[发明专利]一种火灾救援定位头盔

权利要求书

1.一种火灾救援定位头盔，它包括头盔本体，其特征在于：所述的头盔本体的上端设置有供电底板，所述的供电底板分别连接有分解功能模块、通信模块、定位模块和头盔面罩，所述的分解功能模块是由节点功能模块、无线通信模块、数据采集模块和行为识别模块组成，所述的节点功能模块的输出端与无线通信模块连接，节点功能模块的输入端分别与数据采集模块和行为识别模块连接，所述的无线通信模块通过无线电信号连接有上位机，所述的通信模块是由视频通信模块和抗干扰语言识别模块组成，所述的视频通信模块为红外线设备，所述的抗干扰语言识别模块为语言通信设备，抗干扰语言识别模块通过无线电信号与上位机连接，所述的定位模块通过无线电信号与上位机连接，所述的头盔面罩设置在头盔本体的正侧面上。

2.根据权利要求1所述的一种火灾救援定位头盔，其特征在与：所述的头盔面罩为防尘防烟显示屏。

3.根据权利要求1所述的一种火灾救援定位头盔，其特征在与：所述的数据采集模块包括温湿度传感器模块、火焰传感器模块、烟雾传感器二氧化碳传感器模块。

4.根据权利要求1所述的一种火灾救援定位头盔，其特征在与：所述的供电底板为单层PCB板。

5.根据权利要求1所述的一种火灾救援定位头盔，其特征在与：所述的节点功能模块设置有微处理器，且节点功能模块与无线通信模块之间采用通用异步接收/发送装置进行双向通信连接，节点功能模块与数据采集模块之间采用四路通用输入/输出针脚连接。

6.根据权利要求1所述的一种火灾救援定位头盔，其特征在与：所述的无线通信模块包括WIFI模块和433MHz无线通信模块。

7.根据权利要求1所述的一种火灾救援定位头盔，其特征在与：所述的定位模块为基于STM32处理器的嵌入式开发板，定位模块包括WIFI主模块和ZIGBEE辅模块，其定位方法是基于信号强度算法和三边定位算法，其中定位方法包括以下步骤：

步骤一：接收待测标签发出的信号场强，并传入上位机，同时也接收各个参考标签在各个AP的信号场强，并传入上位机；

接收待测标签发出的信号场强以及接受各个参考标签在各个AP的信号场强，通过信号在传播中的衰减来估计节点之间的距离，根据信道模型求解接收到待定位置的信号场强：

式中：n为路径损耗指数，与周围的环境有关；X_σ是标准差为σ的正太随机变量；d₀是参考距离，在室内环境中通常取1m；PL(d₀)为参考位置的信号强度。

步骤二：把待测标签在4个AP上的场强建立成一个场强矢量，同时参考标签也建立成场强矢量；

步骤三：通过LANDMARC算法即通过比较待测标签场强矢量与参考标签场强的欧式距离，找出3个欧式距离最小的参考标签，并得知3个参考标签的具体位置；

假设有n个AP，m个参考标签，则AP点接收到的待定标签的强度量P＝(AP₁，AP₂，……，AP_n)，采集到的第t个参考标签的强度矢量为S_t＝(S_t1，S_t2，……，S_tn)，则待定标签和参考标签S_t之间的欧式距离为：

LANDMARC算法主要是通过比较不同E_t来寻找与待定标签位置最近的参考标签，当由K个邻近的参考标签来确定一个待测标签的时候，待定标签坐标为(x，y)：

其中的W_i和(x_i，y_i)分别是第i个邻居参考标签的权重因子和坐标位置，

权重越大的，E值越小；

步骤四：分别以已知位置的3个AP为圆心，以各个到待测标签的距离最近参考标签的距离为半径作圆，所得的3个圆的交点为D；

设位置节点D(x，y)，已知A、B、C三点的坐标为(x₁，y₁)，(x₂，y₂)，(x₃，y₃)，它们到D的距离分别是d₁，d₂，d₃，则D的位置可以通过下列方程中的任意两个进行求解：

(x-x₁)²+(y-y₁)²＝d₁²

(x-x₂)²+(y-y₁)²＝d₂²

(x-x₃)²+(y-y₁)²＝d₃²

半径的确定，对于3个参考点，不再根据信号的强度来决定其半径，而是3个以参考点为圆心，以最近参考标签之间的距离(以确定每隔几米放置一个参考标签)的3/4长度为半径做3个圆，这样3个圆两两相交的可能性会增加，由于3个圆很难在同一个点相交，所以对于3个圆之间的关系有3种：

3个圆两两相交，并且3个圆有公共区域；

3个圆两两相交，但没有公共区域；

3个圆不相交；

具体关系如下：

当3个圆有公共区域时，则公共区域必然有3个交点，以3个交点作三角形，则待测标签的坐标即是三角形内心坐标；

当两两相交无公共区域时，必然有两两公共区域。取两圆相交区域的两个交点的连线的中点，然后以这3个重点作三角形，其内心就是待测标签内心坐标；

其中3个圆不相交时舍弃，接受下一组最近3个参考变迁，若3次还没有找到相交情况，即用3个参考标签做的位置做三角形，其内心就是待测标签的位置。

8.根据权利要求1所述的一种火灾救援定位头盔，其特征在与：所述的行为识别模块为基于3D加速度传感器的行为识别模块，其行为识别包括以下步骤：

步骤一：接收数据采集节点发出的数据信号，传入上位机；

步骤二：上位机程序将所采集到的数据进行接收、数据预处理并构建数据库；

其中数据预处理采用了fir滤波器对加速度信号进行了滤波处理，以减少噪声对行为识别的影响；

步骤三：通过时域分析法、频域分析法和时频分析法对所得预处理数据进行特征提取，即对数据信号进行加窗建模，将每个动作处理为若干样本点，最终构建出特征矩阵；

其中时域分析法选取的时域特征是均值、标准差、峰度与相关系数，相关系数是衡量变量之间线性相关程度的指标。

频域分析法是对三轴加速度信号的每一轴信号进行快速FFT变换，然后对每一轴都取其前64维的FFT系数作为FFT特征；

步骤四：对于已得到的特征矩阵，利用极限学习机ELM进行系统训练，设定好相关参数后，进而将数据进行对比，获取分类信息，由上位机显示所识别的行为特征，实现人体行为识别功能；

极限学习机ELM采用具有L个隐节点的单隐层前向神经网(single-hidden layer feedforward networks，SLFNs)的数学模型：

具体实现如下：

给定训练数据集Ω＝{(x_i，t_i)|x_i∈R_n，t_i∈R_m，i＝1，…，N}，激活函数g：R→R，和隐节点个数L；

1)、随机选取输入权值α_i及阈值b_i，i＝1，2，…N；

2)、计算隐层输出矩阵H；

3)、计算输出权重其中T＝(t₁，t₂，…t_N)^T。