防烟楼梯间及其前室加压防烟系统火灾疏散时开启门数量的探讨

本文应用概率理论,把开门事件视为随机事件,并按离散型随机变量理论进行了描述。随机变量X服从二项分布规律,即X～B(n,p)。据此,提出了影响开门数量N的各主要因素。分析了把开门数只看成与建筑物层数有关和按<20层,取开门数N=2,20层～32层,取开门数N=3两个挡次所带来的弊端。文章分别按建筑物的单个门M_1(或M_2)开启的概率P_1(M_1、M_2分别为走道与前室及前室与楼梯间的门),和两个门M_1与M_2同时开启的概率P_2按要求满足的保证率和允许的疏散时间,对8～32层的高层建筑逐层作了计算,得出了一个门M_1(或M_2)同时开启的数量N_1和两个门M_1和M_2同时开启的数量N_2的全套数据,对算得的数据分析后得出了几点结论。     

消防安全重点单位灭火、应急疏散预案的制订和演练

《机关、团体、企业、事业单位消防安全管理规定》(公安部第61号令)第39条、第40条规定，消防安全重点单位应制订灭火、应急疏散预案并定期进行演练。灭火、应急疏散预案，是针对单位重点场所或部位可能发生的火灾事故，依据灭火战斗的指导思想、战术原则以及人员、设施情况而拟制的灭火疏散行动方案，与消防部队灭火作战计划、灭火演习方案相似。     

无线传感器网络RSSI定位算法的研究与改进

为了克服接收信号强度指示(RSSI)测量误差对无线传感器网络节点自身定位精度的影响,提出一种改进的RSSI测距定位算法.该算法考虑到参考节点间的几何位置,可获得最优参考节点.将同一参考节点采集到的RSSI值通过中位数法进行数据处理,获得RSSI权值,对RSSI值进行修正.最后利用加权质心算法,得到未知节点的位置.仿真结果表明,该算法能有效过滤过大的节点定位误差,提高精确,使误差相比原始算法降低60%左右.     

地下建筑火灾控制系统研究

1地下建筑的火灾危险性。（1）燃烧剧烈,蔓延速度快,灾情发展快。（2）火场高温,危害严重;毒烟弥漫,逃生困难。（3）毒气重,释放困难。（4）疏散逃生困难,易导致人员伤亡。（5）灭火救援难度高。2地下建筑火灾的特点。（1）空间相对封闭,起火后烟气大,热辐射高。地下建筑出入口较少,空间密闭性高,通风差,发生火灾时可燃物剧烈燃烧产生大量的有毒烟气,就会从起火位置以lm／s的速度向周围传播扩散,并产生聚积不散的情况,能见度距离通常在2-5m左右。（2）客流量大。因为各城市利用地下建筑作为商场同时兼做人员过街通道导致人员在地下过于密集,节假日商峰时刻人员更为密集,使得地下人员密度值远远高过《人民防空工程设计防火规范》有关地下一层人员密度为0．85人/m^2,地下二层人员密度指标为0．8人/m^2的规定。因此,现今的地下商场的疏能力已经远远不能满足现实对人员疏散的要求,这种状态下如果发生火灾,就会导致人员无法快速逃生,无法疏散的恶果。3地下建筑的火灾预防措施。（1）使用安全耐燃的的装修材料。当下引起地下火灾的主要问题已经由建筑材料结构问题变化为楼内装可燃修材料与室内储存或使用物品。通常楼内最先起火的地点一般是办公用品、设备及存放的家具、商品、床品等。所以装修之前的选材尽量控制使用室内装修可燃材料的数量,尽量推广使用耐燃、难燃、不燃材料,对易燃材料必须要做好阻燃处理。（2）配置完善的消防设施。一旦发生地下火灾,火灾扑救难度系数大、人员疏散逃生困难,所以在地下建筑成型前施工设计的过程,要按照严格规范的要求配备火灾自动报警系统、自动喷淋系统、防排烟设施、气体灭火设施和消防电梯等设施,并由消防重点控制中心集中管理。     

基于卡尔曼平滑的AWKNN室内定位方法

基于接收信号强度指示的WIFI室内定位方案存在采集信息跳变现象,进而影响定位精度的问题,提出一种基于卡尔曼滤波的改进自适应加权K最近邻（AWKNN）定位方法。对比分析多种平滑RSSI算法可行性,验证基于卡尔曼滤波对RSSI值进行平滑处理的优势,结合AWKNN算法并采用均方差计算匹配度,通过实时监控相匹配的无线接入点个数后自动调整均方差分母大小,以此实现定位误差的有效控制。实验结果表明,该基于卡尔曼的AWKNN算法在稳定性和定位精度方面较传统WIFI指纹算法有较大幅度提高。     

基于WiFi-BP的室内定位算法

针对设备差异性造成信号偏差从而影响定位精度的问题,提出了一种结合BP神经网络和加权质心定位算法的室内定位算法。文中通过离群点检测算法对不同手机的RSSI数据进行清洗,并以清洗后的数据作为BP神经网络的数据源进行模型训练,得到了一种稳定的非线性的BP模型。在此基础上,结合改进的室内定位算法进行室内定位。实验结果表明,文中所提定位算法的均值误差、最小误差和最大误差分别为为0.58 m、0.24 m和1.06 m,定位精度明显高于现有的同类算法。     

基于GA-GRNN的RFID室内定位算法

针对基于测距模型的定位算法易受环境干扰、测距误差大的问题,提出一种基于遗传算法-广义回归神经网络(GA-GRNN)优化的指纹定位算法。利用GRNN建立节点定位模型,通过GA确定最优平滑参数,将阅读器与标签间的信号强度值作为神经网络的输入,进而得到输出节点的坐标。仿真结果表明,与GRNN算法、BP神经网络算法、FOA-GRNN算法相比,该算法的定位精度较高,泛化能力较强。     

基于改进花授粉算法的RSSI定位方法

针对接收信号强度指示(RSSI)定位算法中采用最小二乘法计算未知节点位置时其定位精度受测距误差影响较大、花授粉算法易陷入局部最优等问题,提出了一种基于改进花授粉算法的RSSI定位方法。从花粉步长权重、局部变异方面对花授粉算法进行改进,采用改进花授粉算法进行未知节点位置估算。仿真结果表明:本文算法的定位精度高,稳定性好,适用于定位精度和稳定性要求较高的场景。     

基于新的锚传感器节点的WSNs列车定位算法

针对传统列车定位算法中存在的接收信号强度指示(RSSI)数据易受环境影响、定位时延滞后、定位误差较大等问题,研究了轨旁锚传感器不同的部署方式以及锚传感器的通信半径对列车定位精度带来的影响.提出了一种基于新的传感器锚节点的列车定位算法,利用网关传感器采集到的轨旁锚传感器RSSI值,优选后得到新的锚传感器节点的权重和位置坐标,新的锚传感器节点更加接近列车的实际位置,能够有效降低定位误差.仿真结果表明:与传统的加权RSSI列车定位算法相比,新算法对列车的定位效果有了进一步改善,定位精度明显提高.     

基于粒子群优化的RSSI等弧三边定位算法

通过分析不同通信距离与接收信号强度指示(RSSI)的变化关系来选择满足定位要求的最佳通信距离.采用基于RSSI的等弧三边形布局,使待测节点运动轨迹始终位于信标节点的最佳通信距离内,以提高定位算法的测量精度.实验结果表明:相比传统的方形布局和三角形布局及改进三角形布局,等弧三边形布局平均定位精度分别提高81％,54％和48％;相对于传统三角形布局,等弧三边形布局面积覆盖率提升23％.提出的定位算法计算简单,无硬件扩展,成本相对较低.