基于改进蚁群算法的大型综合建筑火灾疏散路径规划

动态逃生指示系统主要应用于大型综合建筑物内,此系统可根据建筑物内发生的火灾等突发情况动态指示人员疏散逃生,缩短逃生时间提高逃生成功率。通过研究现有动态逃生指示系统路径规划问题,提出一种改进蚁群算法,将Dijkstra算法和蚁群算法相结合,利用Dijkstra算法的全局搜索能力,调整了蚁群算法启发函数中初始信息素分布情况,同时结合探测到的火灾实时信息对蚁群算法的启发函数,转移概率,信息素挥发系数和更新规则进行改进。通过仿真实验表明改进的蚁群算法提高了搜索效率和全局搜索能力,降低了陷入局部最优的可能性并优化了逃生路线。     

智能疏散系统导向标志计算及疏散路径仿真

为了解决大型综合建筑中智能疏散系统在火灾等突发情况发生时可根据复杂建筑结构规划出合理、安全的疏散路径问题,提出了一种基于改进A~*算法的多起点、多出口路径规划方法。通过增加转弯惩罚值,结合火灾影响区域实时信息和火灾中心点的距离改进了估价函数,进而计算出最优疏散路径。依据搜索出的最优路径调整三维楼层地图中各个导向标志方向,从而引导不同位置人员从最优路径疏散逃生。仿真实验结果表明,在计算多起点、多出口疏散路径时,改进A~*算法与传统Dijkstra算法和A~*算法相比,搜索方向更加明确,路径更加平滑,搜索效率更高,运行时间更短,并能结合火灾信息保证疏散路径的安全性。该算法在求解大型综合建筑火灾安全疏散路径方面具有很好的应用前景。     

基于卷积神经网络的无人机识别方法仿真研究

为了提高卷积神经网络(CNN)的泛化性和鲁棒性,改善无人机航行时识别目标图像的精度,提出了一种CNN与概率神经网络(PNN)相结合的混合模型。利用CNN提取多层图像表示,使用PNN提取特征对图像进行分类以替代CNN内部的BP神经网络,采用均方差和降梯度法训练模型,通过将预处理的图像传输到CNN-PNN模型,对图像纹理和轮廓进行分类识别,并将此模型的仿真结果与卷积神经网络模型、卷积神经网络-支持向量机模型的结果进行对比。仿真结果表明,与其他两种模型相比,CNN-PNN模型具有更好的精准度,识别率高达96.30%。因此,CNN-PNN模型能够快速有效地识别图像,准确度和实时性较高,在图像识别等方面具有很好的应用前景。