一种物联网消防电气预警方法及预警系统与流程

本技术涉及数据处理领域，具体而言，涉及一种物联网消防电气预警方法及预警系统。

背景技术：

1、消防安全是城市管理的重中之重，随着城市建筑线路和设备的日益累加，消防电气网络中的设备线路数量往高密集高复杂度演变。如此为消防安全管理带来挑战，过往的简单数值曲线校对预警方式已经难以满足日益复杂的消防电气网络，其实时性和准确性达不到消防预警的要求。随着技术进步，人工智能在各个行业得到了广泛地应用，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，而伴随着大算力芯片或人工智能加速卡产品的开发，以往难以应用人工智能的领域也开始引入人工智能进行数据分析。那么，将人工智能技术引入消防电气预警，为本领域带来了更多的可能性。

技术实现思路

1、本发明的目的在于提供一种物联网消防电气预警方法及预警系统。

2、本技术实施例的实现方式如下：

3、第一方面，本技术实施例提供一种物联网消防电气预警方法，应用于预警电子设备，所述方法包括：

4、训练得到消防预警网络；

5、获取布设在消防电气网络中的物联网传感装置上传的物联网监测数据，生成物联网监测数据集；

6、将所述物联网监测数据集输入训练后的消防预警网络，依据所述消防预警网络对所述物联网监测数据集进行异常状态检测；

7、当检测到异常状态时，根据所述异常状态对应的预警类型进行预警；

8、所述训练消防预警网络的步骤包括：

9、确定物联网监测训练数据集集合中各物联网监测训练数据集对应于目标异常状态的推理概率；

10、在所述物联网监测训练数据集集合中，确定所述推理概率符合预设概率的临时物联网监测训练数据集；

11、获取各个所述临时物联网监测训练数据集与偏离物联网监测训练数据集间的相似性评分；其中，所述偏离物联网监测训练数据集为已经完成的异常状态识别任务中被误认为对应于所述目标异常状态的物联网监测训练数据集；

12、依据所述相似性评分筛选所述临时物联网监测训练数据集，得到真物联网监测训练数据集和假物联网监测训练数据集；

13、通过所述真物联网监测训练数据集、所述偏离物联网监测训练数据集和所述假物联网监测训练数据集对消防预警网络进行训练，直到所述消防预警网络的目标代价符合预设代价时训练结束，获得训练好的消防预警网络；其中，所述目标代价包括状态识别代价、所述偏离物联网监测训练数据集的描述知识关系网与所述真物联网监测训练数据集的描述知识关系网间的第一代价和所述偏离物联网监测训练数据集的描述知识关系网与所述假物联网监测训练数据集的描述知识关系网间的第二代价。

14、其中，可选地，所述确定物联网监测训练数据集集合中各物联网监测训练数据集对应于目标异常状态的推理概率，包括：

15、获取物联网监测训练数据集集合；

16、将所述物联网监测训练数据集集合中的各物联网监测训练数据集分别输入至前置优化的消防预警网络；

17、基于前置优化的所述消防预警网络对输入的所述各物联网监测训练数据集分别进行异常状态推理，得到所述物联网监测训练数据集对应于目标异常状态的推理概率。

18、其中，可选地，所述通过所述真物联网监测训练数据集、所述偏离物联网监测训练数据集和所述假物联网监测训练数据集对消防预警网络进行训练，直到所述消防预警网络的目标代价符合预设代价时训练结束，包括：

19、通过所述真物联网监测训练数据集、所述偏离物联网监测训练数据集和所述假物联网监测训练数据集对前置优化的所述消防预警网络进行训练，直到所述消防预警网络的代价符合预设代价时训练结束，获得训练好的消防预警网络。

20、其中，可选地，所述获取各个所述临时物联网监测训练数据集与偏离物联网监测训练数据集间的相似性评分，包括：

21、对各个所述临时物联网监测训练数据集进行描述知识抽取，得到临时训练描述知识关系网；

22、对所述偏离物联网监测训练数据集进行描述知识抽取，得到假训练描述知识关系网；

23、依据所述临时训练描述知识关系网和所述假训练描述知识关系网，确定所述临时物联网监测训练数据集与偏离物联网监测训练数据集间的相似性评分。

24、其中，可选地，所述相似性评分包括所述临时物联网监测训练数据集与所述偏离物联网监测训练数据集间的数据集相似性评分和分组相似性评分；

25、所述依据所述临时训练描述知识关系网和所述假训练描述知识关系网，确定所述临时物联网监测训练数据集与偏离物联网监测训练数据集间的相似性评分，包括：

26、依据所述临时训练描述知识关系网和所述假训练描述知识关系网，确定所述临时物联网监测训练数据集与偏离物联网监测训练数据集间的数据集相似性评分；

27、对所述假训练描述知识关系网进行分组，得到分组参考知识；

28、依据所述临时训练描述知识关系网和所述分组参考知识，确定所述临时物联网监测训练数据集与所述偏离物联网监测训练数据集的分组相似性评分；

29、其中，所述对所述假训练描述知识关系网进行分组，得到分组参考知识，包括：在各个所述假训练描述知识关系网中获取设定数目的目标假训练描述知识关系网；

30、将所述目标假训练描述知识关系网确定为初始分组参考知识，以及获取其他所述假训练描述知识关系网与所述初始分组参考知识之间第一矢量间距；

31、依据所述第一矢量间距确定其他所述假物联网监测训练数据集对应的异常状态，得到初始异常状态；

32、在异常状态的假训练描述知识关系网中确定分组参考知识，所述异常状态为初始异常状态或迭代后的异常状态；

33、确定所述分组参考知识外的其他所述假训练描述知识关系网与所述分组参考知识间的第二矢量间距；

34、通过所述第二矢量间距确定所述分组参考知识外的假训练描述知识关系网对应的异常状态，得到各个所述假训练描述知识关系网对应的迭代异常状态；

35、将在异常状态的假训练描述知识关系网中确定分组参考知识的步骤进行重复，并在符合预设要求时结束；

36、将所述第二矢量间距对应的分组参考知识确定为对所述假训练描述知识关系网进行分组得到的分组参考知识。

37、其中，可选地，所述依据所述相似性评分筛选所述临时物联网监测训练数据集，得到真物联网监测训练数据集和假物联网监测训练数据集，包括：

38、依据所述相似性评分对所述临时物联网监测训练数据集进行筛选，得到目标物联网监测训练数据集；

39、获取所述目标物联网监测训练数据集的异常状态标记，其中，所述异常状态标记包括真训练数据标记和假训练数据标记；

40、将所述真训练数据标记对应的所述目标物联网监测训练数据集确定为真物联网监测训练数据集；

41、将所述假训练数据标记对应的所述目标物联网监测训练数据集确定为假物联网监测训练数据集；

42、所述相似性评分包括所述临时物联网监测训练数据集与所述偏离物联网监测训练数据集间的数据集相似性评分和分组相似性评分；

43、所述依据所述相似性评分对所述临时物联网监测训练数据集进行筛选，得到目标物联网监测训练数据集，包括：

44、将所述数据集相似性评分和所述分组相似性评分进行计算；

45、如果所述数据集相似性评分大于所述分组相似性评分，将大于所述分组相似性评分的数据集相似性评分对应的临时物联网监测训练数据集确定为目标物联网监测训练数据集。

46、其中，可选地，所述通过所述真物联网监测训练数据集、所述偏离物联网监测训练数据集和所述假物联网监测训练数据集对消防预警网络进行训练，包括：

47、将所述真物联网监测训练数据集、所述偏离物联网监测训练数据集和所述假物联网监测训练数据集进行分类，得到物联网监测训练数据集序列，每个所述物联网监测训练数据集序列中包含一个或多个所述真物联网监测训练数据集、一个或多个所述偏离物联网监测训练数据集和一个或多个所述假物联网监测训练数据集；

48、将各所述物联网监测训练数据集序列按序输入到消防预警网络，依据所述物联网监测训练数据集序列对所述消防预警网络进行训练，直到所述消防预警网络的目标代价符合预设代价时训练结束。

49、其中，可选地，所述依据所述物联网监测训练数据集序列对所述消防预警网络进行训练，包括：

50、通过所述消防预警网络，对输入的所述物联网监测训练数据集序列中各个物联网监测训练数据集进行描述知识抽取，得到假训练描述知识关系网、积极示例描述知识关系网和消极示例描述知识关系网；

51、基于所述假训练描述知识关系网和所述积极示例描述知识关系网确定第一代价；

52、基于所述假训练描述知识关系网和所述消极示例描述知识关系网确定第二代价；

53、依据所述假训练描述知识关系网、所述积极示例描述知识关系网和所述消极示例描述知识关系网，分别对所述物联网监测训练数据集序列中的物联网监测训练数据集进行异常状态识别，依据异常状态识别结果与对应的异常状态标记确定状态识别代价；

54、依据所述状态识别代价、所述第一代价和所述第二代价确定目标代价；

55、依据所述目标代价对所述消防预警网络的网络参数进行调节。

56、其中，可选地，所述基于所述假训练描述知识关系网和所述积极示例描述知识关系网确定第一代价；基于所述假训练描述知识关系网和所述消极示例描述知识关系网确定第二代价，包括：

57、获取所述假训练描述知识关系网和所述积极示例描述知识关系网的矢量间距，将所述假训练描述知识关系网和所述积极示例描述知识关系网的矢量间距确定为第一代价；

58、获取所述假训练描述知识关系网和所述消极示例描述知识关系网的矢量间距，将所述假训练描述知识关系网和所述消极示例描述知识关系网的矢量间距确定为第二代价；

59、所述依据所述状态识别代价、所述第一代价和所述第二代价确定目标代价包括：

60、获取参考数值；

61、获取所述第一代价与所述第二代价的相减值；

62、如果所述相减值与所述参考数值间的相加值为正数，则将所述相减值、所述参考数值和所述状态识别代价间的相加值确定为目标代价；

63、如果所述相减值与所述参考数值间的相加值不为正数，则基于所述状态识别代价确定目标代价。

64、第二方面，本技术实施例提供一种消防电气预警系统，包括预警电子设备和与所述预警电子设备通信连接的物联网传感装置，所述预警电子设备包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上所述方法中的步骤。

65、本技术至少具有以下有益效果：

66、本技术提供的物联网消防电气预警方法及预警系统，通过采集消防电气网络中的物联网监测数据，并基于事先训练的消防预警网络进行异常状态检测，在检测到异常状态时进行预警，采用人工智能技术可以实现实时、高效且准确地消防预警。对消防预警网络进行训练时，通过确定物联网监测训练数据集集合中各物联网监测训练数据集对应于目标异常状态的推理概率，在物联网监测训练数据集集合中，确定推理概率符合预设概率的临时物联网监测训练数据集，并获取各个临时物联网监测训练数据集与偏离物联网监测训练数据集间的相似性评分，从而依据相似性评分筛选临时物联网监测训练数据集，得到真物联网监测训练数据集和假物联网监测训练数据集，再通过真物联网监测训练数据集、偏离物联网监测训练数据集和假物联网监测训练数据集对消防预警网络进行训练，直到消防预警网络的目标代价符合预设代价时训练结束，获得训练好的消防预警网络，其中，偏离物联网监测训练数据集为已经完成的异常状态识别任务中被误认为对应于目标异常状态的物联网监测训练数据集，目标代价包括状态识别代价、偏离物联网监测训练数据集的描述知识关系网与真物联网监测训练数据集的描述知识关系网间的第一代价和偏离物联网监测训练数据集的描述知识关系网与假物联网监测训练数据集的描述知识关系网间的第二代价，那么，训练得到的消防预警网络对非常接近目标异常状态的物联网监测数据集也能具备良好的鉴别效果，在对物联网监测数据集进行异常状态识别时，提高了状态识别的精度。

67、在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。