基于SVM的火災警報系統傳感器組合優化研究

朱江 徐夢瑤 李達 宋大成 高福海

摘要：為了提高對火災的監控，提高火災警報系統的靈敏性與可靠性，本文將溫度傳感器、煙霧傳感器、一氧化碳傳感器、二氧化碳傳感器和氧氣傳感器的數據進行處理轉換，作為SVM算法的輸入，利用SVM算法的分類泛化能力對火災進行精準的識別，最后求得最佳性能的探測器類型的組合。在國內尚未對各類常用傳感器的組合進行評估的情況下，本文全面而精準地測算了上述五類傳感器各種組合在實驗中的優劣，并且得出在精確度足夠高的情況下，成本最低最具性價比的傳感器組合為：溫度傳感器、煙霧傳感器和一氧化碳傳感器。

關鍵詞： 火災; 探測器; 組合; SVM

【Abstract】 In order to improve the monitoring of fire disaster and improve the sensitivity and reliability of fire alarm system， the data of temperature sensor， smoke sensor， carbon monoxide sensor， carbon dioxide sensor and oxygen sensor are processed and converted， which is used as input data of SVM algorithm. The classification generalization ability of the SVM algorithm accurately identifies the fire disaster， and obtains the combination of the detector types with the best performance based on the experimental results. This paper accurately measures the advantages and disadvantages of the various combinations of the above five types of sensors in the experiment， and finds that in the case of high accuracy， the lowest and most cost-effective sensor combination is： temperature sensor， smoke sensor and carbon monoxide sensor.

【Key words】 ?fire disaster; ?detector; ?combination; SVM

0 引 言

火災是人類生活中造成財產損失的嚴重事故之一，如何有效地監控火災并且及時地遏制火災的蔓延擴大是亟需人們正視并著重解決的根本性問題。目前，常見的火災警報系統存在以下的問題。一方面，現如今常見的單種火災探測傳感器只能感應和描述火災發展過程中的某一方面特定的信息，如氣體式火災報警器、溫感式火災報警器，因此會導致漏報、誤報率高等問題[1];另一方面，個別采用多傳感器的火災警報系統直接采用大量的原始數據沒有對火災進行總體評估，并且會產生大量的冗余信息造成信息過載。因此，在現有的多傳感器火災探測技術的基礎上，本文對于多傳感器的數量與種類的組合進行了重點的研究。

迄今為止，已有眾多學者對此進行了大量研究。王學貴[2]測試了3種神經網絡模型在多傳感器融合下火災探測的錯誤率、靈敏度等性能，結果表明PNN神經網絡有著較高的分類性能。楊娜娟等人[3]提出了一種基于支持向量機的圖像型火災探測算法， 結果表明支持向量機克服了神經網絡容易過學習、容易陷入局部極小點等不足， 支持向量機的圖像型火災探測算法識別準確率高，對于小樣本、高維數、非線性的分類問題效果顯著。張建化等人[4]將溫度傳感器、煙霧傳感器、二氧化碳傳感器和一氧化碳傳感器探測到的數據作為多分類SVM的輸入，結果表明SVM有很強的抗干擾能力，能夠精確地識別火災。孫福志等人[5]提出了一種基于粗糙集—支持向量機的識別算法，將各類傳感器數據精簡，除去冗余信息，利用SVM泛化和非線性逼近能力準確識別火災情況。結果表明該算法對火災識別精度高、速度快、抗擾性好、非線性能力強，且適用范圍廣。

以上文獻均證明了SVM算法在火災識別領域具有很高的實用價值，在該領域有著識別速度快、抗干擾性好的優點，針對火災識別這類小樣本、非線性問題效果顯著。

綜上可知，這些文獻均是以識別的精準性為目的，但在實際應用中各類傳感器組合的成本也是必須納入考量的，因此，本文的重點則旨在探究常用的幾類傳感器各種組合的優劣，并且在精確率足夠高的情況下按照成本將各類傳感器組合進行排序，在理論上完善這一領域的研究，最終在實際中準確測量出在精準率足夠高的情況下，其成本最低的傳感器組合。

支持向量機（Support Vector Machine，SVM）由于在解決小樣本、非線性、高維數及局部極小點等實際問題中表現出很多特有的優勢，因此本文采用SVM來處理多傳感器采集的信號[6]，通過選擇核函數，將各傳感器輸出的信息作為輸入，通過SVM進行火災信號處理識別，報警裝置根據SVM識別的結果來判斷是否啟動火災警報器和滅火裝置。

1 多傳感器火災警報系統設計

1.1 火災探測的信息分類及選擇

在火災過程中，燃燒物在燃燒過程中會產生眾多的燃燒物質，并且會伴隨著火、光以及溫度的升高。因此在火災探測中可以利用的火災信息很多，通常根據場所環境、結構以及預期火災的類型的不同選取合適的探測器[7]。對此擬做闡釋分述如下。

（1）氣態燃燒物。在火災時，物質的燃燒會大量地產生CO和CO2這兩種氣體，使得這兩種氣體的含量比在正常環境下高出許多。因此，可以利用這兩種氣體作為檢驗火災發生的參考，但在較為封閉的空間內，人類的呼吸也會導致CO2含量的升高。

（2）煙霧。火災過程中會產生許多固態高溫物體、也就是煙霧。其中，主要有未燃燒的雜質以及可燃物裂解而成的微粒物質。一般在火災的早期會產生大量煙霧，因此通常情況下，煙霧也可作為火災探測的重要參考。

（3）溫度。火災過程中，可燃物的燃燒會釋放大量的熱量，使得周圍環境溫度升高。特別在明火環境中，溫度會出現非常明顯的升高現象。

（4）熱輻射。火災中，可燃物的燃燒會產生火焰，火焰是反應的氣體及固體的混合物，會釋放可見光、紅外線、甚至是紫外線，其發射光譜依燃燒物質的化學成分及中間產物而定。

多傳感器火災探測的主要方面是火災探測的特征數量和特征類型的組合。目前，溫度、煙霧、氣體和圖像探測是最常用的火災探測探測特征。其中，圖像火災特征的探測受建筑結構的影響很大，例如房間結構和柱子的遮擋會給圖像探測造成困難;并且，成本和體積也是制約圖像探測的重要因素，因此，在復雜結構的建筑中，圖像探測的應用非常受限。

在探測器數量方面，隨著火災探測器種類的增加，探測系統經濟效益會極大地降低，當探測器種類超過6個，在實際情況中便會由于成本問題而不具備實用價值;然而如果探測器種類為2個，在實際生活中往往會出現一個探測器損壞或是發生零點漂移的問題，即2個探測器得出的結果出現矛盾，不能夠確定真實的現場情況[8];因此，本文將考慮傳感器由3～5種的組合狀況。

1.2 火災警報系統設計

火災探測器探測特征量的選擇關系到火災探測的靈敏性與抗干擾性，因此探測特征量的選擇至關重要。綜合考慮火災探測的靈敏度與實驗數據的可獲得性，本文選擇了火災發生的溫度、煙霧質量、CO濃度、CO2濃度及O2濃度作為火災警報系統同時測量的參數[9]。

基于SVM的多傳感器融合的火災警報系統模型如圖1所示。首先，多傳感器對環境實時監控，對環境中各個特征信息進行收集;然后，將收集的數據經過預處理與轉換，再進行歸一化，成為SVM能夠識別并直接處理的數據;最后，通過SVM的處理與判別對火災的是否發生得出預估的結果，終端的警報器再根據結果判斷是否發出警報。

2 SVM在火災警報中的應用

2.1 SVM的原理

SVM是一種在高維或無限維空間中構造超平面或超平面集合，以實現分類、回歸或其他問題的監督式學習模型。該模型可將高維空間的決策問題映射成低維空間的線性分類問題，并通過求解一個凸二次規劃問題實現類別間隔最大化，有泛化能力強和適用于小樣本分析的特點，是目前最常用且效果最好的分類器之一。

從試驗結果分析，溫度、煙霧、CO濃度、CO2濃度的組合與溫度、煙霧、CO濃度的組合正確率最高，測試組所有的樣本全部成功預測，獲得所有組合中的最佳性能。溫度、煙霧、CO濃度、CO2濃度及O2濃度的組合正確率為96%，可能因為3種氣體濃度的測量造成了數據上的冗余，在無火情狀態與陰燃狀態之間的分類情況稍有誤差。表2～表3中各類別組合中O2濃度的效果也表現得較為良好，可能是源于實驗的地點位于室內，最后煙霧、CO濃度、CO2濃度的組合正確率最低。

從總體結果看溫度、煙霧、CO濃度、CO2濃度的組合以及溫度、煙霧、CO濃度的組合所預測的正確率很高，因此若要達到較高的精準率，所選組合至少包含溫度、煙霧、CO濃度，同時從結果上也驗證了SVM算法的優異性，證明其具有較高的靈敏性，并且進一步證實了運用SVM進行火災監控的可行性。

本文以多傳感器融合作為基礎，以SVM算法為核心，探究五類傳感器的各種組合的優劣，并且在精準性為前提的情況下，測得以溫度傳感器、煙霧傳感器以及CO傳感器的組合具有最高的性價比，進一步完善了這一領域的研究。為各類傳感器的組合提供了性能以及性價比的參考，既保證了相當可靠的精確性與靈敏性，也考慮了實際使用中的成本問題。并且從側面也測算出各類傳感器的性能優劣，在較為封閉的場所中，氧氣傳感器具有相當好的性能。

4 結束語

火災探測是一種非結構問題，實際問題非常復雜，很難用數學模型去精確描述。本文通過對多種探測器的類型及數量的調整，發現溫度、煙霧、CO濃度、CO2濃度和溫度、煙霧、CO濃度組合具有比較優異的探測性能。基于這兩種組合的SVM算法具有很高的準確率，較其他的單一傳感器火災警報系統或是其他多傳感器火災警報系統有著更高的效率，能夠更為精準地判斷識別火情，提高火災系統的監控能力。分析后若從實際情況來看，在正確率得到保證的情況下，使用溫度、煙霧、CO濃度組合具有最高性價比。

參考文獻

[1] HALL D L， LLINAS J. An introduction multisensory data fusion[J]. Proceedings of The IEEE， 1997，85（1）：6.

[2]王學貴. 基于多傳感器信息融合的火災危險度分布確定系統研究[D]. 合肥：中國科學技術大學，2013.

[3]楊娜娟，王慧琴，馬宗方. 基于支持向量機的圖像型火災探測算法[J]. 計算機應用，2010，30（4）：1129.

[4]張建化，萬程，李萬里，等. 基于SVM的多傳感器火災報警系統[J]. 徐州工程學院學報（自然科學版），2012，27（3）：64.

[5]孫福志，于軍琪，楊柳. 火災識別中RS-SVM模型的應用[J].計算機工程與應用，2010，46（3）：198.

[6]趙云濤，王佳，周小平. 基于支持向量機的公共建筑火災風險評估[J]. 建筑科學，2015，31（3）：98.

[7]何南南. 多傳感器信息融合技術在火災探測中的應用[D]. 西安：長安大學，2012.

[8]李正周，方朝陽，顧園山，等. 基于無線多傳感器信息融合的火災檢測系統[J]. 數據采集與處理，2014，29（5）：694.

[9]TSAI C F， YOUNG M S. Measurement system using ultraviolet and multiband infrared technology for identifying fire behavior[J]. Review of Scientific Instruments， 2006，77（1）：014901.

[10]李侃，黃文雄，黃忠華. 基于支持向量機的多傳感器探測目標分類方法[J]. 浙江大學學報（工學版） ，2013，47（1）：15.

[11]BUKOWSKI R W， PEACOCK R D，AVERILL J D， et al. Performance of home smoke alarms analysis of the response of several available technologies in residential fire settings[R]. Gaithersburg， MD： NIST，2007.