基于微粒群算法和模糊神经网络的火灾探测研究
基于嵌入式系统和模糊神经网络的森林火灾报警系统设计
科技与创新┃Science and Technology&Innovation ·136·2020年第16期文章编号：2095－6835（2020）16－0136－02基于嵌入式系统和模糊神经网络的森林火灾报警系统设计邓亦骁（武汉理工大学机电工程学院，湖北武汉430070）摘要：研究了森林火灾报警系统的设计，提出将嵌入式系统和模糊神经网络相结合应用于森林火灾报警系统的设计中，以提高报警系统对森林火灾监测报告的准确性。
系统由探测模块及无线通信模块、火灾报警控制器和总控平台组成。
探测模块将传感器采集的火灾参量信号处理后通过无线通信模块发送给相应的火灾报警控制理器。
火灾报警控制器以包含ARM Cortex-M7核的STM32H743微控制器为核心进行设计，具有很强的浮点数运算能力，通过软件编写模糊神经网络算法对火灾参量信号进行处理分析，判断探测点的火灾状态。
当火灾报警控制器判断某个探测模块存在火情，通过以太网将火灾数据上报给总控平台。
总控平台通过以太网接收火情信息，并显示火灾具体位置同时发出警报，此外平台根据动态气象数据通过遗传算法改进的BP神经网络算法分析某个区域该天气条件下发生森林火灾的概率，当概率超过预定值时发出警告并实时提高探测模块采集火灾参量信号的频率。
关键词：森林火灾；嵌入式系统；模糊神经网络；参量信号中图分类号：S762文献标识码：A DOI：10.15913/ki.kjycx.2020.16.062森林火灾极大地威胁着森林资源安全，造成当地生态平衡严重破坏，影响生物多样性，同时严重损害了人们的生命财产安全。
监测森林火灾的发生是及时有效扑灭林火并防止火势进一步蔓延的重要措施，因此，需要对森林火灾进行及时、准确的监测与定位。
森林火灾的出现和火势蔓延与林区地理特征、当地气候变化规律以及人类活动有极大关系，同时由于森林地形、气候情况复杂，林火不易第一时间有效察觉[1]，这都给有效监测森林火灾带来了极大的困难。
基于BP神经网络在火灾图像探测技术中的应用
基于BP神经网络在火灾图像探测技术中的应用谢荣全;徐志胜【摘要】经过研究发现，火灾的发生机率具有双重性，即随机性与不确定性。
而运用火灾自动报警系统检测火灾信号，就是将不确定的一面转化成比较准确的一面。
基于此，利用BP神经网络算法计算和探测火灾图像的形成规律和信号特征，给出神经网络的具体结构和输入输出单元的设计方案。
并对一系列的火灾样本图像和干扰图像进行实验。
研究结果表明：此方法能更有效地减少火灾的误报警率，提高火灾报警的准确率。
%As for the duality of fire,namely randomness and determinism,the intelligent building automatic fire alarm system has the important task that transforms the randomness accurately to the another side with relative se-curity in the fire detection.Therefore,in this paper,the BP neural network algorithm was used to calculate and detect the developing rule and signal feature of the fire image.It gives the detailed structure of the BP nerve net and the concrete design scheme of input and output layers.Then a series of sample images of fire and interfer-ence images have been experimented.Experimental results show that fire detection algorithm based on the BP neural network is more effective to reduce the fire false alarm rate,and improves the accuracy of the fire alarm.【期刊名称】《铁道科学与工程学报》【年(卷),期】2014(000)003【总页数】6页(P140-145)【关键词】BP神经网络;火灾报警;探测技术;应用实验【作者】谢荣全;徐志胜【作者单位】中南大学土木工程学院，湖南长沙410075;中南大学土木工程学院，湖南长沙410075【正文语种】中文【中图分类】TU75由于火灾燃烧具有复杂性和多变性的基本特性，难以用一个比较精确的数学公式来描述火灾图像的特征。
基于模糊神经网络的智能火灾报警系统研究的开题报告
基于模糊神经网络的智能火灾报警系统研究的开题
报告
一、选题背景
随着城市化进程的不断推进，建筑的规模不断扩大，保障人员安全的工作变得越来越重要。
而火灾是建筑安全的重要威胁之一，往往会造成严重的后果。
因此，如何及时准确地发现和预防火灾，成为了一个迫切的问题。
智能火灾报警系统，就是为解决这一问题而被广泛研究和应用的一种技术。
本课题将研究基于模糊神经网络的智能火灾报警系统，以提高火灾预防和应对的效率和精度。
二、选题意义
智能火灾报警系统是一种结合了先进的传感器技术、自适应控制技术等多种高科技手段的系统，可以及时发现火灾、报警并进行相应的控制。
不仅如此，智能火灾报警系统还可以与其他智能化的安全系统进行联动，实现多重安全保障，对于提高现代城市的安全水平起到十分重要的作用。
三、研究内容
本课题旨在研究基于模糊神经网络的智能火灾报警系统的设计、构建和测试。
具体研究内容包括：
1. 智能火灾报警系统的原理研究。
2. 模糊神经网络的原理及其在火灾报警领域的应用研究。
3. 设计并实现一个具有可拓展性的智能火灾报警系统原型。
4. 对系统进行测试评估，分析其性能特点。
四、研究方法
本研究将采用文献调研、数据采集、实验仿真等方法进行实验研究，同时引入模糊神经网络技术对智能火灾报警系统进行优化和改进，取得
更好的性能和效果。
五、预期成果
本研究将提出并实现一种基于模糊神经网络的智能火灾报警系统，
在保证较高准确度的基础上，具有高效、可靠、灵活等优点，有望为现
代城市安全管理提供有力支持。
改进粒子群优化神经网络的火灾受灾森林面积预测模型
收稿日期:2022-11-18作者简介:姜兴超(1992 ),男,陕西汉中人,初级专业技术职务,本科,研究方向:森林火灾预报㊂改进粒子群优化神经网络的火灾受灾森林面积预测模型姜兴超(内蒙古森林消防总队兴安盟支队,内蒙古阿尔山 137400) 摘 要:文章提出了改进粒子群优化神经网络的火灾受灾森林面积预测模型,利用改进后的粒子群算法对B P 神经网络预测模型进行优化,建立了基于P S O -B P 神经网络预测模型㊂为了验证该模型的优越性,选取内蒙古自治区1992 2017年的火灾受灾森林面积时间序列进行预测分析,并与单一的B P神经网络模型进行预测结果对比㊂结果表明:相较于单一的B P 神经网络模型,针对均方根误差R M S E ,P S O -B P 模型预测段和拟合段的预测性能分别提升了39.5%和58.0%;针对平均绝对误差MA E ,P S O -B P 模型预测段和拟合段的预测性能分别提升了43.5%和55.8%,具有较高的预测精度和较好的稳定性,适用于森林火灾的准确预报㊂关键词:粒子群算法;B P 神经网络;森林火灾预报;预测模型 中图分类号:S 762.2 文献标识码:A 文章编号:1007 6921(2023)17 0078 031 研究背景森林作为最为关键的自然资源之一,是经济社会发展和生态环境维持的基础㊂森林火灾一旦发生,会对当地环境造成难以恢复的破坏,同时会伴随着巨大的财产损失和人员伤亡[1-2]㊂然而森林火灾的发生具有较强的随机性,这给林火预防工作的开展带来了极大的困难,准确建立起一种森林火灾预测模型,能够有效减少各类损失㊂对于森林火灾预测方面的相关研究较多,目前应用效果较好且适用性强的多为基于机器学习算法的森林火灾预测㊂徐艳杰[3]引入集合经验模态分解对数据信息进行提取并有效分解,将非平稳的森林成灾面积时间序列转化为多个平稳序列,研究结果表明改进模型显著提升了预测精度㊂贾南等[4]提出了一种基于随机森林算法的森林火灾预测模型,该模型对森林火灾的预测准确度超过70%,为林火预报提供一种新的手段㊂杨紫等[5]将传感器网络和神经网络相结合,综合考虑了光照㊁温度和湿度等环境变量,构建了基于神经网络的动态分区森林火灾预测模型㊂笔者提出了改进粒子群优化神经网络的火灾受灾森林面积预测模型,首先引入混沌映射和自适应变异解决了伪随机生成和陷入局部最优问题,利用改进后的粒子群算法对B P 神经网络预测模型进行优化,建立了基于P S O -B P 的神经网络预测模型㊂为了验证该模型的优越性,笔者选取内蒙古自治区1992 2017年的火灾受灾森林面积时间序列进行预测分析,并与单一的B P 神经网络模型进行预测结果对比,所建P S O -B P 神经网络预测模型的相对误差最小,预测段和拟合段的2个评价指标(均方根误差R M S E 和平均绝对误差MA E )也均为最小值,验证了笔者所提出预测模型的准确性和稳定性㊂2 算法介绍2.1 粒子群算法K e n n e d y 等人通过观察鸟群觅食这一现象,发现可用粒子来模拟鸟群觅食的行为并提出了粒子群优化算法(P S O ),粒子群算法具有迭代速度快㊁实现度高㊁准确性强等优点,目前在许多领域都得到了广泛的应用[6-7]㊂粒子群算法将问题的求解转化成两个属性,分别是粒子的位置和速度㊂粒子的位置表征了当前所处的状态,粒子的速度反映了下一时刻粒子的移动方向和距离,下面对算法的实现过程进行介绍:假定在D 维的搜索空间内,随机生成种群规模㊃87㊃2023年9月内蒙古科技与经济S e pt e m b e r 202317531I n n e r M o n g o l i a S c i e n c e T e c h n o l o g y &E c o n o m yN o .17T o t a l N o .531为N的粒子群,第i个粒子在搜索空间内的位置为z i=(z i1,z i2, ,z i D),移动速度为v i=(v i1,v i2, , v i D),该粒子历史最优位置为p b e s t i=(p b i1,p b i2, ,p b i D),粒子群体最优位置为g b e s t i=(g b i1,g b i2, ,g b i D)㊂下一时刻粒子群的速度更新公式和位置更新公式分别为:v(k+1)i=w (k)v(k)i+c1ζ1(p b e s t(k)i-z(k)i)+c2ζ2(g b e s t(k)-z(k)i)z(k+1)i=z(k)i+v(k+1)i(1)式中:w(k)为第k代的惯性系数;ζ1㊁ζ2为区间[0,1]上的随机数;c1㊁c2分别为个体极值和全局极值的调整系数,一般取c1=c2=2.0㊂针对常规粒子群算法中存在的粒子伪随机生成和陷入局部最优的问题进行改进,在常规粒子群算法中,生成初始粒子群以及后续迭代过程中的粒子更新均需要用到随机数,一般来说,采用计算机内置时钟生成较小数量的数时会出现伪随机数现象,生成的粒子群在搜索空间中分布过于集中,导致最优解搜索出现困难,因此引入D o u b l e-B o t t o m映射代替计算机产生的伪随机数,增强算法的搜索遍历性㊂为了解决粒子陷入局部最优的问题,将自适应变异作为粒子在搜索空间迭代寻优的策略㊂2.2 B P神经网络B P神经网络的基本组成结构是输入层㊁隐含层和输出层,是通过前向反馈和误差传播的多层神经网络,其主要思路是根据梯度搜索实现实测值和预测值偏差的最小化,无须明确能够表征输入和输出之间具体映射关系的数学方程,仅依靠一定的规则完成自身训练和结果输出,B P神经网络的结构见图1㊂图1 B P神经网络具体结构B P神经网络的输入层㊁隐含层和输出层之间一般采用S i g m o i d函数,目的是将输入值转化成区间在[0,1]之间的数,具体计算公式为:f(x)=11+e-x(2)隐含层的输出值O j:O j=fðn i=1ωi j X i-αj(3)式中:ωi j为输入层信息与隐含层信息之间的权重值;X i为输入值;αj为输入层信息与输出层信息之间的误差值㊂输入层的预测结果Y k:Y k=ðαj=1ωj k O j-βk(4)式中:ωj k为隐含层信息与输出层信息之间的权重值;βj为隐含层信息与输出层信息之间的误差值㊂预测误差θk:θk=Y-Y k(5) 3实例应用内蒙古自治区地域辽阔,位于北纬37ʎ24'~53ʎ23',东经97ʎ12'~126ʎ04'之间,所处纬度较高,气候以温带大陆性季风气候为主,整个区域降水较少且分布极为不均,夏季历时短而炎热,冬季历时长且寒冷㊂受气候影响,内蒙古地区春秋季大风天气较多㊂内蒙古自治区的森林资源十分丰富,包括大兴安岭等多个大型林区,森林覆盖率达到20%以上㊂笔者以内蒙古自治区的火灾受灾森林面积作为研究对象,选取1992 2017年的受灾面积数据作为样本数据,具体见表1㊂表1内蒙古自治区1992—2017年火灾受灾森林面积年份受灾面积/h m2年份受灾面积/h m2 199237520054300199321720066022419942101020073023199534469200824391996120651200937341997415742010855919981472720111089199912522012650200010488201328720011426720145950200220108201532542003122294201614562004381720171478首先需要确定B P神经网络的输入层㊁隐含层和输出层的节点个数,本研究中输入值和输出值均为火灾受灾森林面积,故节点数均为1㊂隐含层的节点个数一般根据如下经验公式确定:㊃97㊃姜兴超㊃改进粒子群优化神经网络的火灾受灾森林面积预测模型2023年第17期L =m +n +b (6)式中:m 为输入层的节点个数;n 为输出层的节点个数;b 的取值区间为[1,10]㊂通过对隐含层个数进行敏感性分析,最终确定B P 神经网络的三层结构为1-6-1㊂设置粒子群算法的初始种群规模为30,最大迭代次数为50,寻优的目标函数为实测值和预测值的均方误差㊂将前20年的火灾受灾森林面积数据作为训练集,后6年的火灾受灾森林面积数据作为测试集㊂选取均方根误差R M S E 和平均绝对误差MA E 作为预测模型的评价指标㊂利用M a t l a b 软件分别建立P S O -B P 模型和B P模型,分别运用2种模型对内蒙古自治区的火灾受灾森林面积进行预测,根据计算结果统计2种模型预测结果的相对误差,具体见图2㊂图2 P S O -B P 模型和B P 模型预测结果的相对误差由图2可知,2012 2017年,P S O -B P 模型各年份预测结果的相对误差均小于B P 模型,以2011年为例,B P 模型预测结果的相对误差为57.5%,而P S O -B P 模型预测结果的相对误差仅为14.3%㊂从年间变化来看,P S O -B P 模型预测结果的相对误差稳定在10%~20%之间,但B P 模型预测结果相对误差的波动性较大㊂主要原因是粒子群算法在迭代寻优过程中,减小了预测误差,使得P S O -B P 模型的预测结果更为准确㊂根据火灾受灾森林面积的实际值和预测值计算2种模型预测段和拟合段的均方根误差R M S E 和平均绝对误差MA E ,具体计算结果见表2㊂表2 P S O -B P 模型和B P 模型评价指标计算结果模型R M S E /h m2预测段拟合段MA E /h m2预测段拟合段P S O -B P 906.9392.2466.5307.3B P1498.8933.4825.1695.8由表2可知,P S O -B P 模型预测段和拟合段的2个评价指标值均小于B P 模型,针对均方根误差R M S E ,相较于B P 模型,P S O -B P 模型预测段和拟合段的预测性能分别提升了39.5%和58.0%㊂针对平均绝对误差MA E ,相较于B P 模型,P S O -B P 模型预测段和拟合段的预测性能分别提升了43.5%和55.8%㊂综上所述,笔者提出的P S O -B P模型对火灾受灾森林面积的预测效果较好,为林火预测提供了一种新的思路和方法㊂4 结论引入混沌映射和自适应变异对常规粒子群算法进行改进,采用B P 神经网络模型预测时结合改进后的粒子群算法进行寻优求解,提出了基于P S O -B P 模型的火灾受灾森林面积预测模型㊂通过内蒙古自治区26年的火灾受灾森林面积数据进行应用验证,结果表明,P S O -B P 模型各年份预测结果的相对误差均小于B P 模型,改进模型的预测性能提升较为显著,预测结果的稳定性较好,以均方根误差R M S E 为例,相较于B P 模型,P S O -B P 模型预测段和拟合段的预测性能分别提升了39.5%和58.0%,验证了笔者提出改进模型对于火灾受灾森林面积预测的准确性㊂[参考文献][1] 沈姣姣,李建科,张宏芳,等.陕西省森林火灾分析及火灾面积预测[J ].森林防火,2019(1):31-36.[2] 梁日清,角从斌,田波,等.安宁市森林火灾的两种预测方法浅析[J ].林业建设,2021(1):20-25.[3] 徐艳杰.基于E E M D-L S T M 的森林火灾成灾面积预测模型[J ].农业与技术,2022,42(12):74-76.[4] 贾南,陈悦,康可霖,等.基于R F 的森林火灾风险评价模型及其应用研究[J ].安全与环境学报,2020,20(4):1236-1240.[5] 杨紫,陈明锐,沈重.基于神经网络的W S N 森林火灾预测与定位研究[J ].计算机仿真,2015,32(11):315-320,424.[6] 孟滔.改进粒子群算法优化S V R 水质预测模型研究[J ].农业与技术,2021,41(3):33-36.[7] 李松威,王胜辉,郑洪.优化粒子群算法的神经网络光伏发电预测[J ].山东工业技术,2017(6):148-150.㊃08㊃总第531期内蒙古科技与经济。
基于模糊神经网络的火灾识别算法
＝—Ｘｉ一—Ｘｍｉｎ ＝——
２森林火灾识别模型
森林火灾信息参量具有不确定性和随机性，难以用精确 的数学模型来描述，而且，森林火灾是一个非常复杂的非线 性对象，很难从数据中总结出所有的规则和经验，这就增加 了火灾识别的难度。因此，本文融合模糊控制和神经网络进 行森林火灾识别，采用模糊控制和神经网络串行结合方式。 这种方式的最大特点是模糊控制系统与人工神经网络相互 独立，通过神经网络对采集的火灾信息参量进行预处理，从 而实现数据的整理聚集，神经网络输出的火情概率，送入模 糊控制系统，这样可使模糊规则的获取变得更容易，由模糊 控制输出火灾判断结果。 森林中的植物燃烧时，会产生一系列物理化学现象，会 伴随产生热、光、气体、烟雾等物质，尤其是周围环境温度上 升，而且会产生大量的烟雾，ＣＯ浓度也会明显增加，这些现 象特征为识别火灾提供了一定的依据。因此，本文通过温度 传感器、烟雾传感器和ＣＯ浓度传感器分别采集火灾监控现 场的温度、烟雾浓度和ＣＯ浓度来进行火灾分析，模糊神经网 络火灾识别模型如图ｌ所示。
ｓｃｅｎｅ
ＡＢＳＴＲＡＣＴ：Ｆｉｒｅ ａｕｔｏｍａｔｉｃ ｒｅｃｏｇｎｉｔｉｏｎ
ｓｐａｃｅ ｔｉｏｎ
ｅｆｆｉｃｉｅｎｔｌｙ ａｎｄ ａｃｃｕｒａｔｅｌｙ ｆｏｒｅｃａｓｔ ｆｉｒｅｓ． Ｂｅｃａｕｓｅ ｆｏｒｅｓｔ
ｉｓ
ａ
ｌａｒｇｅ
ｆｉｅｌｄ．ｆｉｒｅ ｄｅｔｅｃｔｉｏｎ ｓｉｇｎａｌｓ
ａｒｅ
ａｒｅ
ｎｏｎ—ｌｉｎｅｒ ａｎｄ ｕｎｃｅｒｔａｉｎ．Ｆａｌｓｅ ａｌａｒｍ ｒａｔｅ ｏｆ ｆｉｒｅ ｒｅｃｏｇｎｉｔｉｏｎ ｉｎｃｒｅａｓｅｓ ｉｆ ｄｅｔｅｃ－
而，模糊遗传算法在识别火灾时，有容易陷入局部最优的 缺陷。
．．．．——３６９．．．．——
基于反馈趋势算法神经网络的火灾监测算法研究
基于反馈趋势算法神经网络的火灾监测算法研究摘要: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。
关键词:火灾探测数据融合神经网络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。
基于QPSO-BP神经网络的火灾预警算法
消防理论研究基于QPSO-BP神经网络的火灾预警算法高建丰"，王版,金卷华'(1.浙江海洋大学，浙江舟山316022；2.临港石油天然气储运技术国家地方联合工程实验室，浙江舟山316022)摘要：为了进一步提高油库消防系统的安全性，针对其火灾报警信息系统进行了改进，构建基于量子粒子群算法优化BP 神经网络的火灾智能预警算法，以温度、烟雾浓度以及CO浓度数据作为神经网络的输入，以无火、明火以及阴燃火的概率作为神经网络的输出〉使用量子粒子群算法优化BP神经网络运行中随机产生的权值和阈值，加快神经网络收敛到期望误差的速度，增强全局搜索能力。
通过MATLAB软件对智能火灾预警算法的模型进行仿真，模型输出的火情概率与实际值基本吻合。
设计了多传感器数据采集设备，获取火灾现场数据，输入网络模型，能够有效识别明火、阴燃火和无火情况，验证了该算法可提高消防预警系统的准确性。
关键词：消防；火灾预警；神经网络；量子粒子群算法中图分类号：X932；TP277文献标志码：A文章编号:1009-0029(2020)10-1345-05火灾报警探测和预警是包含多因素的复杂问题，大部分消防报警系统中釆用的都是直观探测法或系统探测方法，抗干扰能力弱，容易出现漏报和误报，无法进一步提高消防系统的安全性。
国内外学者对于提高火灾预警的准确性做了大量的研究。
目前应用最多的是直观法，也是最简单的火灾信息处理算法。
为了进一步提高火灾检测的准确性，系统处理算法应运而生。
最早的系统处理算法是趋势算法，H.Luck等首先用Kendall—r趋势算法实现火灾的检测，随后又设计了火灾信号的相关滤波算法，通过对检测到的信号进行相关性判断，从而探测是否发生火灾。
随着机器学习算法的发展，将其应用到火灾预警系统可以进一步提高火灾探测的准确度，降低系统误报率。
Z. Peng等应用神经网络算法采集多个火灾数据，提高识别火灾信号的准确性。
M.Thuillard等应用模糊逻辑推理判断火灾信号趋势变化，从而达到更好的火灾预测目的。
一种基于模糊神经网络的火灾探测系统的研制
８ ４
Ｖ ：Ｖｍ — Ｓ ＝ ｆ
（） １
式 中 ，／ 、 为工作 温 度 下 的正 向 电压 ； 为 ０℃时 Ｖ ， 的正 向 电压 ； ｔ为摄 氏温 度 ； Ｓ为 灵敏 度 ， 它是 正 向
正 向电 压与温度 之间 有如下线 性关 系
１ 系统硬 件 设计
１ １ 总体结 构设计 ．
系统结 构 图 见 图 １ 。传 感 器 采 集 到 的 温 度 信 号 、Ｏ 信 号 、 Ｃ 烟雾 信 号 ３种 信 号 ， 过 信号 调理 电 经
路放 大 、 变送后 ， 出 ＋５Ｖ 标 准 的 电压 信号 到 ＡＤ 送
火灾是 国内外 普 遍 关 注 的灾 难 性 问题 ， 来 的 带 损失和影 响越来越 大 ， 火灾探 测 的准确性 、 时性 对 及
卜ｆ
（ １ 洲 器 பைடு நூலகம்探 （ Ｉ
心 理 ｌ Ｕ 路
Ａ， ） Ｉ
提 出了更高 要求 ， 由于火 灾探 测信号 复杂性 、 变性 多
和不 确定性 以及传 统 火 灾探 测 存 在 的一 些 缺 陷 ， 误 报、 漏报现 象 比较普 遍 ， 而越 来越受 到人 类关 注。 从 文章采 用 Ｄ Ｐ高速处 理 器 ， 火 灾发 生前 的状 Ｓ 对 态进 行采集 ， 用模 糊 神 经 网络 算 法 进行 推 理 ，辨 采 别火情状态 ： 没有火 情 、 明火 、 隐火 ， 有针对性 地进 行 处理 ， 而迅速及 时消除 隐患 ， 障 生命 、 产安 全。 从 保 财
模糊神经网络在火灾探测中的应用
修 改稿收 到 日 ：０Ｏ—ｌ 期 ２１ ２—１ 。 ３
第一作 者杨帮 华 ， ，９ １年生 ，０ ６年 毕业 于上海 交通 大学测 量技 女 １７ ２０
术及仪 器专 业 ， 获博士 学位 ， 副教 授 ； 主要 从 事 火灾探 测 、 式识 别 与智 模 能 系统 、 号检测 与处理 等 方面的研 究 。 信
目前 ， 灾探 测 领 域 主 要 采 用 以下 几 种 识 别算 法 。 火
定的信号预处理 电路进行放 大、 滤波和 Ａ Ｄ转换 ， ／ 得
到的数字信号送入微处理器中进行 分析判断。为 了采 用智能算法进行火灾识别 ， 依据特种火灾探测器 国家标 准进行了多次试验 ， 通过上位机软件获取了大量的试验 数据 ， 并根据 获取 的数 据 ， 点研 究 了模 糊 神经 网络 重
持续 时间算法将火灾信号分 为高频部 分和低频部 分 ， 当发生火灾时 ， 传感 器信号低频 部分超过 预定 门限的 持续时 间比正常情况下多 。火灾信号通过与正常或干 扰情况下的信号激 励条件进行 比对输 出报警信号 ， 达 到火灾识别的 目的 。②人工 智能算法 ：０世 纪 ９ ２ ０
董 睁
旅 采 怀２
２０７ ０ ０ ２；
（ 海大学机 电工程 与 自动化 学院 自动化 系上 海市 电站 自动化技 术 重点 实验 室。上 海 上 ，
河南汉威 电子股份 有 限公 司 ， 河南 郑 州 ４ ０ ０ ） ５００
摘
要 ：为进 一步提 高火灾 探测 系统的识 别精度 ， 设计 了温度 ． 复合探 测 系统 。依据 特种 火灾 探测 器 国家标 准 ， 火焰 采集 了大 量试验
基于神经网络算法的火灾探测系统的研究
力。 在不同情 况条件 下的环境对特征参数进行 智能 处理时 ， 它能够 ｊ （ 权值） 和阈值ｂ １ ， ｂ ２ 来实现 。 本文采用 网络为三层前向， 三个神 很好快速处理 ； 并且 ， 对于火灾信号 的有效定位迅速准确， 进而使信 改ｗｉ 经元的输入层 系统 ，他们分别代表温度信号、 烟雾信号和Ｃ Ｏ 信号 ， 号早期能够报警发 ， 实现火灾的早期发现和报警 ， 能够大幅度的提 三个神经元在输出层 时候分别表示火 灾各状态 火 、 阴燃和明火） 高 报警 器 的安 全 可 靠 性 。 的发生概率 。 在 隐层神经元个数计算公式主要是根据经验确 定 ， 可 １ ＢＰ 算法 原理 以选 取公 式ｑ ＝ ｒ ＋ ｓ ＋（ １ ～ｉ ｏ ） 来确定 。 Ｂ Ｐ （ Ｂ ａ ｄ 【 Ｐ ｒ ｏ ｐ ａ ｇ ａ ｔ ｉ ｏ ｎ ） 网络是一个多层次的前馈智能神经系统 。 ２训 练 和测 试 方法 能够实现对任意的非线性映射进行从输入和输出处理。 标准的三层Ｂ Ｐ 对所有的测试样本数据进行一次正 向运行 ， 并进行一次反 向传 网络是本文所要重点简介说明的， 该神经网络为的结构如 图１ 所示 。 本次设计 采用温度， 烟雾和Ｃ Ｏ＝种参数作为 网络的输入 ， 如图
警 器 的安 全 可靠 性 。 关键 词： 神 经网络 算法 火灾探测 自 动 报警 中图分 类号： Ｔ Ｐ ２ ７ ４ 文献标识码 ： Ａ
文章编号 ： ｌ ０ ０ ７ — ９ ４ １ ６ （ ２ ０ １ ３ ） １ ０ — ０ １ ３ ０ — ０ ２
随着我国社会进步和经济的快速发展 ， 人们 的生活水平有了很 大提高。 然而， 火灾事故也有增无减 。 如何防止火灾对社会财富和人 身安全造成危害是值得研究的重要课题之一。 火灾的的发生是一个 极为复杂 的过程， 这样就一来， 在探测火灾时候， 会给探测器带来一 定的干扰性 ， 做 出对信 号的正确 处理和适 当的算法 ， 确保探 测器 的 正确定位 ， 避免错误报警， 这 些是 火 灾 报 警 系 统 的 关 键 点 。 神经 网络是一个复杂网络， 它是 由大量简单的处理单元经过连 接构成 ， 能够实现大规模 的并行处理能力 、 包括处理冗余性 、 容错 性、 非线性映射 能力 ， 以及 能够 实现 自己适应 、 学 习计算和组织能
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
［ ］魏 宁 ， ． 于 ＧＰ Ｓ无 线 网 络 的 数 据 采 集 系 统 的 设 计 ［ ］北 京 电 ３ 等 基 Ｒ Ｊ． 子科 技 学 院 学 报 ，０ ６ １ （ ）７ — ８ ， ２０ ，４ ４ ：９ ２
Ｄｉ ｃ ｓ ｉ ｎ ｏ ｈｅ ｍ ｏｄｅ ｏ ｏｎｓ ｒ ｃ ｌ ｒ ｓ ｕ ｓｏ ｆ ｔ ｆｃ ｔ ｕ ｔ ａ ａ ｍ ｔ ａ ｍ ｉ ｓ ｏ ｔ ｒ ｉ ｅ ｏｔ ｏｎｉｏｒ ｎｇ ｒ ｎｓ ｓ ｉ ｎ ｎｅ ｗｏ ｋ ｎ ｒ ｍ ｅｍ ｔ ｉ ｓ ｔ ｍ ｏｒ ｕ ｂａｎ ｆ ｒ ｏｔ ｃ ｉ ｎ ｙｓ ｅ ｆ ｒ ｉ ｅ ｐｒ ｅ ｔｏ
维普资讯
涟防： ＿ｌ 霹餐研究 ｌ
基于微粒群算法 和模糊神经 网络 的火灾探测研究
刘 翱 ，马 晓 茜
（ 南理 工 大 学 电 力学院 ， 东 广 州 ５ ０ ４ ） 华 广 １ ６ ０
摘 要 ： 对 火 灾探 测 的 特 点 ， 模 糊 系统 和 神 经 网络 有 针 将
模糊推 理之 用 。
同 。 探测器 只能 提供局 部和不 完善 的信 息 。 了提 高 各 为
火 灾探 测 系统 的可靠 性 。 常是 采 用 多种 信号 的复合 通
探测 方式 。 其误报 率仍 相对较 高 。 但
随着 科学 技 术 的迅 速发 展 ， 灾探 测 预警 方 式 逐 火 渐 向智能化 和 图像 化 的方 向发 展 。 目前 的火灾探 测 预
２ 模 糊神 经网络 的原理 与设 计
１ 前 言
传统 的火灾探 测方 式主要 是根 据火 灾发生 时 的特
征 参量 （ 温度 、 、 和 气体 成 分等 ） 如 烟 光 来确 定 的 ， 同 不 的火 灾 特 征参 量 对 应 于 不 同 的探 测 方 式 ， 感 温 、 如 感 烟、 感光 和气 敏探 测 器等 。由于 使用 范 围和精 度 的 不
准 火 的 火 灾 状 态 方 面具 有 有 效 性 和 可 行 性 。
关 键词 ： 灾探 测 ；神 经 网络 ； 粒 群 算 法 ；智 能 型 火 微 中 图分 类 号 ： ２ ， Ｕ８ ， Ｐ １ 文 献 标 识 码 ： Ｘ９ ４ Ｔ ９ Ｔ ２ ２ Ａ 文 章编 号 ： ０ ９ ０ ９ ２ ０ ） ６ ６ ３ ４ １ ０ —０ ２ （ ０ ７ ０ —０ ７ —０
一＿ ～ ∞一 ～＿ 咖一 ． 一 枷～ Ⅲ 一 ． ～ 啪 Ⅲ 陀 Ⅲ ∞ 量
Ｓ Ｆ ｅ
图１ 为应 用模 糊神 经 网络 结构 进行火 灾探 测 的工 作原理 示意 图 。首 先将模 糊规则 和隶 属度 函数用神 经 网络 表现 出来 。 隶 属度 函数 参 数赋 予 为神 经 网络 的 将 权值 ， 生成 的神经 网络用 于实现模 糊 推理 ； 后利用 训 然 练样 本数 据 通过微 粒 群算 法 训 练神 经 网络 ， 修改 神 经 网络 的权 值 即修 改 了隶 属度 函数 的参数 ， 得适 合 的 求 模 糊 规则 ； 神经 网 络 中提取 修 改后 的 隶属 度 函数 和 从 模糊 规则 。 这些 隶 属度 函数 的模糊 规 则保 存 以作 为 将
克服模 糊系统 传统方 法 中难 以有 效获取 规则 和调整隶 属 度 函数 、 现 自学 习功 能困难等 问题 。因此 ， 其应 实 将 用 于火 灾 探测具 有 较低 的误报 率 、 高 的可靠 性 和较 较
强 的环 境适应 能力 。
网络 的权 值 进 行 学 习 与训 练 。 结 果表 明 ， 算 法在 探 测 国 家 标 该
警方 式 多采 用模 糊 神经 网络 。 将模 糊 系统 和神 经 网络 结合 为一 个整体 ， 充分 发挥两 者优势 并彼 此弥补 不足 。 其 基础 部分 为模 糊 系统 ， 神经 网络 利 用 其学 习能力 而
一ｌ ㈣Ⅸ 薹 洲 一
参 考 文 献
［ ］城 市 消 防 远 程监 控 系 统 技 术 规 范 （ 批 稿 ）ｓ ． １ 报 Ｉ］ ［ ］杨 大 成 ， ． Ｄ Ａ２ ０ Ｘ 移 动 通 信 系 统 ［ ］ 北 京 ： 械 工 业 出 ２ 等 Ｃ Ｍ ０ ０１ Ｍ ． 机
Байду номын сангаас
作 者 简介 ： 青 波 （ ９ ７ ， 。 马 １ ６ 一） 男 公安 部 沈 阳消 防 研 究所 副研 究员 。 主要从 事 消 防通 信和 远 程监 控方 面
的研 究 ， 宁省 沈 阳市皇姑 区蒲 河街 ７号 ， １０ １ 辽 １０ ３ 。
通 常采用 的模糊 神经 网络往 往是Ｂ Ｐ神经 网络 ， 其 权 值 和 阈值 的数值 是 通过 误 差反 响 传播 进行 调 整 的 ， 这种 算法 在训 练 过程 中可能 陷入 局 部最 优 点 ， 训练 且 初值 的设定对 训练 时问 和效果都 有较 大的影 响 。笔 者 采用 微粒 群算 法 （ ａｔ ｌ Ｓ ｒ ｔ ｚｔ ｎ Ｐ Ｏ） Ｐ ｒｉ ｅ ｗａｍ Ｏｐｉ ａｉ ， Ｓ ｃ ｍｉ ｏ 对模糊 神经 网络 的权值 阈值进 行调整 。由于微粒群算 法是 基 于群体 智 能 的算法 ， 寻 优过 程 能通 过调 整算 其 法参 数对 整 个解 空 问进 行搜 索 。 能有 效 地避 免算 法 寻 优陷入 局部 最优点 。
机 结合 ， 实现 模 糊 系统 设 计 参 数 的 自动 调 整 。采 用符 合 国 家 标
准明火、 阴燃 火 以及 厨 房环 境 下 的 干 扰 火 等 作 为模 糊 神 经 网 络 的 训 练 样 本 和 测 试 样 本 ， 据 模 糊 神 经 网络 算 法 要 求 ， 依 完成 了 网络 结 构 的设 计 ， 给 出 相 应 的计 算模 型 ， 用微 粒 群 算 法 对 并 利