一种基于深度学习的火灾报警开集分类方法与流程

1.本发明涉及火灾报警技术领域，特别涉及一种基于深度学习的火灾报警开集分类方法。


背景技术：

2.火灾探测器是火警监控系统中的重要组成部分，近来年随着半导体技术和光学电子工艺技术的飞速发展，迄今光电式感烟探测器已经占据了大部分市场份额。然而，由于光电式感烟探测器的原理性限制，其对非火灾烟雾颗粒的散射能力更强，导致火警监控中存在着大量的误报警。同时，火灾控制器与消防设备通常通过总线通信，总线在环境潮湿、线路老化等因素的影响下会短路或开路，也会产生大量的设备故障报警。这些大量的火灾误报警和设备故障报警都需要消防控制室值班人员去现场一一确认，对真实火警与非火警进行人为辨别，这种人工确认报警原因方法的准确性高，但是会大大加剧消防人员的工作量和企业的维保成本，同时也会消耗有限的消防资源。因此，通过深度学习的方式，建立了一种实时报警原因分类预测模型，当同时存在多个火灾报警时，可根据模型的报警原因分类，优先处理高风险真实火警，模型可以实时区分出报警原因，有助于快速决策，合理调配数量有限的消防资源。
3.然而，除真实火灾报警外，火灾误报警和设备故障报警存在多种原因，且无法穷举。例如非火灾气体颗粒物导致误报警、探头故障导致设备故障报警、通信故障导致总线故障报警、人工检修导致误报警等等。且当前深度学习模型分类均为闭集分类，即模型会将所有的报警原因强制分类到已知原因中，这与真实场景并不相符。


技术实现要素：

4.本发明提供了一种基于深度学习的火灾报警开集分类方法，提出的深度学习模型不仅能对历史数据中标定的已知火警原因进行分类，还能检测出未知报警原因，能有效避免闭集分类中将未知原因可能分类到真实火警的情况，使得真实火警的分类预测鲁棒性更高，更接近真实应用、适用于真实场景。
5.本发明提供了一种基于深度学习的火灾报警开集分类方法，包括：
6.从历史报警序列中提取出d维报警相关特征并根据巡检记录人工标注数据，得到数据标签yi，构建的数据集含有n个样本和k个已知类别，yi∈{1,2,
…
,k}；
7.对提取出来的d维报警相关特征xi进行预处理，并将所述数据集按照设定比例划分为训练集交叉验证集和测试集记各个数据集中样本数分别为n
tr
、n
val
、n
te
；
8.构建深度学习网络模型；其中，所述深度学习网络模型包括含参数φ变分网络q
φ
(z|x)、含参数μk重参数化层、含参数ζ单层全连接分类层p
ζ
(y|z)三个部分；
9.采用预设的损失函数公式对所述深度学习网络模型中参数φ、μk、ζ在训练集进
行联合优化；
10.采用预设的测试函数对测试样本x
te
进行开集分类。
11.进一步地，所述对提取出来的d维报警相关特征xi进行预处理，并将所述数据集按照设定比例划分为训练集交叉验证集和测试集记各个数据集中样本数分别为n
tr
、n
val
、n
te
的步骤中，所述预处理为按照特征维度进行标准化，样本xi标准化后得到其公式为：
[0012][0013][0014][0015]
其中，x
mean
为特征维度的均值向量，为特征维度的标准差向量。
[0016]
进一步地，所述构建深度学习网络模型的步骤中，证据下界elbo的公式为：
[0017][0018]
其中，所述证据下界elbo的第一项为分类效果期望，第二项为变分网络输出概率分布与隐空间条件分布的kl距离的负数。
[0019]
进一步地，所述深度学习网络模型的前向传播过程为：
[0020]
含参数φ变分网络q
φ
(z|x)自动提取样本xi的特征zi，特征zi为j维高斯分布网络输出为高斯分布期望高斯分布方差其中i为j
×
j单位矩阵；
[0021]
含参数μk重参数化层根据变分网络的输出高斯分布的期望和方差对特征zi进行重采样，先采样出服从标准高斯的噪声再计算出特征zi；其中，计算公式为：
[0022][0023]
其中，
⊙
表示对应元素相乘。
[0024]
含参数ζ单层全连接分类层p
ζ
(y|z)对特征zi进行分类，输出类别概率矢量
[0025]
进一步地，所述采用预设的损失函数公式对所述深度学习网络模型中参数φ、μk、ζ在训练集进行联合优化的步骤中，预设的损失函数公式为：
[0026]
[0027][0028]
其中，λ为平衡超参数，根据实际数据集进行调整，
·
|j表示矢量
·
的第j个维度。
[0029]
进一步地，所述采用预设的测试函数对测试样本xte进行开集分类的步骤中，所述测试样本x
te
经过所述深度学习网络模型的前向传播后，得到特征的高斯分布期望高斯分布方差以及输出类别概率矢量则测试函数为：
[0030][0031]
其中，第k类的预设阈值参数为τk。
[0032]
进一步地，所述第k类的预设阈值参数τk的计算方式为：
[0033]
采用训练好的深度学习网络模型对交叉验证集进行测试，并提取深度学习网络模型能正确分类的所有样本，形成新的交叉验证集
[0034]
统计交叉验证集内每个样本在深度学习网络模型上经过m次重参数化的平均损失值，并按照类别将损失值从小到大进行排序；
[0035]
将第k类前α％的损失数值作为设定阈值τk；其中，阈值τk可保证交叉验证集中第k类α％的数据分类正确。
[0036]
本发明还提供了一种基于深度学习的火灾报警开集分类装置，包括：
[0037]
提取模块，用于从历史报警序列中提取出d维报警相关特征并根据巡检记录人工标注数据，得到数据标签yi，构建的数据集含有n个样本和k个已知类别，yi∈{1,2,
…
,k}；
[0038]
预处理模块，用于对提取出来的d维报警相关特征xi进行预处理，并将所述数据集按照设定比例划分为训练集交叉验证集和测试集记各个数据集中样本数分别为n
tr
、n
val
、n
te
；
[0039]
构建模块，用于构建深度学习网络模型；其中，所述深度学习网络模型包括含参数φ变分网络q
φ
(z|x)、含参数μk重参数化层、含参数ζ单层全连接分类层p
ζ
(y|z)三个部分；
[0040]
优化模块，用于采用预设的损失函数公式对所述深度学习网络模型中参数φ、μk、ζ在训练集进行联合优化；
[0041]
分类模块，用于采用预设的测试函数对测试样本x
te
进行开集分类。
[0042]
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0043]
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
[0044]
本发明的有益效果为：
[0045]
1、本发明提供了火灾报警原因实时分类方法，从历史报警信息中挖掘有用特征，并结合人工标定，训练基于深度学习的分类模型，当同时存在多个火灾报警时，可根据模型
的报警原因分类，优先处理高风险真实火警。模型实时区分出报警原因有助于快速决策，合理调配数量有限的消防资源，无需额外安装其他传感器即可对报警原因进行分类，能够以较低的成本实现火灾报警精确分类。
[0046]
2、本发明提出的深度学习模型还兼具有报警开集分类的功能，模型在具有较强异常检测功能的变分自编码vae的基础上，改进vae的隐空间为与标签相关的条件隐空间，使模型增加了分类功能，提出的模型不仅能对历史数据中标定的已知火警原因进行分类，还能检测出未知报警原因，其能有效避免闭集分类中将未知原因可能分类到真实火警的情况，使得真实火警的分类预测鲁棒性更高，更接近真实应用、适用于真实场景。
附图说明
[0047]
图1为本发明一实施例的方法流程示意图。
[0048]
图2为本发明中深度学习网络的结构示意图。
[0049]
图3为本发明一实施例的装置结构示意图。
[0050]
图4为本发明一实施例的计算机设备内部结构示意图。
[0051]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0052]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0053]
如图1所示，本发明提供了一种基于深度学习的火灾报警开集分类方法，包括：
[0054]
s1、从历史报警序列中提取出d维报警相关特征并根据巡检记录人工标注数据，得到数据标签yi，构建的数据集含有n个样本和k个已知类别，yi∈{1,2,
…
,k}。
[0055]
如上述步骤s1所述，对于从历史报警序列中提取出d维报警相关特征，需要说明的是：
[0056]
在一些可选实施方式下，从报警设备所在总线回路的工作状态，以及报警设备自身的工作状态这两个方面来提取数据特征，此时，报警特征包括：报警发生前的若干段时间内报警设备所在总线回路的总线故障数，以及报警发生前的若干段时间内报警设备自身所上报的设备故障数。在另外一些可选实施方式下，上述报警数据还包括：报警设备的物理位置；报警设备的物理位置是指在建筑中定位报警设备所需要的信息，如报警设备所处楼栋、单元和楼层。此时，还可以从报警发生时的现场信息的方面来提取数据特征；此时，上述报警特征还包括：与报警具有相同时间戳和相同所在区域的故障报警总数和火灾报警总数，以及报警发生前的若干段时间内报警设备所在区域的所有设备所上报的故障报警总数和火灾报警总数。
[0057]
对于根据巡检记录人工标注的数据标签，可根据实际情况自定，其可能包括真实火警类别、高风险火警类别、非火灾气体颗粒物导致误报警、探头故障导致设备故障报警、通信故障导致总线故障报警、人工检修导致误报警等等。
[0058]
s2、对提取出来的d维报警相关特征xi进行预处理，并将所述数据集按照设定比例(根据具体情况进行调整)划分为训练集交叉验证集和测试集记各个数据集
中样本数分别为n
tr
、n
val
、n
te
。其中，预处理为按照特征维度进行标准化，样本xi标准化后得到其公式为：
[0059][0060][0061][0062]
其中，x
mean
为特征维度的均值向量，为特征维度的标准差向量。
[0063]
s3、如图2所示，构建深度学习网络模型；其中，所述深度学习网络模型包括含参数φ变分网络q
φ
(z|x)、含参数μk重参数化层、含参数ζ单层全连接分类层p
ζ
(y|z)三个部分。
[0064]
如上述步骤s3所述，对于含参数φ变分网络q
φ
(z|x)，可以为任意深度学习相关的骨干网络，包括但不限于：卷积神经网络、全连接网络、循环神经网络、残差网络、transformer网络等等。
[0065]
所述深度学习网络模型由变分自编码器vae改进而来，vae直接对原始数据样本的log似然概率(logp
θ
(x))进行建模，当有异常样本输入vae时，模型输出较大的概率损失值，因此vae有较强的异常检测能力。然而，vae并没有分类的能力，不适用多分类情况，将vae改进为对条件似然概率建模(logp
θ
(x|y))，引入标签值y，模型即不仅能对已知报警原因进行分类，还能通过输出损失识别未知报警原因。假设j维隐空间z为当y＝k时的条件高斯分布，其均值为μk，方差为i，即x和y条件独立于z，即p
θ
(x|y,z)＝p
θ
(x|z)，引入参数φ变分网络q
φ
(z|x)和含参数θ的推断网络p
θ
(x|z)，通过如下公式进行变分推断运算：
[0066][0067]
则证据下界elbo为证据下界elbo包含两项，其中第一项表示变分网络和推断网络对样本的重建期望，第二项-kl(q
φ
(z|x)||p
θ
(z|y))为变分网络输出概率分布与隐空间条件分布的kl距离的负数。重建与开集分类任务无关，由于样本x与标签y具有一定的相关性，引入含参数ζ单层全连接分类层p
ζ
(y|z)来替换推断网络p
θ
(x|z)，并新增平衡因子λ，证据下界elbo修改为如下公式：
[0068][0069]
类似vae，假设变分网络q
φ
(z|x)的输出为高斯分布。修改为证据下界elbo的第一项为分类效果期望，第二项仍为变分网络输出概率分布与隐空间条件分布的kl距离的负
数，此时，网络已具有分类功能，且仍有与vae类似的异常检测功能。
[0070]
因此，所述深度学习网络模型包括含参数φ变分网络q
φ
(z|x)、含参数μk重参数化层、含参数ζ单层全连接分类层p
ζ
(y|z)三个部分，其网络前向传播过程为：
[0071]
s31、含参数φ变分网络q
φ
(z|x)自动提取样本xi的特征zi，特征zi为j维高斯分布网络输出为高斯分布期望高斯分布方差其中其中i为j
×
j单位矩阵；
[0072]
s32、含参数μk重参数化层根据变分网络的输出高斯分布的期望和方差对特征zi进行重采样，先采样出服从标准高斯的噪声再计算出特征zi；其中，计算公式为：
[0073][0074]
其中，
⊙
表示对应元素相乘。
[0075]
s33、含参数ζ单层全连接分类层p
ζ
(y|z)对特征zi进行分类，输出类别概率矢量
[0076]
s4、采用预设的损失函数公式对所述深度学习网络模型中参数φ、μk、ζ在训练集进行联合优化，平衡超参数λ可根据实际数据集进行调整。由于elbo为效果的期望，其越大越好，因此所述损失函数为本发明深度学习网络模型elbo的负数。其elbo第一项为分类效果，损失函数即为分类损失，记为可以选择交叉熵损失或者其他分类损失，elbo第二项为kl距离的负数，对应损失函数为变分网络q
φ
(z|x)提取的特征zi高斯分布与对应yi＝k的高斯分布的kl距离，记为其公式如下所示：
[0077][0078][0079]
其中，
·
|j表示矢量
·
的第j个维度。
[0080]
s5、采用预设的测试函数对测试样本x
te
进行开集分类，参数τk为第k类的预设阈值，测试样本x
te
经过所述深度学习网络模型的前向传播后，得到特征的高斯分布期望高斯分布方差以及输出类别概率矢量则网络的闭集分类类别为则网络的闭集分类类别为当测试样本的损失时，网络将该样本分类为第k+1类，即未知类别，否则为已知类则网络的开集分类输出类别即测试函数为：
[0081][0082]
第k类的预设阈值参数τk的计算方式为：
[0083]
s51、采用训练好的深度学习网络模型对交叉验证集进行测试，并提取深度学
习网络模型能正确分类的所有样本，形成新的交叉验证集
[0084]
s52、统计交叉验证集内每个样本在深度学习网络模型上经过m次重参数化的平均损失值，并按照类别将损失值从小到大进行排序；
[0085]
s53、将第k类前α％的损失数值作为设定阈值τk，即阈值τk可保证交叉验证集中第k类α％的数据分类正确。
[0086]
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
[0087]
1、本发明提供了一种火灾报警原因实时分类方法，从历史报警信息中挖掘有用特征，并结合人工标定，训练基于深度学习的分类模型，当同时存在多个火灾报警时，可根据模型的报警原因分类，优先处理高风险真实火警。模型实时区分出报警原因有助于快速决策，合理调配数量有限的消防资源，本发明无需额外安装其他传感器即可对报警原因进行分类，能够以较低的成本实现火灾报警精确分类。
[0088]
2、本发明提出的模型还兼具有报警开集分类的功能，模型在具有较强异常检测功能的变分自编码vae的基础上，改进vae的隐空间为与标签相关的条件隐空间，使模型增加了分类功能，提出的模型不仅能对历史数据中标定的已知火警原因进行分类，还能检测出未知报警原因，其能有效避免闭集分类中将未知原因可能分类到真实火警的情况，使得真实火警的分类预测鲁棒性更高，更接近真实应用、适用于真实场景。
[0089]
如图3所示，本发明还提供了一种基于深度学习的火灾报警开集分类装置，包括：
[0090]
提取模块1，用于从历史报警序列中提取出d维报警相关特征并根据巡检记录人工标注数据，得到数据标签yi，构建的数据集含有n个样本和k个已知类别，yi∈{1,2,
…
,k}；
[0091]
预处理模块2，用于对提取出来的d维报警相关特征xi进行预处理，并将所述数据集按照设定比例划分为训练集交叉验证集和测试集记各个数据集中样本数分别为n
tr
、n
val
、n
te
；
[0092]
构建模块3，用于构建深度学习网络模型；其中，所述深度学习网络模型包括含参数φ变分网络q
φ
(z|x)、含参数μk重参数化层、含参数ζ单层全连接分类层p
ζ
(y|z)三个部分；
[0093]
优化模块4，用于采用预设的损失函数公式对所述深度学习网络模型中参数φ、μk、ζ在训练集进行联合优化；
[0094]
分类模块5，用于采用预设的测试函数对测试样本x
te
进行开集分类。
[0095]
在一个实施例中，预处理模块2中，所述预处理为按照特征维度进行标准化，样本xi标准化后得到其公式为：
[0096][0097]
[0098][0099]
其中，x
mean
为特征维度的均值向量，为特征维度的标准差向量。
[0100]
在一个实施例中，构建模块3中，证据下界elbo的公式为：
[0101][0102]
其中，所述证据下界elbo的第一项为分类效果期望，第二项为变分网络输出概率分布与隐空间条件分布的kl距离的负数。
[0103]
在一个实施例中，所述深度学习网络模型的前向传播过程为：
[0104]
含参数φ变分网络q
φ
(z|x)自动提取样本xi的特征zi，特征zi为j维高斯分布网络输出为高斯分布期望高斯分布方差其中i为j
×
j单位矩阵；
[0105]
含参数μk重参数化层根据变分网络的输出高斯分布的期望和方差对特征zi进行重采样，先采样出服从标准高斯的噪声再计算出特征zi；其中，计算公式为：
[0106][0107]
其中，
⊙
表示对应元素相乘。
[0108]
含参数ζ单层全连接分类层p
ζ
(y|z)对特征zi进行分类，输出类别概率矢量
[0109]
在一个实施例中，优化模块4中，预设的损失函数公式为：
[0110][0111][0112]
其中，λ为平衡超参数，根据实际数据集进行调整，
·
|j表示矢量
·
的第j个维度。
[0113]
在一个实施例中，分类模块5中，所述测试样本x
te
经过所述深度学习网络模型的前向传播后，得到特征的高斯分布期望高斯分布方差以及输出类别概率矢量则测试函数为：
[0114][0115]
其中，第k类的预设阈值参数为τk。
[0116]
在一个实施例中，所述第k类的预设阈值参数τk的计算方式为：
[0117]
采用训练好的深度学习网络模型对交叉验证集进行测试，并提取深度学习网络模型能正确分类的所有样本，形成新的交叉验证集
[0118]
统计交叉验证集内每个样本在深度学习网络模型上经过m次重参数化的平均损失值，并按照类别将损失值从小到大进行排序；
[0119]
将第k类前α％的损失数值作为设定阈值τk；其中，阈值τk可保证交叉验证集中第k类α％的数据分类正确。
[0120]
上述各模块均是用于对应执行上述基于深度学习的火灾报警开集分类方法中的各个步骤，其具体实现方式参照上述方法实施例所述，在此不再进行赘述。
[0121]
如图4所示，本发明还提供了一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于深度学习的火灾报警开集分类方法的过程需要的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于深度学习的火灾报警开集分类方法。
[0122]
本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定。
[0123]
本技术一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任意一个基于深度学习的火灾报警开集分类方法。
[0124]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram通过多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0125]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0126]
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。