模糊神经网络技术在火灾探测信号处理中的应用

开篇：润墨网以专业的文秘视角，为您筛选了一篇模糊神经网络技术在火灾探测信号处理中的应用范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：本文结合火灾探测信号的特点，提出一种将模糊神经网络应用于火灾探测报警系统的方法，实现模糊神经网络系统的自学习和自适应功能。依据模糊神经网络算法的要求，完成了网络结构的设计，并用BP算法对网络进行学习和训练。有效提高火灾报警的准确性，减少了火灾报警系统漏报率和误报率。

关键词：火灾探测；模糊控制；神经网络；BP算法

中图分类号：TP18文献标识码：A文章编号：1009-3044(2007)15-30707-02

Application of Fuzzy Neural Networks Technology in Fire Detection Signal Processing

WU Yuan-cui, TONG Guo-hua

(Anhui Agricultural University, Hefei 230036, China)

Abstract:Connecting the characteristic of fire detection signal,this paper proposes a method of fire detection signal processing based on an fuzzy neural network, and realizes the automatic adjusting of design parameter in fuzzy system.According to the request of fuzzy neural network algorithm,the design of network configuration is accomplished and calculating model correspondingly is given,then using reformative PBalgorithm completes the network learning and training.It increases the accuracy of fire alaming and reduces the misinformation and missing information rate of the system.And the testing is proceeded according to national standard test fire data,and the emulate result shows the algorithm is the waliding and feasibility.

Key words:fire detection; fuzzy system; neural network; BP algorithm

1 引言

火灾探测是以探测物质燃烧过程中产生的各种物理现象为依据，获取火灾发生初期的信息，并把这种信息转化为电信号进行处理，它是一种特殊类型的信号检测。火灾探测系统采集数据或信息时都不可避免地受到不确定因素的影响和干扰。发生火灾时，由于燃烧物质的不同，特别是燃烧环境的差异，对应燃烧过程产生的各种物理现象大不相同，探测器采集到的火灾的特征参数的数值也有很大的差异，这就需要系统应该能够根据环境变化的不同，自动调整运行参数以适应于不同的环境。模糊神经网络把神经网络和模糊控制系统结合为一个有机整体，不仅增强了神经网络处理信息的可理解性，同时还能自动生成模糊隶属函数，提高模糊控制的精度，使模糊系统具备了自适应特性，因此，用模糊神经网络进行火灾探测，使得在对多种火灾信号进行综合处理的同时，保证了探测系统的自适应特性，可以针对不同的应用环境进行现场学习，提高了火灾探测系统的智能化程度。

本文用多层人工神经网络（ANN）的学习与识别方法实现火灾探测。ANN是模拟人脑工作机制的一种模型，它由许多相同或相似的神经元通过广泛的连接构成的一种网状结构，并采用分布式并行处理的算法，对知识的处理采用的是并行处理方式，它允许同时处理大量的信息。另外，ANN能完成复杂的非线性映射，这是一中自适应的学习过程，使之表现出抽象的思维的能力，在某种程度上与人类大脑的思维机制有共同之处。通过训练学习将火灾各种特征参数的关系隐含在ANN中的神经元和连接权值中，系统可以自动地防线环境特征和规律性，具有近似人脑的功能。

2 模糊神经网络火灾探测的原理

2.1 系统模型

火灾探测包括接受输入信号，通过已知信息和经验的比较对输入信号进行处理，产生基于全部已知信息的输出。神经网络智能火灾探测系统由以下三个部分组成。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。

（1）传感器

在发生火灾是，传感器相当于人的视觉，温度传感器相当于人的触觉，气体传感器相当于人的嗅觉，将多种火灾参数探测因素合在一起组成复合式传感器，模仿人的感觉作用，使火灾探测系统智能化，但是这种符合式传感器要求太高，因此，目前大多数采用的是探测单一火灾参数的传感器。

（2）人工神经网络处理器

采用人工神经网络处理器使系统智能化时，有几种不同的方式：将神经元放在终端的各个传感器上；集中在报警控制器中；分散配置在终端传感器和控制器中。神经网络主要实现数据记忆、存储、比较、分析、统计处理，并作出是否发生火灾的判断。

（3）信息传输

如果将神经元集中在控制器中，则传感器的构造简化，尤其是由几种传感器传输信息判断火灾火情，就只能把神经元防在控制器中了。这种方式将与温度和烟浓度等环境条件成正比的传感器的模拟输出送到控制器，传感器上只设有信号转换部件及信号传输部件。

图1 模糊神经网络火灾探测系统框图

此系统有n个传感器测量值输入，各传感器测量的是温度、烟雾、光、CO等数据。这些数据经过预处理器后成为神经网络的输入。用选定的数据对神经网络的各权值进行训练，通过训练自动找出火灾参数与模式见的映射规律，并把这种规律隐含在神经网络的权值中，最后将结果输出。

2.2 BP算法原理

智能化处理是该系统的核心部分，当输入、输出关系无法用具体的函数表达式描述时，神经网络智能算法通过学习、训练、仿真，便可以模拟出输入与输出内在的联系，以达到智能报警的效果。

用于火灾探测神经网络模型有多种，这里我们采用目前广泛应用的BP算法。BP网络是一种多层前馈神经网络，可以实现从输入到输出的任意非线性映射。图2为BP网络的结构示意图。由输入层、中间层（又称隐含层）、输出层组成。在输入层加上输入样本，通过中间层进行变换，到达输出层完成一次动作。其每一层都包含若干个神经元，同一层中的神经元之间没有相互的联系，而信息只在层间传递。

图2 BP网络结构示意图

此结构示意图对各种不同输入变量种类、不同输入变量个数都适用。其原理为：首先将模糊规则和模糊隶属函数用神经网络表现出来，将函数参数赋予为神经网络的权值，生成的神经网络用于实现模糊推理；然后利用现场的训练样本数据通过误差反向传播算法训练神经网络，修改神经网络的权值即修改模糊隶属函数的参数，求得适合于此现场环境的精确的模糊规则；最后将从神经网络中提取修改后的模糊规则和模糊隶属函数保存作为此现场环境下的模糊推理之用。

第一层输入层为多种探测器的输入信号，由于输入结点物理量各不相同，数量值相差很大。通过模糊神经网络首先将输入量模糊化，使输入量均变换成值域在0～1范围内的数，这样可以防止小数值被淹没，也能防止因相差很大的数使网络校正进行缓慢。

第二层中间层的作用是计算个输入量属于各变量值模糊集合的模糊隶属函数，即被模糊化。可选取符合需要的一中参数的函数，通过训练样本调整权值，调整了该训练样本下的函数的参数，实现模糊变量函数的参数根据环境自动生成。

第三层输出层实现的是模糊量的清晰化、解模糊计算。按照已给出的模糊规则进行模糊运算，Wij可代表每条规则的适用度，通过即反映在不同的应用环境下，其属于火灾发生的各个等级的度的不同，通过算法修改它的值，使该网络适应不同的环境。

其中Y和 分别表示神经网络的期望输出和实际输出。误差函数的求取是一个反向传播递归过程，通过多个样本的反复训练，修改权值，最后达到满意的结果。

2.3 神经网络的训练及分析

训练模式的定义和学习对整个智能火灾探测系统具有至关重要的意义。在训练中，我们让输入为3个神经元，各自代表一个类型的传感器输入数据；输出层包括3个神经元。这是一种有监督的学习，学习的结果使输入与输出之间的关系或规模隐式地存储在网络的连接权值中。本试验中，输入节点数据分别为各传感器测得的温度、烟雾浓度和CO浓度；并将火灾的过程分为三个阶段：阴燃期、发展期、最盛期。选取6组数据进行训练，其结果如表1所示。

从试验的记过可以看出，神经网络系统的识别准确度很高，能得令人满意的结果，提高火灾报警的准确性，减少了火灾报警系统漏报率和误报率。

表1 神经网络火灾探测系统对火灾参数的训练结果

3 结论

本文采用模糊神经网络实现火灾信号的探测处理，将模糊规则用神经网络表现出来，利用神经网络的自学习和自适应个性实现模糊规则的自动提取。并通过实验，得出令人满意的结果。由此提出模糊神经网络用于火灾探测的可行性，此结构可普遍适用于多种网络输入变量的情况。其结构和思想在实践和应用中将得到进一步的研究和检验。但是，该系统对训练数据有一定的要求，不同的训练数据会得到不同精度的结果。因此，在对系统的研究过程中，模糊规则的确定和训练样本数据的选择是非常重要的，它们的选取要能充分体现火灾发生时各种现象的真实情况。

参考文献：

[1] 蔡自兴. 智能控制(第2版)[M]. 电子工业出版社，2004:176-299.

[2] 吴龙标，邓超. 火灾探测的人工神经网络方法[J]. 人类工效学,1997,3(2):39-41.

[3] 汤正华，王殊，陈涛. 多传感器/多判数据探测器在火灾探测中的应用[J]. 传感器技术，2001,20(3):33-38.

[4]Kong S G, Kosko B. Adaptive fuzzy systems for backing up a truckand-trailer[J]. IEEE Trans on Neural Networks,1992,3(2).

[5]D Alahakoon, S K Halgamuge. Dynamic self-organizing maps with controlled growth for knowledge discovery[J]. IEEE Trans on Neural Networks,2000,11(3).

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。