论文部分内容阅读
摘要：本文采用温度、烟雾、一氧化碳浓度进行火灾检测。在数据处理方法上,采用反馈趋势算法的神经网络对火灾的有无进行判断，较单个传感器及传统的神经网络相比,基于反馈趋势算法神经网络数据融合的结果具有较高的准确度和可信度。
关键字：火灾探测 数据融合 神经网络
中图分类号:TP27 文献标识码：A 文章编号：1674-098X(2012)02(c)-0000-00
Abstract ：This paper adopts temperature, smog, CO monoxide to detect fire. In the aspect of data processing, it adopts Feedback trend neural network to decide the existence of fire. Comparing with the single sensor and the traditional neural network, the result of feedback trend neural network data fusion has higher accuracy and confidence level.
Key words：fire detection, data fusion, neural network
信息融合是关于多源信息综合处理的技术。它是将来自系统的多源信息加以智能化合成,产生比单一信息源更精确、更完全的估计和判断。
把信息融合技术应用到火灾监测控制系统,对多个不同性质的传感器提供的数据进行多级别、多方面处理,具有许多优点。例如,可得到比单一传感器更全面、更准确的系统信息；一组相似的传感器采集的信息具有冗余性,这种冗余信息的适当融合可在总体上降低信息的不确定性；有些不同类型传感器采集的信息具有明显的互补性,这种互补性经过适当处理后可补偿单一传感器的不确定性和测量范围的局限性;多传感器可增加系统的可靠性,如当某个或某几个传感器失效时,系统仍可正常工作。
1 基于模糊神经的火灾监测算法
1.1 BP神经网络特征提取算法--反馈趋势算法
火灾探测技术的主要任务就是要提早报警、降低误报警。而提早报警、降低误报警恰恰是一对矛盾。由于火灾的形成是一个渐变的过程，单一的门限设定报警要么容易延迟报警(阀值过高)，要么容易引起误报(阀值过低)，因此必须将火灾对象作为一个过程，进行连续地而不是孤立地分析。基于这种思想，本文综合考虑神经网络前n次输出，将神经网络当前输出趋势反馈回神经网络的输入端。当火警时，由于烟雾信号和温度信号及CO信号的连续上升趋势，使得神经网络的输出不断增大。网络反馈趋势信号也随之增大，进一步增大网络的输出，从而达到提早报警的目的。在干扰信号存在的场合，由于噪声信号具有脉冲幅度大，但持续时间极短的特性，当选择具有一定积分效果的趋势反馈时，反馈趋势信号基本不受影响，从而抑制了干扰信号对网络输出扰动，从而达到降低误报警的目的。即融合系统从信息层输出的温度信号、烟雾信号及CO信号送入神经网络特征提取器，神经网络的输入信号除温度、烟雾和CO外，还有一个网络的回馈信号FP。
在实际火灾辨识过程中，为了得到反馈趋势变量FP，定义一个函数f。f的输入是当前网络的输出，f的输出就是反馈趋势FP。
f定义如下，对于第i+1个采样点:
if 0≤O(i)-O(i-1)< λ1
then FP=FP+σ1
else if λ1≤ O(i)-O(i-1)< λ2
then FP=FP+σ2
······
else if λn-1≤O(i)-O(i-1)<λn
then FP=FP+σn
ifτ1< O(i)-O(i-1) ≤0
then FP=FP-σ1
else if τ2< O(i)-O(i-1) ≤τ1
then FP=FP-σ2
······
else if τm< O(i)-O(i-1) ≤τm-1
then FP=FP-σn
式中λi（i=1,2，···n）>0, τj(j=1,2,···m)<0。
当本次网络输出与前次网络输出的差值在一定范围内，认为系统是稳定的，没有上升或下降趋势，因此反馈趋势FP值保持不变，从而使网络的输出趋向于保持不变。当差值超过了一定的范围，那么根据网络输出的上升或下降趋势以及上升、下降的幅度，反馈趋势FP值相应增大一个或减小一个σn，从而使得网络的输出做出相应的变化。
式中O(i)代表神经网络的第i次输出，O(i-1)代表神经网絡的第i-1次输出，通过实验确定:n=16；m=4；
λ=[0.00l 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.009 0.01 0.012 0.014 0.016 0.018 0.02]
τ=[-0.0007， - 0.0014，-0.0021，-0.0028];
1.2神经网络的结构与学习算法
神经网络采用三层前馈误差反向传播神经网络。网络根据规则进行学习，采用自适应学习速率和附加动量法相结合的BP学习算法，利用梯度下降技术，通过调整网络权值、阀值，使得网络实际输出与期望输出的误差均方值最小。输入层的四个输入分别为归一化的烟雾信号、归一化的温度信号、归一化的CO信号、网络反馈趋势信号；隐层为5节点:输出层有一个神经元，对应神经网络提取的火灾数据概率。
我们选取中国标准明火SH4、标准阴燃火SHI和厨房环境下典型干扰信号(德国Duisdurg市立医院厨房)，共采样50组数据，进行归一化处理后，选取其中20组为学习信号，30组为测试信号，利用MATLAB分别进行神经网络的训练、测试。经过656后，神经网络误差收敛状况如图1-1所示。
图 1-1 神经网络误差收敛状况及训练次数
1.3仿真实验:标准明火SH4仿真实验
由标准明火SH4获取10组火灾参数进行试验，得出有无火灾的判断。仿真结果如表1-1所示:
由表1-1可以看出，在标准明火环境下，本系统能够很好地判断出火灾的发生，误差较小，不超过0.08。
2 结束语
本文提出的这种算法不同于常规的BP算法。此算法降低了网络对于误差曲面局部细节的敏感性，有效地抑制网络陷于局部极小值;另外采用自适应学习率有利于缩短学习时间。因此，二者的结合提高学习速度并增加了算法的可靠性，优点是:(1)加快训练速度，避免陷入局部极小值；(2)自动调整学习速率，有较好的收敛性；(3)保证系统稳定，节省训练时间。
参考文献：
[1]李小亚.基于人工智能的数据融合技术在火灾探测中的应用研究[D].广东:广东工大学,2005
[2]张丽杰.基于改进遗传算法优化的模糊神经网络在火灾探测中的应用[J].装备制造技术，2008（4）：42-44
[3]傅剑峰. 基于数据融合技术的火灾探测算法研究[D].重庆：重庆大学，2007
[4]黎连业. 智能大厦和智能小区安全防范系统的设计与实施[M].北京:清华大学出版社，2005
[6]雷倩茹.基于信息技术的火灾探测方法研究[d].华北电力大学，2010
关键字：火灾探测 数据融合 神经网络
中图分类号:TP27 文献标识码：A 文章编号：1674-098X(2012)02(c)-0000-00
Abstract ：This paper adopts temperature, smog, CO monoxide to detect fire. In the aspect of data processing, it adopts Feedback trend neural network to decide the existence of fire. Comparing with the single sensor and the traditional neural network, the result of feedback trend neural network data fusion has higher accuracy and confidence level.
Key words：fire detection, data fusion, neural network
信息融合是关于多源信息综合处理的技术。它是将来自系统的多源信息加以智能化合成,产生比单一信息源更精确、更完全的估计和判断。
把信息融合技术应用到火灾监测控制系统,对多个不同性质的传感器提供的数据进行多级别、多方面处理,具有许多优点。例如,可得到比单一传感器更全面、更准确的系统信息；一组相似的传感器采集的信息具有冗余性,这种冗余信息的适当融合可在总体上降低信息的不确定性；有些不同类型传感器采集的信息具有明显的互补性,这种互补性经过适当处理后可补偿单一传感器的不确定性和测量范围的局限性;多传感器可增加系统的可靠性,如当某个或某几个传感器失效时,系统仍可正常工作。
1 基于模糊神经的火灾监测算法
1.1 BP神经网络特征提取算法--反馈趋势算法
火灾探测技术的主要任务就是要提早报警、降低误报警。而提早报警、降低误报警恰恰是一对矛盾。由于火灾的形成是一个渐变的过程，单一的门限设定报警要么容易延迟报警(阀值过高)，要么容易引起误报(阀值过低)，因此必须将火灾对象作为一个过程，进行连续地而不是孤立地分析。基于这种思想，本文综合考虑神经网络前n次输出，将神经网络当前输出趋势反馈回神经网络的输入端。当火警时，由于烟雾信号和温度信号及CO信号的连续上升趋势，使得神经网络的输出不断增大。网络反馈趋势信号也随之增大，进一步增大网络的输出，从而达到提早报警的目的。在干扰信号存在的场合，由于噪声信号具有脉冲幅度大，但持续时间极短的特性，当选择具有一定积分效果的趋势反馈时，反馈趋势信号基本不受影响，从而抑制了干扰信号对网络输出扰动，从而达到降低误报警的目的。即融合系统从信息层输出的温度信号、烟雾信号及CO信号送入神经网络特征提取器，神经网络的输入信号除温度、烟雾和CO外，还有一个网络的回馈信号FP。
在实际火灾辨识过程中，为了得到反馈趋势变量FP，定义一个函数f。f的输入是当前网络的输出，f的输出就是反馈趋势FP。
f定义如下，对于第i+1个采样点:
if 0≤O(i)-O(i-1)< λ1
then FP=FP+σ1
else if λ1≤ O(i)-O(i-1)< λ2
then FP=FP+σ2
······
else if λn-1≤O(i)-O(i-1)<λn
then FP=FP+σn
ifτ1< O(i)-O(i-1) ≤0
then FP=FP-σ1
else if τ2< O(i)-O(i-1) ≤τ1
then FP=FP-σ2
······
else if τm< O(i)-O(i-1) ≤τm-1
then FP=FP-σn
式中λi（i=1,2，···n）>0, τj(j=1,2,···m)<0。
当本次网络输出与前次网络输出的差值在一定范围内，认为系统是稳定的，没有上升或下降趋势，因此反馈趋势FP值保持不变，从而使网络的输出趋向于保持不变。当差值超过了一定的范围，那么根据网络输出的上升或下降趋势以及上升、下降的幅度，反馈趋势FP值相应增大一个或减小一个σn，从而使得网络的输出做出相应的变化。
式中O(i)代表神经网络的第i次输出，O(i-1)代表神经网絡的第i-1次输出，通过实验确定:n=16；m=4；
λ=[0.00l 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.009 0.01 0.012 0.014 0.016 0.018 0.02]
τ=[-0.0007， - 0.0014，-0.0021，-0.0028];
1.2神经网络的结构与学习算法
神经网络采用三层前馈误差反向传播神经网络。网络根据规则进行学习，采用自适应学习速率和附加动量法相结合的BP学习算法，利用梯度下降技术，通过调整网络权值、阀值，使得网络实际输出与期望输出的误差均方值最小。输入层的四个输入分别为归一化的烟雾信号、归一化的温度信号、归一化的CO信号、网络反馈趋势信号；隐层为5节点:输出层有一个神经元，对应神经网络提取的火灾数据概率。
我们选取中国标准明火SH4、标准阴燃火SHI和厨房环境下典型干扰信号(德国Duisdurg市立医院厨房)，共采样50组数据，进行归一化处理后，选取其中20组为学习信号，30组为测试信号，利用MATLAB分别进行神经网络的训练、测试。经过656后，神经网络误差收敛状况如图1-1所示。
图 1-1 神经网络误差收敛状况及训练次数
1.3仿真实验:标准明火SH4仿真实验
由标准明火SH4获取10组火灾参数进行试验，得出有无火灾的判断。仿真结果如表1-1所示:
由表1-1可以看出，在标准明火环境下，本系统能够很好地判断出火灾的发生，误差较小，不超过0.08。
2 结束语
本文提出的这种算法不同于常规的BP算法。此算法降低了网络对于误差曲面局部细节的敏感性，有效地抑制网络陷于局部极小值;另外采用自适应学习率有利于缩短学习时间。因此，二者的结合提高学习速度并增加了算法的可靠性，优点是:(1)加快训练速度，避免陷入局部极小值；(2)自动调整学习速率，有较好的收敛性；(3)保证系统稳定，节省训练时间。
参考文献：
[1]李小亚.基于人工智能的数据融合技术在火灾探测中的应用研究[D].广东:广东工大学,2005
[2]张丽杰.基于改进遗传算法优化的模糊神经网络在火灾探测中的应用[J].装备制造技术，2008（4）：42-44
[3]傅剑峰. 基于数据融合技术的火灾探测算法研究[D].重庆：重庆大学，2007
[4]黎连业. 智能大厦和智能小区安全防范系统的设计与实施[M].北京:清华大学出版社，2005
[6]雷倩茹.基于信息技术的火灾探测方法研究[d].华北电力大学，2010