基于信息融合和模糊神經(jīng)網(wǎng)絡(luò)的火災(zāi)檢測(cè)系統(tǒng)

崔莉　姜濱

摘要：火災(zāi)信號(hào)具有不穩(wěn)定性和易受干擾的特點(diǎn)，如果僅使用傳統(tǒng)的單一傳感器對(duì)火災(zāi)某一項(xiàng)特征信號(hào)進(jìn)行檢測(cè)，將會(huì)出現(xiàn)較高的誤報(bào)率，并且傳統(tǒng)火災(zāi)檢測(cè)系統(tǒng)抗干擾性差，不能適應(yīng)環(huán)境變化。本文提出了一種基于信息融合和模糊神經(jīng)網(wǎng)絡(luò)的智能火災(zāi)檢測(cè)系統(tǒng)。

關(guān)鍵詞：信息融合;模糊神經(jīng)網(wǎng)絡(luò);火災(zāi)檢測(cè)

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）06-0127-02

0 引言

隨著城市智能建筑領(lǐng)域的密集性發(fā)展，不僅增大了火災(zāi)發(fā)生的隱患，更對(duì)火災(zāi)檢測(cè)系統(tǒng)提出了前所未有的高要求[1]。由于火災(zāi)信號(hào)具有不穩(wěn)定性和易受干擾的特點(diǎn)，如果僅使用傳統(tǒng)的單一傳感器對(duì)火災(zāi)某一項(xiàng)特征信號(hào)進(jìn)行檢測(cè)，將會(huì)出現(xiàn)較高的誤報(bào)率，并且傳統(tǒng)火災(zāi)檢測(cè)系統(tǒng)抗干擾性差，不能適應(yīng)環(huán)境變化[2-3]。因此，研究智能化的新型火災(zāi)檢測(cè)系統(tǒng)已經(jīng)成為必然發(fā)展趨勢(shì)。在分析傳統(tǒng)火災(zāi)檢測(cè)系統(tǒng)缺陷的基礎(chǔ)上，本文重點(diǎn)研究了多源信息融合理論、模糊控制理論以及人工神經(jīng)網(wǎng)絡(luò)理論，設(shè)計(jì)了一種基于信息融合和模糊神經(jīng)網(wǎng)絡(luò)的智能火災(zāi)檢測(cè)系統(tǒng)。

1 智能火災(zāi)檢測(cè)系統(tǒng)的整體結(jié)構(gòu)

本文基于多源信息融合理論，構(gòu)建火災(zāi)檢測(cè)系統(tǒng)的三層融合結(jié)構(gòu)體系，實(shí)現(xiàn)火災(zāi)信息多角度和多層次的綜合監(jiān)測(cè)，有效克服了單一特征信號(hào)檢測(cè)的局限性。利用神經(jīng)網(wǎng)絡(luò)理論模仿人腦的拓?fù)湫问剑瑢?duì)火災(zāi)數(shù)據(jù)信息進(jìn)行研究和分析;利用模糊邏輯推理方法提升數(shù)據(jù)信息操作的快速性和有效性。本文的智能火災(zāi)檢測(cè)系統(tǒng)的整體結(jié)構(gòu)如圖1所示。

本系統(tǒng)是基于多源信息融合的三層體系架構(gòu)構(gòu)建而成，實(shí)現(xiàn)火災(zāi)檢測(cè)系統(tǒng)的多特征參量檢測(cè)。本系統(tǒng)通過被監(jiān)測(cè)區(qū)域中的多個(gè)CO氣體傳感器、煙霧傳感器以及溫度傳感器分別進(jìn)行檢測(cè)，并將檢測(cè)得到的信號(hào)一起送入到信息層中進(jìn)行融合處理。在信息融合層中，火災(zāi)檢測(cè)系統(tǒng)的3種特征信號(hào)首先要經(jīng)過一系列的預(yù)處理操作，分別是：限幅、濾波、去噪、放大、歸一化以及環(huán)境補(bǔ)償，實(shí)現(xiàn)對(duì)每種特征參量信號(hào)作出局部性決策。在特征融合層中，主要對(duì)將信息融合層輸入的3種特征信號(hào)進(jìn)行篩選和提取操作，然后送入人工神經(jīng)網(wǎng)絡(luò)中進(jìn)行處理。在決策融合層中，將根據(jù)系統(tǒng)特征融合層三個(gè)概率的處理結(jié)果，也就是針對(duì)當(dāng)前監(jiān)測(cè)環(huán)境中的明火概率、陰燃火概率以及無火概率，可能存在的模糊性信息進(jìn)行分析和處理。首先將上述火情信息送入模糊推理系統(tǒng)中，然后依據(jù)模糊邏輯推理規(guī)則表進(jìn)行分析和處理，最后得到火災(zāi)檢測(cè)系統(tǒng)對(duì)當(dāng)前監(jiān)測(cè)環(huán)境中是否發(fā)生火情的最終判斷結(jié)果。

2 仿真實(shí)驗(yàn)

本文選取實(shí)驗(yàn)區(qū)域的40組樣本數(shù)據(jù)進(jìn)行操作。每組樣本中都包含：CO氣體濃度、煙霧濃度、周圍環(huán)境溫度、無火災(zāi)概率、陰燃火災(zāi)概率以及明火概率。首先，利用20組樣本數(shù)據(jù)作為訓(xùn)練樣本，對(duì)模糊神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和建模;然后，用建立好的模型對(duì)20組樣本數(shù)據(jù)的火災(zāi)發(fā)生的情況進(jìn)行判斷，記錄樣本的實(shí)際輸出數(shù)據(jù)并與樣本的期望輸出數(shù)據(jù)進(jìn)行比較。訓(xùn)練樣本數(shù)據(jù)也就是信息層融合數(shù)據(jù)，期望輸出數(shù)據(jù)也就是特征層融合數(shù)據(jù)，火情信息是決策層融合數(shù)據(jù)，也就是最終的判斷結(jié)果。表1為系統(tǒng)期望輸出和實(shí)際輸出數(shù)據(jù)對(duì)比表。

從表1可知，系統(tǒng)實(shí)際輸出概率與期望輸出概率偏差很小，符合預(yù)期結(jié)果。通過該系統(tǒng)能夠?qū)崿F(xiàn)對(duì)火災(zāi)信號(hào)檢測(cè)的有效判斷。利用期望輸出數(shù)據(jù)得到的火情信息判斷結(jié)果與利用實(shí)際輸出數(shù)據(jù)得到的火情信息判斷結(jié)果相同，表明了該方法判斷火情信息的有效性和準(zhǔn)確性。

3 結(jié)語

本文基于多源信息融合理論，構(gòu)建火災(zāi)檢測(cè)系統(tǒng)的三層融合結(jié)構(gòu)體系，實(shí)現(xiàn)火災(zāi)信息多角度和多層次的綜合監(jiān)測(cè)，有效克服了單一特征信號(hào)檢測(cè)的局限性。利用神經(jīng)網(wǎng)絡(luò)理論模仿人腦的拓?fù)湫问剑瑢?duì)火災(zāi)數(shù)據(jù)信息進(jìn)行研究和分析;利用模糊邏輯推理方法提升數(shù)據(jù)信息操作的快速性和有效性。仿真實(shí)驗(yàn)結(jié)果表明，本文設(shè)計(jì)的智能火災(zāi)檢測(cè)系統(tǒng)有效提高了火災(zāi)信號(hào)檢測(cè)系統(tǒng)的穩(wěn)定性和準(zhǔn)確性，有效增強(qiáng)了火災(zāi)檢測(cè)系統(tǒng)的抗干擾性，降低了火災(zāi)信號(hào)檢測(cè)過程中的誤報(bào)率。

參考文獻(xiàn)

[1] 龔雪，張認(rèn)成，黃湘瑩，等.氣體火災(zāi)探測(cè)器的研究與發(fā)展[J].消防科學(xué)與技術(shù)，2006，24（6）：735-737.

[2] 王士迪，裴海龍.基于視頻圖像的火焰識(shí)別算法[J].現(xiàn)代電子技術(shù)，2011，34（2）：82-86.

[3] 陳濤，袁宏永，范維澄.火災(zāi)探測(cè)技術(shù)研究的展望[J].火災(zāi)科學(xué)，2004，2（10）：108-112.

The System of Fire Detection Based on Information Fusion and

Fuzzy Neural Network

CUI Li1，JIANG Bin2

（1.Harbin Cambridge University， Harbin Heilongjiang 150069;

2.Harbin Research Institute of Electrical Instrumentation Co.， Ltd.， Harbin Heilongjiang 150028）

Abstract：Due to the fire signal is unstable and vulnerable to interference， if only the traditional single sensor for the detection of a fire a characteristic signal， there will be a high false alarm rate and traditional fire detection system anti-interference is poor， which may not adapt to environmental changes. This paper designs a system of fire detection based on information fusion and fuzzy neural network.

Key words：information fusion;fuzzy neural network;fire detection