本文针对高温环境下传感器节点存在误报、漏报、工作状态异常等问题,提出了融合长短时记忆网络模型(long short term memory,LSTM)和改进A^(*)算法的火灾逃生路径规划研究方法。根据LSTM自适应学习火灾实时态势信息,建立异常节点数据预...本文针对高温环境下传感器节点存在误报、漏报、工作状态异常等问题,提出了融合长短时记忆网络模型(long short term memory,LSTM)和改进A^(*)算法的火灾逃生路径规划研究方法。根据LSTM自适应学习火灾实时态势信息,建立异常节点数据预测模型,实现异常节点的温度、一氧化碳浓度等威胁态势的预测;基于室内火灾实时态势信息,搭建火势威胁态势蔓延模型,利用改进的A^(*)算法动态规划逃生路径,获取异常情况下火灾最佳安全逃生路径。结果表明,该方法在不同火灾时期均能规划出最佳安全逃生路径,为人员的撤退争取宝贵的时间,具有实际应用价值。展开更多
文摘本文针对高温环境下传感器节点存在误报、漏报、工作状态异常等问题,提出了融合长短时记忆网络模型(long short term memory,LSTM)和改进A^(*)算法的火灾逃生路径规划研究方法。根据LSTM自适应学习火灾实时态势信息,建立异常节点数据预测模型,实现异常节点的温度、一氧化碳浓度等威胁态势的预测;基于室内火灾实时态势信息,搭建火势威胁态势蔓延模型,利用改进的A^(*)算法动态规划逃生路径,获取异常情况下火灾最佳安全逃生路径。结果表明,该方法在不同火灾时期均能规划出最佳安全逃生路径,为人员的撤退争取宝贵的时间,具有实际应用价值。