基于可拓神經網絡的火災探測算法

閆　浩，王體春，胡欣欣，謝玉珠（南京航空航天大學機電學院，江蘇南京210016）

基于可拓神經網絡的火災探測算法

閆浩，王體春，胡欣欣，謝玉珠
（南京航空航天大學機電學院，江蘇南京210016）

為解決傳統單一傳感器式的火災探測器容易造成火災報警的漏報和誤報的問題，采用多傳感器信息融合技術，將溫度、煙霧濃度和CO濃度等多個參數相結合，進行綜合分析，對火災進行早期預測。采用可拓神經網絡作為數據融合算法，以溫度、煙霧濃度、CO氣體濃度三個物理參量作為輸入，以三種火災預警等級作為輸出。通過仿真分析結果表明：火災正確識別率很高，達到93.9%以上。同時通過與傳統BP神經網絡的對比，表明可拓神經網絡在數據融合的速度和可靠性上有突出的優勢，從而使可拓神經網絡實際應用于火災早期預測成為可能。

火災探測；多傳感器信息融合；可拓學；可拓神經網絡

0　引言

傳統的火災探測算法都是采用基于單一參數判定的簡單的閾值判定、濾波及斜率計算等［1，2］，存在較高的誤報、漏報率。

多傳感器信息融合技術具有多個傳感器相互協同操作的優勢，同時將不同信息源的數據進行綜合處理，提高了系統的智能化［3］。因此，基于多傳感器信息融合技術的火災探測方法已經成為目前火災探測領域的主要研究方向［4］。如瑞士Cerberus公司率先開發出一種基于分布式智能神經網絡算法的火災探測器；日本的Okymaa Y運用三層前饋網絡和反向傳播算法對火災中的煙霧、溫度及氣體信號進行處理［5］；王殊、何健華、楊宗凱等人提出使用前饋神經網絡的火災探測處理算法、使用神經網絡和模糊邏輯的火災探測處理算法［6，7］；陳月提出了基于小波神經網絡的火災信息處理算法［8］。

本文將可拓學與神經網絡相結合，設計了一種基于可拓神經網絡（extension neural network，ENN）的火災信息處理算法［9］。經實驗仿真證明，該方法在信息處理速度及精確性上有較大的優勢，具有較高的工程應用價值。

1　火災探測系統模型

應用可拓神經網絡進行火災探測的系統模型如圖1所示，主要由以下三部分組成：傳感器測量和特征信號的預處理部分、可拓神經網絡對信號的處理部分以及信號的識別判斷部分。由各傳感器完成溫度、煙霧濃度以及CO濃度的測量。根據火災特征預先選定P組數據組成訓練樣本集，對網絡進行學習和訓練。

網絡訓練結束后，通過權值變化找出火災參數與傳感器輸入模式之間的映射規律，即完成針對火災特征的學習，自動生成適于火災探測模型的隸屬度函數的參數，并提取各可拓神經網絡相對作用的權值。訓練后的可拓神經網絡即可應用于實際火災探測中。

圖1　火災探測系統模型Fig 1　Model for fire detection system

2　可拓神經網絡

2.1可拓神經網絡的網絡結構

可拓神經網絡的結構如圖2所示。它由兩層網絡組成，包括輸入層和輸出層。輸入層與輸出層之間的連接采用雙權值連接的形式［10，11］。輸入層的每個神經元分別對應多維物元的不同特征，輸出層的神經元分別指火災的危險等級，在每個輸入層和輸出層的神經元之間有兩個連接權值，一個權值表示該火災階段對應某一特征值的下界，另一個權值表示該火災階段對應同一特征值的上界。

圖2　可拓神經網絡結構圖Fig 2　Structure diagram of ENN

2.2基于監督算法的可拓神經網絡算法

設訓練模式集合為X=｛X1，X2，…，XNP｝，NP為訓練模式總數，第i個模式記為，其中，n為特征總數，學習誤差記為，其中，Nm為總的訓練錯誤數。具體算法步驟如下：

1）根據物元理論，建立可拓神經網絡輸入節點和輸出節點的權值的物元模型，如式（3）所示

2）計算每個聚類的初始中心

式中k=1，2，…，nc，j=1，2，…，n。3）讀入第i個訓練模式的第p個樣本。

4）利用可拓距離函數計算訓練樣本Xpi和第k個聚類的關聯度為

式中k=1，2，…，nc。

5）找到k*，滿足EDik*=min｛EDik｝，進入步驟（7）；否

則，進入步驟（6）。

6）更新權值和聚類中心：

a.更新第p個樣本和k*的聚類中心

b.更新第p個樣本和k*的權值

式中η為學習率。

7）重復步驟（3）～步驟（6），直到所有模式訓練完成，則這個學習完成。

8）如果聚類過程收斂，總誤差達到預先給定的值則訓練完成；否則，返回步驟（3）。

3　Matlab仿真與分析

3.1數據處理

為驗證可拓神經網絡模型對火災預測的有效性和可靠性，利用Matlab軟件對其進行訓練和仿真。以國家標準實驗火和火災初期的實驗參數作為神經網絡的訓練樣本集。可拓神經網絡的輸入分別為環境溫度、煙霧濃度以及CO氣體濃度，期望輸出為三種火災危險等級：低、中、高。

由于網絡輸入的物理量各不相同，數量相差甚遠，所以，必須在網絡訓練前先將樣本數據進行歸一化處理，以防止小數值信息被大數值所淹沒，即將輸入信號歸一到［0，1］。取100組實驗數據，歸一化后作為網絡的訓練樣本。部分實驗數據如表1所示。

當火災概率（P=陰燃火概率+明火概率）大于0.7時，火災危險等級為高，即可判定為有火災發生；當火災概率小于0.3時，火災危險等級為低，即可判定為沒有火災發生。比較難于判定的是火災概率在0.5附近的火災信息，火災發生的早期，煙霧是很重要的信息。故引入煙霧持續時間函數d（n）作為火災發生的判定依據。

表1　火災數據學習樣本Tab 1　Learning sample of fire data

3.2網絡訓練

首先建立三種不同火災危險等級的物元模型，即火災危險等級分別為低（N1）、中（N2）、高（N3）的物元模型。其特征為三種輸入信號：溫度（c1）、煙霧濃度（c2）和CO濃度（c3），然后根據樣本數據確定物元節域的范圍，如表2。

表2　火災危險等級的物元模型Tab 2　Matter element model for fire hazard level

利用物元模型初始化網絡權值，然后按照上述算法進行網絡訓練，誤差收斂曲線如圖3所示。這里學習速率為0.1。

系統自動分配一定數據作為測試數據，測試精度曲線如圖4所示。

圖3　誤差收斂曲線圖Fig 3　Error convergence curve

3.3比較分析

為了驗證本文所提方法的優越性，將本文方法與文獻［12］中的方法進行對比。文獻［12］采用的是BP神經網絡方法。通過對比可知，可拓神經網絡模型和BP網絡模型均可以對火災進行有效預警，但是可拓神經網絡模型在網絡結構上、學習性能上、學習時間上均有較大的改善，如表3所示。在網絡結構上，BP網絡模型結構是三層，分別為輸入層、隱含層和輸出層，各層的神經元個數分別為3，8 和3，連接權值個數是72；而可拓神經網絡模型只有輸入層和輸出層兩層結構，連接權值個數是18個。在學習性能上，可拓神經網絡模型經過125步訓練學習誤差收斂到0.0051；BP神經網絡模型經過175步學習誤差收斂到0.0069。由此可見，基于可拓神經網絡的火災預警方法不僅滿足實際需要，而且性能得到了提高。

圖4　基于可拓神經網絡的測試精度曲線Fig 4　Test precision curve based on ENN

表3　實驗對比結果Tab 3　Experimental comparison results

4　結論

本文詳細描述了可拓神經網絡的網絡結構、算法過程以及運用該方法的實驗研究。通過實驗對比驗證了該方法的有效性和優越性。通過實驗比較可以看出：該方法模型具有設計簡單易行、結構簡單、收斂快、訓練誤差更小等優點，從而大大提高了火災預警系統的性能，為火災預警提供了一種新的方法和思路。

［1］王殊.可變窗信號趨勢算法及其應用于火災自動探測［J］.華中理工大學學報，1996，24（11）：49-51.

［2］王殊.火災自動探測的復合特定趨勢算法［J］.火災科學，1996，5（1）：8-13.

［3］何友，王國宏.多傳感器信息融合及應用［M］.北京：電子工業出版社，2000.

［4］湯正華，王殊.多傳感器多判據探測器在火災探測中的應用［J］.傳感器技術，2001，20（3）：33-38.

［5］Okymaa Y.A primitive study of a fire detection method controlled by artificial neural net［J］.Fire Safety Journal，1991，17（6）：535-553.

［6］楊宗凱，王殊，何建華.一種基于前饋神經網絡的火災探測方法［J］.華中理工大學學報，1997，25（2）：5-8.

［7］何建華，楊宗凱，王殊.基于模糊邏輯和神經網絡的智能火災探測［J］.華中理工大學學報，1997，25（2）：9-12.

［8］陳月.基于小波神經網絡的智能火災探測研究［D］.沈陽：東北大學，2008.

［9］周玉，錢旭，張俊彩，等.可拓神經網絡研究綜述［J］.計算機應用研究，2010，27（1）：1-5.

［10］孫佰清，邢愛國，張積賓.可拓神經網絡模型的設計與實現［J］.哈爾濱工業大學學報，2006，38（7）：1156-1159.

［11］Wang M H，Hong C P.Extension neural network［C］∥Proc of Int'l Joint Conf on Neural Networks，2003：399-403.

［12］周曉琳.基于神經網絡的多傳感器數據融合火災預警系統研究［D］.長春：長春理工大學，2012.

Fire detection algorithm based on extension neural network

YAN Hao，WANG Ti-chun，HU Xin-xin，XIE Yu-zhu
（College of Mechanical and Electrical Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China）

In order to solve problem of failing or false alarm in traditional single sensor type fire detector，multisensor information fusion technology is applied to fire early prediction，it combines temperature，smog concentration and CO concentration together and analyze comprehensively.Extension neural network is used as data fusion algorithm，input values are temperature，smog concentration and CO concentration，and output values are three kinds of fire warning level.Simulation analysis result shows that correct identification rate of fire is in a very high level，which reaches above 93.9%.At the same time，compared with traditional BP neural network，it shows that extension neural network has a prominent advantage in speed of data fusion and reliability，so it is possible to apply extension neural network to fire early prediction.

fire detection；multi-sensor information fusion；extension theory；extension neural network（ENN）

TP18

A

1000—9787（2016）06—0113—04

10.13873/J.1000—9787（2016）06—0113—04

2015—09—25

閆浩（1990-），男，山東棗莊人，碩士研究生，主要研究方向為計算機輔助設計。