随着人们生活水平的不断提高,城市楼宇增加,人口密度增大,同时各种电器、电线网络交错复杂,使火灾的安全隐患日益加剧。事先感知火灾发生前的信号变化,并做出正确的反应对策,对于保护人身和财产安全意义重大。传统的火灾预警方法包括阈值法、趋势法等,然而这些方法通常只考虑一种特征量的变化,对于复杂多变的火灾环境往往会出现误报、漏报等问题。随着人工智能技术的推广,智能算法逐渐应用到火灾预测中,比如神经网络算法等,这类算法有着较好的火灾识别性能,但是在算法理解、硬件实现、成本控制等方面还存在一定限制。针对上述问题,论文研究了基于多源信息融合的火灾预警方法,提出一种双重加权及补偿系数的朴素贝叶斯改进算法(Double Weighted and Coefficient Compensation Naive Bayes,DWCNB),用于火灾的早期预警。对火灾事故进行特征属性融合及决策,并考虑特征属性间与属性内的关系,对火灾的特征属性和特征属性取值进行双重加权,弱化朴素贝叶斯属性独立和决策重要性相同的假设。同时提出采用补偿先验概率的方法均衡先验概率部分与条件概率部分的决策作用,提高预测准确度。主要研究内容包括:(1)对朴素贝叶斯算法进行分析,并对其进行了改进。包括拉普拉斯平滑、取对数运算,同时考虑特征属性间和属性内的联系,对特征属性与特征属性取值进行了双重加权,弱化了朴素贝叶斯条件独立性假设。采用补偿系数对先验概率进行补偿,均衡了决策比重。(2)采用Python语言实现改进算法模型的搭建,对其性能进行多指标的评估和分析,通过正交试验的方法对补偿系数进行了设计,并与几种常用机器学习算法进行了对比。(3)将改进后的分类模型植入嵌入式硬件装置,采用STM32L151芯片为控制芯片,以DHT11温度传感器、MQ-2烟雾传感器、MQ-7一氧化碳传感器分别对温度、烟雾浓度和一氧化碳浓度信号进行采样,并使用NB-Io T模块BC28进行无线通信,软件部分包括改进的朴素贝叶斯算法、ADC模数转换、USART通信、NB-Io T通信等。(4)设计了火灾预警的模拟实验,对研发的火灾预警系统分别进行了四种试验火和三种干扰源的测试,并与市面通用烟雾报警器进行了对比。仿真和实验结果证明,所提出的双重加权及补偿系数的朴素贝叶斯算法准确率最高可以达到98.13%,且对于试验火和干扰源的平均准确率分别达到97.76%和98.24%,具有较好的预警可靠度。