基于神经网络算法火灾探测系统探究

《基于神经网络算法火灾探测系统探究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于神经网络算法火灾探测系统探究　　摘要：本文旨在利用人工神经网络，应用于火灾探测系统，提高系统检出率。对于多个传感器来说，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，能够大幅度的提高报警器的安全可靠性。关键词：神经网络算法火灾探测自动报警中图分类号：TP274文献标识码：A文章编号：1007-9416（2013）10-0130-02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

2、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。4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，进而使信号早期能够报警发，实现火灾的早期发现和

3、报警，能够大幅度的提高报警器的安全可靠性。1BP算法原理BP（BackPropagation）网络是一个多层次的前馈智能神经系统。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BP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CO三种参数作为网络的输入，如图2所示。第一步是将信号进行归一化处理，使其范围归一到[0—1]之间的数值；那么，温度归一化计算公式：T=（t-tmin）/（tmax-tmin）。其中T—归一化温度；t—温度实际值；tmin—样本集中温度最小值；tmax—温度最大值。其它参数与此相同。

4、其次，将BP网络的三个参数值数归一化处理输入，此时设置的网络层数为三层，三种变量为网络的输出层，他们分别为无火、阴燃火、明火可能性；由于网络三种变量的输出为隶属度函数值，因此，在网络的隐节点层（输入层节点到隐含层节点之间）神经元，那么采用正切sigmoid函数科作为传递函数：。网络输出为：。其中xj为输入，wij为输入节点与隐层节点间的网络权值，Til4为隐层节点与输出层之间的网络权值，b1和b2分别为阈值，Ol为输出。误差计算公式为：E=。其中t—期望输出。Ol—网络实际输出，E—平方和误差。利用标准的BP算法学习，尽量使探测的误差最小，可以通过修改W

5、ij（权值）和阈值b1，b2来实现。本文采用网络为三层前向，三个神经元的输入层系统，他们分别代表温度信号、烟雾信号和CO信号，三个神经元在输出层时候分别表示火灾各状态（无火、阴燃和明火）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，可以选取公式q=r+s+（1～10）来确定。2训练和测试方法对所有的测试样本数据进行一次正向运行，并进行一次反向传播修改权值称为训练（也称为学习），需要反复的进行计算训练一直到获取合适的结果，正常来说，一个过程需要成百上千次的网络训练。实施过程，确保权值大小一定，用一组独立数据进行的网络输入，网络进行正向处理一次为测

6、试。本文用采用的工具为Matlab神经网络箱，让其对数据样本集进行正常训练，图3为训练程序的流程。4本实验中，温度值、CO浓度、烟雾浓度分别为输入信号；从无火到产生阴燃和明火为输入范围的三种状态。在网络训练以前，首先根据经验设定好参数，最大程度争取输出的无火、阴燃和明火三种状态产生的概率，就是实际得出的概率。那么，依据设定的参数进行网络训练，其训练结果如表1所示：最终通过实验确定隐层神经元个数为7，将神经网络训练达到最佳状态，代入测试样本进行仿真，如表2。3结语基于BP神经网络的训练准确度较高达到了10-2，大大提高多传感器的火灾报警系统智能化程度。使用

7、这种特殊的方法对火灾信号进行探测处理，能够加强探测器的灵敏度，又可以实现误报率的降低，并且抗干扰能力提高，从而很大程度上提高了火灾探测系统的安全性和可靠性，能够有效的降低火灾发生的概率。参考文献[1]王殊，窦征.火灾探测及其信号处理[M].武汉：华中理工大学出版社，1999.[2]尚峰，蒋国平.应用BP网络构造复合型智能火灾探测器[J].自动化仪表，2003（3）：39-41.[3]王芳，张敏.复合式智能火灾探测器设计[J].航空精密制造技术，2003（6）：41-43.4