题；一般搜索方法存在初始位置分布不均匀，质量不稳定导致收敛精度和速度低，搜索位置多样性弱，无法找到局部搜索和全局搜索的平衡的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于人工智能的消防安全管理方法及系统，针对一般消防安全管理模型存在步长设计不合理导致模型灵活性差，鲁棒性低的问题，本方案基于梯度变化的加权差值和缩放因子计算曲率信息近似值，并基于梯度变化和参数变化得到参考步长，从而得到最终步长；针对一般搜索方法存在初始位置过差导致算法收敛性弱，搜索多样性弱导致算法性能低的问题，本方案基于混沌矩阵完成参数位置初始化，通过设计权重系数和定义最佳位置从而设计移动策略，增加了搜索空间的多样性和非线性性，提高了搜索效率和准确性，同时，在适应度阈值和最大迭代次数的限制下，能够快速收敛找到最优解，提高了算法的实用性。
2、本专利技术采取的技术方案如下：本专利技术提供的基于人工智能的消防安全管理方法，该方法包括以下步骤：
3、步骤s1：数据采集；
4、步骤s2：数据预处理；
5、步骤s3：建
6、步骤s4：模型初始参数搜索，基于混沌矩阵完成参数位置初始化，通过定义最佳位置和权重系数设计移动策略，基于最大迭代次数和适应度阈值进行搜索判定；
7、步骤s5：消防安全管理。
8、进一步地，在步骤s1中，所述所述数据采集是采集建筑物位置数据、历史环境监测数据和历史火灾风险评估等级；所述建筑物位置数据是建筑物的坐标数据；所述历史环境监测数据是建筑物室内温度、湿度、气体浓度、电气设备运行数据和人员密度；将火灾风险等级作为数据标签，将建筑物位置数据和环境监测数据的特征作为数据维度。
9、进一步地，在步骤s2中，所述数据预处理是对采集的数据进行清洗，去除噪声、异常值，对数据类型进行独热编码处理作为特征的维度，数据大小作为数据维度的值；利用z-score标准化对每一个维度的数据进行归一化处理，所用公式为zs=(xs-μ)/σ；其中，zs是标准化处理后的值，xs是标准化处理前即向量转换后的值，μ是数据的平均值，σ是数据的标准差；使用z-score标准化方法将数据转换为标准正态分布的数据集，随机选取数据集的七成作为训练集，三成作为测试集，利用训练集训练模型，测试集用来验证模型性能。
10、进一步地，在步骤s3中，所述建立消防安全管理模型是设计神经网络，具体包括以下步骤：
11、步骤s31：设计具有l层的神经网络，第l层的输出表示如下：
12、；
13、式中，hl是第l层的输出，wl是第l层到第l-1层之间的权重矩阵，bl是第l层的偏置向量，fl（）是第l层的激活函数，hl-1是第l-1层的输出；
14、步骤s32：定义损失函数，所用公式如下：
15、；
16、式中，j（）是损失函数，nj是样本数量，j是样本索引，oj是第j个样本对应的神经网络的输出，yj是第j个样本的期望输出，h是复共轭转置；w是神经网络参数，包括权重矩阵和偏置向量；
17、步骤s33：计算梯度，所用公式如下：
18、；
19、式中，gt是第t次训练时的梯度，是损失函数j关于参数w的梯度；
20、步骤s34：计算梯度变化和参数变化，所用公式如下：
21、；
22、；
23、式中，yt是梯度变化，gt-1是第t-1次训练时的梯度，st是参数变化，wt是第t次训练时的参数，wt-1是第t-1次训练时的参数；
24、步骤s35：计算参考步长，所用公式如下：
25、；
26、式中，λt是第t次训练的参考步长；
27、步骤s36：计算曲率信息近似值，所用公式如下：
28、；
29、；
30、；
31、；
32、；
33、式中，γt是第t次训练时计算的参数，μt是第t次训练的曲率信息近似值，ωt是梯度变化的加权差值，θt是缩放因子，tanh（）是双线正切函数；
34、步骤s37：计算最终步长，所用公式如下：
35、；
36、式中，αt是第t次训练时的步长，αmax是最大步长，αmin是最小步长；
37、步骤s38：更新参数，所用公式如下：
38、；
39、；
40、式中，wt+1是第t+1次训练时的参数，vt是训练次数t的速度，β是速度的衰减系数；
41、步骤s39：模型判定，预先设有损失阈值，当损失函数值低于损失阈值时，模型训练完成。
42、进一步地，在步骤s4中，所述模型初始参数搜索是将神经网络初始权重和偏置作为搜索空间，对神经网络的最优初始参数进行搜索，具体包括以下步骤：
43、步骤s41：生成混沌矩阵，基于skew-tent映射生成一个混沌序列矩阵，skew-tent映射表达式如下：
44、；
45、式中，yi+1，d和yi，d矩阵元素，i是个体索引，d是搜索维度索引，a是0到1的随机数；
46、步骤s42：参数位置初始化，并将基于参数位置建立的消防安全管理模型性能作为参数适应度值，所用公式如下：
47、；
48、式中，xi+1，d是i+1个体d维度的参数位置，xdmax是d维度的搜索上限，xdmin是d维度的搜索下限；
49、步骤s43：定义最佳位置，所用公式如下：
50、；
51、式中，best（n）是第n次迭代的最佳位置，m是参数总量，ηmin是最小距离因子，ηmax是最大距离因子，f（g）是参数位置中最高的适应度值，f（i）是参数个体i的适应度值，n是当前迭代次数，n是最大迭代次数；
52、步骤s44：定义权重系数，所用公式如下：
53、；
54、式中，ω是权重系数；
55、步骤s45：定义移动策略，所用公式如下：
56、；
57、式中，u是大于0小于等于1的随机数，xi，d（n）是第n次迭代i个体d维度的参数位置，xi，d（n+1）是第n+1次迭代i个体d维度的参数位置；
58、步骤s本文档来自技高网...
【技术保护点】
1.基于人工智能的消防安全管理方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的消防安全管理方法，其特征在于：在步骤S3中，所述建立消防安全管理模型是设计神经网络，具体包括以下步骤：
3.根据权利要求1所述的基于人工智能的消防安全管理方法，其特征在于：在步骤S4中，所述模型初始参数搜索是将神经网络初始权重和偏置作为搜索空间，对神经网络的最优初始参数进行搜索，具体包括以下步骤：
4.根据权利要求1所述的基于人工智能的消防安全管理方法，其特征在于：在步骤S1中，所述数据采集是采集建筑物位置数据、历史环境监测数据和历史火灾风险评估等级；所述建筑物位置数据是建筑物的坐标数据；所述历史环境监测数据是建筑物室内温度、湿度、气体浓度、电气设备运行数据和人员密度；将火灾风险等级作为数据标签，将建筑物位置数据和环境监测数据的特征作为数据维度。
5.根据权利要求1所述的基于人工智能的消防安全管理方法，其特征在于：在步骤S2中，所述数据预处理是对采集的数据进行清洗，去除噪声、异常值，对数据类型进行独热编码处理作为特征的维度，数
6.根据权利要求1所述的基于人工智能的消防安全管理方法，其特征在于：在步骤S5中，所述消防安全管理是利用步骤S4寻找模型最优的初始参数，利用步骤S3根据数据采集和数据预处理后的训练集训练模型，若模型对测试集的损失函数低于损失阈值时，模型建立完成；实时采集建筑物位置数据和环境监测数据，模型输出预测火灾风险等级，预先设定火灾风险阈值，若模型输出的火灾风险等级高于火灾风险阈值时，给予工作人员预警。
7.基于人工智能的消防安全管理系统，用于实现如权利要求1-6中任一项所述的基于人工智能的消防安全管理方法，其特征在于：包括数据采集模块、数据预处理模块、消防安全管理模型建立模块、模型初始参数搜索模块和消防安全管理模块。
8.根据权利要求7所述的基于人工智能的消防安全管理系统，其特征在于：
...【技术特征摘要】
1.基于人工智能的消防安全管理方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的消防安全管理方法，其特征在于：在步骤s3中，所述建立消防安全管理模型是设计神经网络，具体包括以下步骤：
3.根据权利要求1所述的基于人工智能的消防安全管理方法，其特征在于：在步骤s4中，所述模型初始参数搜索是将神经网络初始权重和偏置作为搜索空间，对神经网络的最优初始参数进行搜索，具体包括以下步骤：
4.根据权利要求1所述的基于人工智能的消防安全管理方法，其特征在于：在步骤s1中，所述数据采集是采集建筑物位置数据、历史环境监测数据和历史火灾风险评估等级；所述建筑物位置数据是建筑物的坐标数据；所述历史环境监测数据是建筑物室内温度、湿度、气体浓度、电气设备运行数据和人员密度；将火灾风险等级作为数据标签，将建筑物位置数据和环境监测数据的特征作为数据维度。
5.根据权利要求1所述的基于人工智能的消防安全管理方法，其特征在于：在步骤s2中，所述数据预处理是对采集的数据进行清洗，去除噪声、异常值，对数据类型进行独热编码处理作为特征的维度，数据大小作为数据维度的值；利用z-score标准化对...
【专利技术属性】
技术研发人员：范文锋，胡晨旭，黄茂达，
申请(专利权)人：厦门锋联信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。