基于自适应集成神经网络的火灾预测方法

针对传统火灾预测方法存在误报和漏报的问题,提出了一种基于自适应集成神经网络的火灾预测方法。首先,在信息层采用速率检测算法将不同类型传感器检测到的奇异数据输入到网络模型中。其次,在特征层采用长短期记忆网络(LSTM)和径向基前馈神经网络(RBF-BPNN)构建集成网络学习不同输入参数下的火灾特征,最后,在决策层设计模糊逻辑控制系统推理输出火灾报警等级。实验结果表明,该方法具有更高的预测精度。

工业水箱液位智能控制系统设计

针对现代工业生产中工业水箱液位反映实时性弱、可视性差以及经济性不理想等问题,本文设计了一种由工控触摸屏和STM32F103系列单片机组成的工业水箱液位智能控制系统。该系统主要由触摸屏组态画面设计和多种硬件电路设计组成,实现了数据可视化和快速的数据接收和指令执行功能,在满足人性化要求的同时也提高了工业生产的经济效益。

基于深度学习算法的楼宇消防系统设计

针对传统的消防控制系统性能稳定性差且容易出现误报和漏报的问题,设计了一种人工智能与嵌入式技术相结合的智能消防系统。该系统首先借助BP神经网络可以自学习的特性,将火灾现场产生的一氧化碳浓度信息、烟雾浓度信息以及温度信息作为BP神经网络的输入,然后通过设置网络的激活函数以及误差阈值输出火灾的有火概率、无火概率以及阴燃火概率,并对三种火灾类型设定阈值决策输出有无火灾的发生。仿真结果表明该系统具有更稳定的输出和更好的性能。

基于嵌入式和物联网技术的火灾智能报警系统

建筑的智能化是现代城市发展的必然要求,人们在享受建筑电化带来的便利,也同时存在着如电器火灾,燃气泄漏等隐患。针对该类问题,设计了基于嵌入式和物联网技术的火灾智能报警系统,该系统于嵌入式设计,结合现代无线通信技术和物联网技术,通过对周围环境数据的采集和处理来实现火灾情况的自动监测,并将处理的数据通过无线通信模块发送到用户的手机上,系统全部是无线连接,具有自动检测以及检测覆盖面大等优势,更加适应日常生活中的使用。

基于PLC和神经网络的电梯群控最优化方法设计

为了节能降耗,减少乘客的候梯时间,提高多层建筑内电梯的运行效率,通常需要将高层建筑内的多台电梯进行统一协调管理。针对该类问题提出一种基于可编程逻辑控制器(PLC)和神经网络的电梯群控最优化方法,该方法采用以PLC为主的控制设备完成电梯的升降以及电梯门的开关,通过神经网络算法学习电梯运行参数并训练得到电梯群控最优化模型。实验表明该方法能合理有效调度所有电梯,既满足了乘客的需求又达到了节能降耗的目的。

基于LSTM和RBF-BP深度学习模型的火灾预测方法

针对火灾信号的时变性和非线性特点以及单特征信号火灾预测方法的高漏报率和误报率的问题,提出一种基于LSTM(Long Short Time Memory,长短时记忆网络)和RBF-BP(Radial Basis Function and Back Propagation,径向基反向传播网络)深度学习模型的多源信息融合火灾预测方法。首先,在信息层通过多种传感器采集火灾发生时的特征信息,并通过速率检测算法对特征信息进行预处理。然后在特征层利用深度学习中的LSTM和RBF-BP神经网络对火灾多种特征信号进行自适应学习,输出有火、无火以及阴燃火三种火型的发生概率。最后采用模糊逻辑控制系统决策输出有无火灾发生。仿真实验结果表明,所提出的火灾预测方法与传统的和单神经网络方法相比具有更高的预测精度和自适应性。

基于MCGS的智慧消防控制系统设计与实现

针对现有消防控制系统结构功能单一和可视化程度低的问题,设计和实现了一种集日常开关窗和消防联动于一体的智能消防控制系统。将用于PLC领域的MCGS嵌入式触摸屏应用到单片机中。利用MCGS组态触摸屏(主机)、STM32F103RBT6(从机)为核心的主控板和传感器,实现消防联动控制。主机通过RS-485总线利用Modbus协议与从机进行通信。测试试验表明系统具有良好的控制和监测性能。

基于STM32和MCGS的智能窗控系统设计

随着工业技术的不断进步,在智能楼宇方面迫切需要功能强大的智能控制系统。为此,设计了一套基于MODBUS-RTU协议的MCGS触摸屏和STM32的电动窗智能控制系统。系统以MCGS组态触摸屏为主机、STM32单片机为从机,主机通过RS-485总线利用MODBUS-RTU协议与从机进行通信,附加设备风雨感应器、烟雾感应器为控制单元提供环境信息,当发生火灾时能够实时报警,开启电动窗,实现消防排烟,将火灾信息第一时间反馈给现场人员,从而保证人们的生命财产安全。

基于多源信息融合的智能火灾预测方案与仿真

由于传统的消防信号的检测系统设计较为单一,其系统的抗干扰能力不强,容易出现误报等反预期的动作,因此为了提高系统的整体工作性能,该方案采用多传感器数据融合技术对火灾信息通过长短期记忆网络(LSTM)神经网络进行融合处理,并对神经网络的输出通过MATLAB的模糊逻辑工具箱建立模糊推理系统对火灾信息进行进一步的融合。仿真实验所需的数据集来自国家标准试验火的数据,依次通过建立神经网络和模糊控制系统完成仿真实验。实验结果表明,所提方案与传统方案以及模糊控制方案相比具有更高的可靠性。

基于人工智能的机器人交通标志识

交通标志在日常生活中发挥着重要作用,如今智能交通领域的热点问题是如何成功利用视觉辅助技术识别交通标志。为实现机器人对交通标志的智能识别,设计了基于人工智能的交通标志识别模型,首先,采用LeNet-5卷积神经网络模型用于交通标志识别,该模型取得了96.3%的识别准确率;然后设计了集成卷积神经网络模型,可以根据图像的复杂度来实现自适应的选择适合的卷积模型。仿真实验表明,相比LeNet-5、AlexNet和VGG-16模型,集成卷积神经网络的交通标志识别准确率分别提高了1.2%、0.9%和0.8%。

消防控制系统软件设计与实现

研讨消防控制系统的软件平台。结合MCGS组态触摸屏和STM32F103RBT6单片机,并通过Modbus协议实现主机与从机的通信,实现消防联动控制。测试试验表明该软件和有效地实现消防控制和消防信息的可视化界面。

基于人工智能的机器人音乐类型识别

音频与我们生活密切相关,我们的大脑不断处理和理解音频数据,并为我们提供有关环境的信息。为实现机器人对音乐类型的智能识别,设计了基于人工智能的机器人音乐类型识别,首先,基于摇滚、爵士、吹奏和管弦四类音乐建立数据集,并将预处理后的数据集分为训练集和测试集;然后设计了BP深度学习模型,并选择合适的优化器、设置学习率以及迭代周期等相关的网络模型参数,借助深度学习网络模型对数据进行训练。仿真实验表明,相比于机器学习模型,BP深度学习模型音乐类型识别准确率达到了91.7%。

基于深度神经网络的机器人目标检测方法研究

目标检测是机器人视觉领域要解决的基础任务之一,目标检测的目的是为了确定图像或视频中目标物体所在的位置以及目标的种类。研究了Grid R-CNN和Mesh在目标检测中的应用,针对传统目标检测框架中因阈值选取不当导致的候选框定位误差的问题,提出一种基于级联检测器的目标检测方法,该方法通过级联多个检测器,不断提升QU阈值,从而得到最佳的候选阈值。在COCO数据集得测试实验表明,该方法相比于传统的目标检测方法具有更高的准确率。

基于STM32和触摸屏的冷却塔智能控制系统

随着经济的发展,各个城市的地铁建设也逐渐增多。地铁的建设中冷水机组群控系统对整个地铁站的通风和制冷起到了关键作用。冷水机组群控系统的正常运行离不开STM32F103的正常运行,但是现有的冷却塔水位控制大多采用浮球控制,该方法受外界影响大而且对水位没有一种可视化的数据显示。针对该类问题设计了一种基于工控触摸屏和STM32F103系列单片机的冷却塔水位控制系统。该系统由注水系统和报警系统两部分组成。注水系统保证冷却塔所需水位的正常补给,报警系统对水位过低或过高进行报警,测试试验表明,该系统实时性好、可视化强并能有效地对冷却塔水位进行控制。