【技术实现步骤摘要】
本专利技术涉及消防安全，尤其涉及一种消防火灾强度预测结合动态引导方法及系统。
技术介绍
1、消防安全
一直是人们关注的焦点。因此，如何提高对火灾的预测能力以及提供更有效的逃生引导，成为了当前亟待解决的问题。传统的消防安全技术通常依靠单一传感器数据进行预测，无法提供准确的消防火灾强度预测和最快的逃生路径，存在应对火灾效率低下和安全风险较大的问题。因此，需要一种更加智能化、综合化的消防火灾强度预测结合动态引导方法来提高应对火灾的效率和人员安全。
2、目前，虽然在消防安全领域已经有一些相关的技术和方法，但是这些方法仍然存在着诸多局限性，比如在消防火灾强度预测方面，缺乏准确的模型和算法来对消防火灾强度进行评估；在动态引导方面，缺乏针对性强、个性化的最快逃生路径规划方法。因此，需要一种新的消防火灾强度预测结合动态引导方法来解决这些问题。
3、本专利技术提出的消防火灾强度预测结合动态引导方法具有很大的创新性和实用性，对提高消防安全水平具有重要意义。
技术实现思路
1、专利技术目的：针对现有技术存在的问题，本专利技术提供了一种消防火灾强度预测结合动态引导方法及系统，通过传感器单元采集多种数据，并利用先进的预测模型和算法来实现消防火灾强度的准确预测，并结合消防火灾强度来得到最快的逃生路径，可以提高火灾事故的应对效率和人员安全，同时引入了消防火灾强度的概念，以更准确评估火灾的危险性。
2、技术方案：本专利技术提供了一种消防火灾强度预测与动态引导方法，包括如下
3、步骤1：获取烟雾浓度、火焰的热量速率、火焰高度以及消防火灾强度历史数据，并对其进行预处理；
4、步骤2：构建mpa-kelm预测模型，利用mpa-kelm预测模型对步骤1中数据进行处理，得到消防火灾强度f；
5、步骤3：获取火灾发生位置，根据步骤2得到的消防火灾强度f，依据izoa算法进行策略设计得到最佳的逃生路径。
6、进一步地，所述mpa-kelm预测模型的具体执行过程如下：
7、步骤2.1：获取烟雾浓度、火焰的热量速率、火焰高度以及消防火灾强度历史数据；
8、步骤2.2：根据采集的消防火灾强度相关数据确定kelm的网络拓扑结构，包括输入层x＝[x1,x2,...,xn]、隐含层h(x)、输出层表示为：
9、hj(x)＝g(wi,bi,x)＝g(wi·x+bi)
10、式中g(wi,bi,x)表示具有一定逼近能力的非线性激活函数，wi为权重，bi为偏差值；
11、
12、其中β为权重表示为：
13、β＝ht(i/c+hht)-1y
14、其中i为对角矩阵；c为惩罚；
15、kelm核矩阵定义如下：
16、
17、k(xi,xj)＝exp(-s||xi-xj||2),s＞0
18、其中，ωelm为核矩阵；k(xi,xj)为核函数，s为核函数参数；引入核函数后输出变量函数如下：
19、
20、核函数参数s确定映射到新特征空间的数据分布，影响单一训练样本；惩罚c是相对误差的公差，选择合适的s和c参数值，使预测结果更优；
21、步骤2.3：将采集的烟雾浓度、火焰的热量速率、火焰高度为实时消防火灾强度影响数据，作为测试集输入，记为x1、x2、x3；消防火灾强度历史数据作为训练集模型输入，表示为x4；火灾等级强度f作为输出；
22、步骤2.4：初始化mpa-kelm模型因子，包括待优化参数s和c，假设种群规模为n，在一个d维空间中随机初始化猎物的位置；
23、步骤2.5：计算每个种群的适应度，即待优化参数s和c；
24、步骤2.6：将适应度最优的个体复制成n份作为精英矩阵；
25、步骤2.7：捕食者根据迭代阶段，选择对应的更新方式，更新捕食者位置，更新方式分为三个阶段；
26、第一阶段更新：在迭代初期，当捕食者速度比猎物速度快时，使用勘探策略；
27、第二阶段更新：在迭代中期，当捕食者与猎物速度相同时，猎物基于莱维飞行游走策略负责开发；捕食者基于布朗游走策略负责勘探，并逐渐由勘探策略转向开发策略；
28、第三阶段更新：在迭代终期，当捕食者速度比猎物速度慢时，捕食者基于lévy游走采用开发策略；
29、步骤2.8：解决涡流形成和fads效应，让算法在迭代过程中尽可能跳出局部最优解，已达到更好的寻优精度；
30、步骤2.9：评价每个种群的最优优化参数s和c组值，更新最优位置；
31、步骤2.10：判断是否达到最大迭代次数，如果不是返回步骤2.5，如果是，转至步骤2.11；
32、步骤2.11：更新全局最优的优化参数s和c组值，输入到kelm中，获取最优模型。
33、进一步地，所述步骤3中izoa算法进行策略设计得到最佳的逃生路径的具体过程如下：
34、步骤3.1：初始化参数；初始化种群，随机生成一种斑马种群开始，其中每只斑马代表一个逃生路径值；初始化公式如下：
35、xi,j＝lbj+r·(ubj-lbj)
36、其中，xi,j为斑马个体，lbj为寻优下边界，ubj为寻优上边界，r为[0,1]之间的随机数；
37、步骤3.2：适应度评估：对种群中每只斑马进行适应度函数评估，让每只斑马生成一组逃生路径值，所述适应度函数如下：
38、dfit＝qb·sqrt(a2+1)·(ebk-ebi)·r(f,dbf)
39、其中：dfit表示从出口i到出口k的最快逃生路径的距离；qb表示吸引力；a表示吸引力的参数；ebk和ebi分别表示出口k和出口i之间的距离；r(f,dbf)为衰减函数作为调整，表达式为：
40、r(f,dbf)＝e^(-λ·f)·e^(ρ·dbf)
41、其中，f是消防火灾强度，dbf是逃生路径与火源之间的距离，λ和ρ是正的比例常数，决定了消防火灾强度逃生路线的影响，“衰减”程度随着消防火灾强度增加而增加，而ρ决定了逃生路线与火源距离的影响程度，即距离越远吸引力越大；
42、步骤3.3：开发阶段：模拟斑马对狮子攻击的防御技巧，斑马逃离区域以避免进一步危险，斑马的位置使用数学方程更新；
43、
44、其中，是开发阶段中第i个解的第j个维度的更新值，pzj是被攻击解的状态；r为[0,1]之间的随机数，i为属于集合{1，2}的随机值；
45、步骤3.4：探索阶段：模拟斑马对其他捕食者的防御技巧，斑马聚集在一起建立保护障碍物，以误导和恐吓攻击者，斑马的位置根据适应度函数的改进结果进行更新：
46、
47、其中是探索阶段中第i个解的第j个维度的更新值；ps为两种策略的切换概率，其值为[0,1]之间的随机数，az为被攻击斑马的状本文档来自技高网...
【技术保护点】
1.一种消防火灾强度预测与动态引导方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的消防火灾强度预测与动态引导方法，其特征在于，所述MPA-KELM预测模型的具体执行过程如下：
3.根据权利要求1所述的消防火灾强度预测与动态引导方法，其特征在于，所述步骤3中IZOA算法进行策略设计得到最佳的逃生路径的具体过程如下：
4.根据权利要求3所述的一种消防火灾强度预测结合动态引导方法，其特征在于，其主控器IZOA算法改进步骤如下：
5.一种消防消防火灾强度预测结合动态引导系统，其特征在于，包括传感器单元、数据采集器(5)、控制器单元、终端(8)，传感器单元包括烟雾传感器(1)、热量仪(2)、固定式火灾检测仪(3)、位置传感器(4)；控制器单元包括主控器1(6)、主控器2(7)；
【技术特征摘要】
1.一种消防火灾强度预测与动态引导方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的消防火灾强度预测与动态引导方法，其特征在于，所述mpa-kelm预测模型的具体执行过程如下：
3.根据权利要求1所述的消防火灾强度预测与动态引导方法，其特征在于，所述步骤3中izoa算法进行策略设计得到最佳的逃生路径的具体过程如下：
4.根...
【专利技术属性】
技术研发人员：姜建科，陈涛锋，李晖，
申请(专利权)人：衢州经济技术开发区消防救援大队，
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。