技術特征：

1.一種基于溫度場的火災隱患預測方法，其特征在于，包含以下幾個方面：

(1)利用物距比為1:12的MLX90614紅外測溫傳感器組成3*3的點陣溫度測量探頭，并采用兩個步進電機構成水平與垂直可旋轉的旋轉平臺，點陣測溫探頭置于該平臺上，實現(xiàn)掃描測溫。

(2)利用激光測距模塊，測量被測目標與測溫探頭的距離，實現(xiàn)對溫度檢測結果的補償，同時將離線的距離參數(shù)、介質(zhì)參數(shù)、實際溫度構成數(shù)據(jù)樣本，利用模糊LS-SVM算法進行回歸運算建模，得到距離、被測介質(zhì)類型、測量溫度與實際溫度的模型，從而實現(xiàn)測量溫度的校正，使溫度測量的精度提高。

(3)利用二維旋轉平臺進行水平與垂直掃描，監(jiān)測范圍能夠完全覆蓋被檢測區(qū)域，并實現(xiàn)不間斷的24小時掃描，獲得檢測區(qū)域的溫度場數(shù)據(jù)，并將溫度場數(shù)據(jù)通過以太網(wǎng)傳送至服務器，在服務器上生成溫度場圖像。

(4)根據(jù)圖像的溫度場數(shù)據(jù)，對檢測區(qū)域的不同坐標的溫度場進行圖像分割，并對溫度數(shù)據(jù)序列進行相空間重構，利用基于時間序列的LS-SVM算法對分割出的不同檢測區(qū)域進行火災隱患識別，來預測該區(qū)域是否有發(fā)生火災的可能。

2.如權利要求1所述基于溫度場的火災隱患預測方法，其特征在于，所述溫度場的火災隱患預測方法中通過I²C總線實現(xiàn)9個物距比為1:12的MLX90614與數(shù)據(jù)處理器STM32F030F4芯片進行信息傳遞，構成3*3的點陣式測量模塊，即一次能測量九個點的溫度數(shù)據(jù)。

3.如權利要求1所述基于溫度場的火災隱患預測方法，其特征在于，MLX90614測量的溫度會由被測對像的距離、介質(zhì)變化而變化，因此利用MLX90614的測量數(shù)據(jù)、目標距離、介質(zhì)系數(shù)、實際溫度四個參數(shù)構建數(shù)據(jù)樣本，其中將MLX90614的測量數(shù)據(jù)、目標距離、介質(zhì)系數(shù)作為樣本的輸入、實際溫度作為樣本的輸出，構建數(shù)據(jù)樣本，將布谷鳥算法與模糊LS-SVM算法結合，對數(shù)本樣本進行訓練，得到MLX90614測量校正模型，實現(xiàn)測量溫度的實時校正，提高MLX90614的測量精度。

設MLX90614的測量數(shù)據(jù)、目標距離、介質(zhì)系數(shù)、實際溫度四個參數(shù)1～k時刻的時間序列數(shù)據(jù)分別為{s_i}為模糊隸屬度，樣本的輸入為樣本的輸出為

(3.1)組織MLX90614的測量數(shù)據(jù)、目標距離、介質(zhì)系數(shù)、實際溫度數(shù)據(jù)，令模糊隸屬度{s_i}全部等于1，以和模糊隸屬度作為輸入，以作為輸出，構成LS-SVM學習訓練樣本數(shù)據(jù)集{(X_i，Y_i，S_i)}；

(3.2)確定核函數(shù)的徑向基參數(shù)σ²和正則化因子γ的取值范圍，以及每次訓練剪除樣本數(shù)據(jù)的比率為10％；

(3.3)利用CS搜索算法對核函數(shù)參數(shù)進行尋優(yōu)，根據(jù)最優(yōu)鳥巢位置x_b^(t)所對應的徑向基參數(shù)σ²和正則化因子γ作為最優(yōu)參數(shù)，對樣本數(shù)據(jù)集進行LS-SVM訓練；

(3.4)得到訓練樣本數(shù)據(jù)的Lagrange乘子并按絕對值的大小對數(shù)據(jù)集{(X_i，Y_i，S_i)}進行排序，按10％的比例剪除小部分|α_i|較小的數(shù)據(jù)；

(3.5)對剩余樣本數(shù)據(jù)重新計算其模糊隸屬度{s_i}，構造新的數(shù)據(jù)集{(X_i，Y_i，S_i)}；

(3.6)對樣本數(shù)據(jù)的訓練結果進行評估，若溫度校正精度下降，則停止訓練，此時所建的校正模型最優(yōu)，否則返回到(3.3)繼續(xù)進行訓練；

(3.7)最終得到MLX90614的測量溫度、目標距離、介質(zhì)系數(shù)與實際溫度的模型，并利用該模型對MLX90614的測量結果進行實時校正。

4.如權利要求1所述基于溫度場的火災隱患預測方法，其特征在于，利用二個步進電機構成水平、垂直二維旋轉平臺，能夠對被測區(qū)域進行不間斷的，全方位的掃描，檢測區(qū)域無盲點覆蓋。

5.如權利要求1所述基于溫度場的火災隱患預測方法，其特征在于，由點陣式溫度檢測探頭進行被測區(qū)域溫度掃描檢測，形成被測區(qū)域的溫度場數(shù)據(jù)，并將數(shù)據(jù)通過以太網(wǎng)傳送到服務器，并在服務器生成溫度場圖像。

6.如權利要求1所述基于溫度場的火災隱患預測方法，其特征在于，根據(jù)邊緣分割理論，對權利要求5中的溫度場圖像進行區(qū)域分割，將被測區(qū)域分成若干模塊，形成若干個子溫度場。

7.如權利要求1所述基于溫度場的火災隱患預測方法，其特征在于，對權利要求5中的每個子溫度場，對溫度場內(nèi)的坐標及溫度分布情況進行數(shù)據(jù)處理，利用基于時間序列的

LS-SVM算法，對該溫度場內(nèi)的座標溫度變化趨勢進行預測；同時利用LS-SVM分類算法，以溫度場內(nèi)的溫度及座標作為樣本輸入，來預測該區(qū)域內(nèi)是否符合起火的發(fā)展趨勢，進而來預測是否有放生火災的可能，從而達到實現(xiàn)指定區(qū)域的火災隱患檢測和預防。

其實現(xiàn)步驟如下：

(7.1)假設座標x_i，y_i的k時刻的溫度為t_i，其1～k時刻的時間序列數(shù)據(jù)分別為為預測k+1時刻的溫度，則相空間重構的狀態(tài)向量為n＝k₀,k₀+1,...,k，k₀＝max{(m_l-1)τ_l+1}，τ_l、m_l分別為延遲時間間隔和嵌入維數(shù)，其中l(wèi)＝1,2,3,4。

(7.2)確定τ_l、m_l的取值范圍分別為1≤τ_l≤100，1≤m_l≤100，且均為正整數(shù)，并給定初始值τ_l,0＝1、m_l,0＝1，其中l(wèi)＝1,2,3,4；

(7.3)采用最小二乘支持向量回歸算法對座標x_i，y_i時間序列溫度t_i數(shù)據(jù)進行相空間重構，獲取狀態(tài)空間演化方程x_n+1＝G(x_n)，其中x_n+1為n+1時刻相空間重構的狀態(tài)向量；

(7.4)對步驟(7.3)中由訓練好的LSSVM所建立的狀態(tài)空間演化方程x_n+1＝G(x_n)，以x_k-1為輸入，可獲取LSSVM輸出值利用布谷鳥搜索算法，進行參數(shù)尋優(yōu)，并得獲取最小誤差下的τ_l、m_l值，記為τ_l,p、m_l,p，建立子溫度場內(nèi)座標下一時刻溫度的預測；

(7.5)將1～k時刻及k+1時刻的每個子溫度場的座標及溫度數(shù)據(jù)作為樣本，以座標分布、溫度值為樣本輸入，以0和1作為輸出，其中0表示不會發(fā)生火災，1表示會發(fā)生火災，利用LS-SVM的分類算法，進行火災的隱患判斷，來預測該溫度場內(nèi)是否有起火的趨勢。