BiLSTM-LN-SA:一种具有自我注意力的新型集成模型,用于多传感器火灾检测
Zhaofeng He1, Yu Si2, Liyuan Yang3
1School of Electrical and Electronic Engineering, Shijiazhuang Tiedao University, Shijiazhuang 050043, China.
Sensors (Basel, Switzerland)
|October 29, 2025
概括
一个新的BiLSTM-LN-SA模型通过捕获时间序列数据依赖性来改善多传感器火灾检测. 这种先进的火灾检测技术显著减少了错误报警,并提高了复杂环境中的适应能力.
科学领域:
- 工程 工程师 工程师 工程师
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 多传感器火灾检测至关重要,但受到高错误报警率的挑战.
- 现有的方法难以处理复杂的环境和深度时间序列数据分析.
研究的目的:
- 开发一种新的火灾检测模型,BiLSTM-LN-SA,以提高稳定性和准确性.
- 在各种环境场景中提高适应能力和概括能力.
主要方法:
- 集成双向长短期存储器 (BiLSTM) 用于时间序列特征提取.
- 整合了层规范化 (LN) 来减轻特征分布的变化.
- 利用自我注意力 (SA) 机制进行动态特征重新校准和融合.
主要成果:
- 达到98.38%的测试准确度,0.98的F1得分和0.99的AUC.
- 显示出明显较低的虚假阳性 (1.50%) 和虚假阴性 (1.85%) 率.
- 超过了EIF-LSTM,rTPNN和MLP等现有方法的性能.
结论:
- BiLSTM-LN-SA模型在多传感器火灾检测中提供了卓越的性能和可靠性.
- 层规范化和自我注意是适应性和特征融合的关键组成部分.
- 该模型显示出强大的概括能力,用于各种环境中的实际应用.
