CN103325205B - 基于径向基神经网络的室内火灾预测方法及系统 - Google Patents

Abstract

本发明涉及一种基于径向基神经网络的室内火灾预测方法及系统，其包括如下步骤：a、建立室内火灾发生概率预估模型，所述建立的室内火灾发生概率预估模型位于上位机内；b、在室内设置所需的监控节点，所述监控节点实时采集室内环境参数，并将所述采集的室内环境参数传输到上位机内；c、上位机将接收的室内环境参数输入室内火灾发生概率预估模型内，以获得当前室内环境时对应的火灾概率值；d、当上位机通过室内火灾发生概率预估模型得到对应的室内环境判断为明火或阴燃火时，上位机向监控节点传输报警信息，以通过监控节点进行报警提示。本发明能够及时发现室内火灾隐患，实时性好，可靠性高，稳定性强。

Description

基于径向基神经网络的室内火灾预测方法及系统

技术领域

本发明涉及一种室内火灾预测方法及系统，尤其是一种基于径向基神经网络的室内火灾预测方法及系统，属于室内火灾预测的技术领域。

背景技术

随着社会的发展，人们生活水平的提高，商厦，酒店，宾馆等购物娱乐场所的人员密度也随之增加，这些场所往往因为火灾因素复杂，可燃物质多，财产分布密集，火灾时疏散困难，一旦发生火灾，造成的人员伤亡和财产损失将会更大。近年来，不断发生的大大小小的火灾暴露出多种室内火灾安全隐患，更加为人们敲响了警钟。

现有选择神经网络建立的数据融合处理模型，较多的是运用BP网络，但是BP（BackPropagation）网络采用负梯度下降法来调节权值，存在局部最优问题，收敛速度慢、训练时间长。RBF（RadicalBasisFunction）神经网络是一种三层的前向神经网络，相对结构简单，对非线性连续函数具有一致逼近性，学习速度快，可以进行大范围的数据融合，高速的处理数据。但RBF网络对隐含层中心节点的选取较困难，中心节点的选择对网络的性能有较大的影响。

现有的室内火灾监控系统，大多采用有线的方式连接，随着使用年限的增加，线缆极易老化、腐蚀，且不易进行维修、更换，而且如果火灾烧断电缆，则传感器或者监控设备不能与控制器通信，及时报警。单一的火灾传感器误报和漏报率高，且不能及时的检测到火灾初期环境参数的变化，利用多种传感器检测火灾发生时的温度、火焰、烟雾、气体等特征，并对这些特征加以分析、综合以完成所需的决策而进行数据融合处理，从而克服了单传感器检测的局限性，有效的提高了可靠性。如果不能准确的定位，由于室内的区域结构复杂，昏迷的被困人员不能发出声音求救或者儿童躲进不易被发现的狭窄空间，进而导致消防人员不能快速有效地抢救被困人员。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种基于径向基神经网络的室内火灾预测方法及系统，其能够及时发现室内火灾隐患，实时性好，可靠性高，稳定性强。

按照本发明提供的技术方案，一种基于径向基神经网络的室内火灾预测方法，所述室内火灾预测方法包括如下步骤：

a、建立室内火灾发生概率预估模型，所述建立的室内火灾发生概率预估模型位于上位机内；

b、在室内设置所需的监控节点，所述监控节点实时采集室内环境参数，并将所述采集的室内环境参数传输到上位机内；

c、上位机将接收的室内环境参数输入室内火灾发生概率预估模型内，以获得当前室内环境时对应的火灾概率值；

d、当上位机通过室内火灾发生概率预估模型得到对应的室内环境判断为明火或阴燃火时，上位机向监控节点传输报警信息，以通过监控节点进行报警提示。

所述步骤a中，利用径向基神经网络建立室内火灾发生概率预估模型，且径向基神经网络的中心节点及基函数宽度采用近邻传播(AP)聚类方法得到。

所述步骤a包括如下步骤：

a1、根据中国标准实验火SH1-SH4实验规则，分别采集标准无火、标准明火以及标准阴燃火条件下的室内环境参数，得到若干组室内环境数据，以作为室内火灾发生概率预估模型的建模数据样本；

a2、上位机对上述建模数据样本进行归一化处理，并去除奇异样本点，得到建模数据组；

a3、采用Kullback-Leibler方法对建模数据组内第i组数据组与第k组数据组之间的散度

$\mathrm{KL}(i,k)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{P}_i*\log \frac{P_i}{P_k}+\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{P}_k*\log \frac{P_k}{P_i};$

其中，KL(i,k)为散度值，P_i和P_k分别为第i组和第k组样本，m表示建模数据组中数据组的数量；

a4、计算建模数据组中第i组数据组与第k组数据组之间的相似度s(i,k)=1-KL(i,k)，利用Kurtosis估计计算建模数据组中第k组数据组的自相似度其中，kurt(P_k)=E{P_k ⁴}-3(E{P_k ²})²，θ是一个控制类代表点数目的常数值，表示元素与元素之间的乘积，E为期望；

a5、计算建模数据组中第k组数据组作为第i组数据组的类代表点的符合程度以及第i组数据组选择第k组数据组作为类代表点的符合程度 $a(i,k)=\min \{0,r(k,k)+\underset{i^{\′}s.t.i^{\′}\∈\{i,k\}}{\mathrm{\Σ}}\max \{0,r(i^{\′},k)\left\}\right\},$ $a(k,k)=\underset{i^{\′}s.t.i^{\′}}{\mathrm{\Σ}}\max \{0,r(i^{\′},k)\};$

其中，利用 $r(i,k)=(1-\mathrm{\λ})\×\{s(i,k)-\underset{k^{\′}s.t.k^{\′}\≠k}{\max }\{a(i,k^{\′})+s(i,k^{\′})\left\}\right\}+\mathrm{\λ}\×r(i,k),$ 更新r(i,k)，λ为可调的阻尼因子；

利用 $a(i,k)=(1-\mathrm{\λ})\×\left\{\min \right\{0,r(k,k)+\underset{i^{\′}s.t.i^{\′}\∈\{i,k\}}{\mathrm{\Σ}}\max \{0,r(i^{\′},k)\}\left\}\right\}+\mathrm{\λ}\×a(i,k),$ 更新a(i,k)，利用 $a(k,k)=(1-\mathrm{\λ})\×\left\{\underset{i^{\′}s.t.i^{\′}}{\mathrm{\Σ}}\max \right\{0,r(i^{\′},k)\left\}\right\}+\mathrm{\λ}\×a(i,k),$ 更新a(k,k)，其中，i′,k′为满足下标约束条件的变量；

a6、计算决策矩阵D=r(i,k)+a(i,k)，当决策矩阵D对角线上的数值D(z,z)大于0时，则决策矩阵D对角线上的元素D(z,z)即为类代表点，找出所有的类代表点c(i)=D(z,z)i=1,2,…,L，类代表点总数为L；

a7、计算中心节点间的最大距离

a8、计算径向基神经网络的隐含层节点的输出函数j=1,2,…,L，其中x是4维的输入向量，c_j为径向基网络第j个节点的中心矢量，σ_j为激活函数围绕中心点的宽度，d_max为中心节点间的最大距离，L为中心节点个数；

a9、计算输出层权值由其中Q为期望输出序列，H为隐含层输出序列，导出

a10、得到室内火灾发生概率预估模型δ=1,2,…,p，p是输出层节点数，为隐含层第t个基函数连接第δ个输出节点的权值。

所述步骤b中，监控节点包括参考节点及与所述参考节点连接的传感器模组、报警模块及图像采集模块，所述参考节点通过路由器与上位机连接。

所述参考节点与路由器间通过Zigbee无线方式连接，路由器通过协调器与上位机连接。

所述传感器模组包括火焰传感器、温度传感器、一氧化碳传感器及烟雾传感器。

所述上位机还与定位节点无线连接，定位节点能与监控节点无线连接，定位节点通过接收室内所有监控节点的RSSI值，以得到所述定位节点的位置，定位节点将对应的位置传送到上位机内，并通过上位机进行GIS显示输出。

一种基于径向基神经网络的室内火灾预测系统，包括设置在室内的若干监控节点及与所述监控节点无线连接的上位机，上位机内预设有室内火灾发生概率预估模型，监控节点采集室内对应监控区域的室内环境参数，并将所述室内环境参数传输到上位机内，上位机将接收的室内环境参数输入室内火灾发生概率预估模型内，以获得当前室内环境时对应的火灾概率值；当上位机通过室内火灾发生概率预估模型得到对应的室内环境判断为明火或阴燃火时，上位机向监控节点传输报警信息，以通过监控节点进行报警提示。

所述监控节点包括参考节点及与所述参考节点连接的传感器模组、报警模块及图像采集模块，所述参考节点通过路由器与上位机连接；所述参考节点与路由器间通过Zigbee无线方式连接，路由器通过协调器与上位机连接。

所述上位机实时显示输出监控节点对应监测区域的室内环境参数及对应的安全状态。

本发明的优点：采用近邻传播聚类算法对输入数据进行聚类，选出聚类中心作为隐含层的中心节点，以中心节点间的最大宽度作为神经网络的基函数宽度，解决了径向基神经网络隐含层中心节点和基函数宽度的选取问题，收敛时间短，训练精度高。同时通过传感器模组采集环境参数，避免了由于单个传感器损坏或者火灾初期环境参数变化较小造成的误报和漏报，并能准确的判断出明火和阴燃火。图像采集模块通过参考节点及路由器与上位机无线连接，避免了布线维修问题，也解决了视频监控消耗大量电能和计算机存储空间的问题。无线定位功能实现了移动节点的实时跟踪，使消防人员能快速准确的找到每个受困人员并带离现场，能够及时的发现火灾隐患，可靠性高，实时性好，能够准确定位，实现远程控制，自诊断和自修复能力强。

附图说明

图1为本发明的结构框图。

图2为本发明的工作流程图。

附图标记说明：1-上位机、2-协调器、3-路由器、4-监控节点、5-定位节点、6-参考节点、7-传感器模组、8-报警模块及9-图像采集模块。

具体实施方式

下面结合具体附图和实施例对本发明作进一步说明。

如图1和图2所示：为了能够实现对室内火灾隐患的实时检测，本发明基于径向基神经网络的室内火灾预测方法包括如下步骤：

a、建立室内火灾发生概率预估模型，所述建立的室内火灾发生概率预估模型位于上位机1内；

具体地，本发明实施例中利用径向基神经网络建立室内火灾发生概率预估模型，且径向基神经网络的中心节点及基函数宽度采用近邻传播聚类方法得到。

所述采用径向基神经网络建立室内火灾发生概率预估模型包括如下步骤：

a1、根据中国标准实验火SH1-SH4实验规则，分别采集标准无火、标准明火以及标准阴燃火条件下的室内环境参数，得到若干组室内环境数据，以作为室内火灾发生概率预估模型的建模数据样本；

所述中国标准实验火SH1-SH4实验规则规定了标准无火、标准明火以及标准阴燃火条件下各自对应的标准室内环境参数，所述室内环境参数包括火焰温度、室内温度值、一氧化碳浓度值以及烟雾浓度值；本发明实施例中，可以通过相应的传感器来采集标准无火、标准明火以及标准阴燃火条件下的室内环境参数，得到若干组室内环境参数。本发明实施例中，采集300组室内环境数据作为室内火灾发生概率预估模型的建模数据样本，每组室内环境数据包括上述的火焰温度、室内温度值、一氧化碳浓度值及烟雾浓度值。

a2、上位机1对上述建模数据样本进行归一化处理，并去除奇异样本点，得到建模数据组；

本发明实施例中，对建模数据样本进行归一化处理，以减小数据误差对建模的影响，建模数据组的数据数量与建模数据样本一致，即本发明实施例中，有300组建模数据组，只是建模数据组内的数据进行了归一化处理；对建模数据样本进行归一化处理及去除奇异样本点为本技术领域常规的技术操作，此处不再详述。

a3、采用Kullback-Leibler方法对建模数据组内第i组数据组与第k组数据组之间的散度

$\mathrm{KL}(i,k)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{P}_i*\log \frac{P_i}{P_k}+\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{P}_k*\log \frac{P_k}{P_i};$

其中，KL(i,k)为散度值，P_i和P_k分别为第i组和第k组样本，m表示建模数据组中数据组的数量；本发明实施例中，m=300。

a4、计算建模数据组中第i组数据组与第k组数据组之间的相似度s(i,k)=1-KL(i,k)，利用Kurtosis估计计算建模数据组中第k组数据组的自相似度其中，kurt(P_k)=E{P_k ⁴}-3(E{P_k ²})²，θ是一个控制类代表点数目的常数值，表示元素与元素之间的乘积，E为期望；

a5、计算建模数据组中第k组数据组作为第i组数据组的类代表点的符合程度以及第i组数据组选择第k组数据组作为类代表点的符合程度 $a(i,k)=\min \{0,r(k,k)+\underset{i^{\′}s.t.i^{\′}\∈\{i,k\}}{\mathrm{\Σ}}\max \{0,r(i^{\′},k)\left\}\right\},$ $a(k,k)=\underset{i^{\′}s.t.i^{\′}}{\mathrm{\Σ}}\max \{0,r(i^{\′},k)\};$

其中，利用 $r(i,k)=(1-\mathrm{\λ})\×\{s(i,k)-\underset{k^{\′}s.t.k^{\′}\≠k}{\max }\{a(i,k^{\′})+s(i,k^{\′})\left\}\right\}+\mathrm{\λ}\×r(i,k),$ 更新r(i,k)，λ为可调的阻尼因子；

利用 $a(i,k)=(1-\mathrm{\λ})\×\left\{\min \right\{0,r(k,k)+\underset{i^{\′}s.t.i^{\′}\∈\{i,k\}}{\mathrm{\Σ}}\max \{0,r(i^{\′},k)\}\left\}\right\}+\mathrm{\λ}\×a(i,k),$ 更新a(i,k)，利用 $a(k,k)=(1-\mathrm{\λ})\×\left\{\underset{i^{\′}s.t.i^{\′}}{\mathrm{\Σ}}\max \right\{0,r(i^{\′},k)\left\}\right\}+\mathrm{\λ}\×a(i,k),$ 更新a(k,k)，其中，i′,k′为满足下标约束条件的变量；

a6、计算决策矩阵D=r(i,k)+a(i,k)，当决策矩阵D对角线上的数值D(z,z)大于0时，则决策矩阵D对角线上的元素D(z,z)即为类代表点，找出所有的类代表点c(i)=D(z,z)i=1,2,…,L，类代表点总数为L；

a7、计算中心节点间的最大距离

a8、计算径向基神经网络的隐含层节点的输出函数j=1,2,…,L，其中x是4维的输入向量，c_j为径向基网络第j个节点的中心矢量，σ_j为激活函数围绕中心点的宽度，d_max为中心节点间的最大距离，L为中心节点个数；

a9、计算输出层权值由其中Q为期望输出序列，H为隐含层输出序列，导出

a10、得到室内火灾发生概率预估模型δ=1,2,…,p，p是输出层节点数，为隐含层第t个基函数连接第δ个输出节点的权值。

b、在室内设置所需的监控节点4，所述监控节点4实时采集室内环境参数，并将所述采集的室内环境参数传输到上位机1内；

本发明实施例中，在需要进行室内火灾监控的位置设置监控节点4，图1中示出了安装六个监控节点4的示意图。监控节点4包括参考节点6及与所述参考节点6连接的传感器模组7、报警模块8及图像采集模块9，所述参考节点6通过路由器3与上位机1连接。所述传感器模组7包括火焰传感器、温度传感器、一氧化碳传感器及烟雾传感器。

所述参考节点6与路由器3间通过Zigbee无线方式连接，路由器3通过协调器2与上位机1连接。

具体地，通过传感器模组7来采集室内监控区域对应的火焰温度、温度值、一氧化碳浓度值及烟雾浓度值的室内环境参数，参考节点6将传感器模组7采集的室内环境参数传输到上位机1内；为了能够减小监控节点4的布线问题，监控节点4与上位机1间通过路由器3、协调器2与上位机1连接，监控节点4的参考节点6与路由器3采用Zigbee无线方式连接。

c、上位机1将接收的室内环境参数输入室内火灾发生概率预估模型内，以获得当前室内环境时对应的火灾概率值；

上位机1根据所述火灾概率值判断是否发生明火、阴燃火或无火。

d、当上位机1通过室内火灾发生概率预估模型得到对应的室内环境判断为明火或阴燃火时，上位机1向监控节点4传输报警信息，以通过监控节点4进行报警提示。

监控节点4内包括报警模块8，所述报警模块8可以采用蜂鸣器、声光报警等结构。

如图1所示：上述室内火灾预测方法可以通过下述室内火灾预测系统实现，所述室内火灾预测系统包括设置在室内的若干监控节点4及与所述监控节点4无线连接的上位机1，上位机1内预设有室内火灾发生概率预估模型，监控节点4采集室内对应监控区域的室内环境参数，并将所述室内环境参数传输到上位机1内，上位机1将接收的室内环境参数输入室内火灾发生概率预估模型内，以获得当前室内环境时对应的火灾概率值；当上位机1通过室内火灾发生概率预估模型得到对应的室内环境判断为明火或阴燃火时，上位机1向监控节点4传输报警信息，以通过监控节点4进行报警提示。

所述监控节点4包括参考节点6及与所述参考节点6连接的传感器模组7、报警模块8及图像采集模块9，所述参考节点6通过路由器3与上位机1连接；所述参考节点6与路由器3间通过Zigbee无线方式连接，路由器3通过协调器2与上位机1连接。

所述上位机1实时显示输出监控节点4对应监测区域的室内环境参数及对应的安全状态。

所述上位机1还与定位节点5无线连接，定位节点5能与监控节点4无线连接，定位节点5通过接收室内所有监控节点4的RSSI值，以得到所述定位节点5的位置，定位节点5将对应的位置传送到上位机1内，并通过上位机1进行GIS（GeographicInformationSystem）显示输出。

具体地，所述协调器2、路由器3、参考节点6、定位节点5采用ZigBee无线网络协议进行通信，通信频段为2.4GHZ，协调器2、路由器3和参考节点6的处理器采用TI公司设计的CC2430芯片，定位节点5的处理器采用TI公司设计的CC2431射频芯片。

所述参考节点6是安置在监控区域内已知的静态节点，其坐标位置是固定的。所述传感器模组7与参考节点6相连，定时采集监测区域内的环境参数，其中，火焰传感器采用远红外火焰传感器、温度传感器采用型号为DS18B20的传感器、一氧化碳传感器采用型号为MQ-7的传感器和烟雾传感器采用型号为MQ-2的传感器。

所述报警模块8与参考节点6相连，接收上位机1指令发出声音报警。所述图像采集模块9与参考节点6相连，图像采集模块6包括CMOS图像传感器MT9V011、数字图像处理芯片VC0706。

所述定位节点5是监测区域内的移动节点，定位节点5通过接收定位区域内所有参考节点6的RSSI（ReceivedSignalStrengthIndication）值后，经过定位算法计算得到自身的坐标值。定位节点5也可以与图像采集模块9相连，实现移动节点的实时跟踪监控。

所述上位机1与协调器2通过串口通信，上位机1包括数据处理模块和图形用户界面，数据处理模块建立室内火灾发生概率预估模型，并定时将室内环境参数输入预估模型，获得室内发生火灾的概率值，图形用户界面实时显示各监测区域内的环境参数和环境安全状况，形成GIS输出。所述图形用户界面还可以有图像监控功能，显示各监测区域内的现场图像。所述图形用户界面还可以有数据库记录与查询功能。所述图形用户界面还可以有地图，对定位节点5进行跟踪监控。

本发明采用近邻传播聚类算法对输入数据进行聚类，选出聚类中心作为隐含层的中心节点，以中心节点间的最大宽度作为神经网络的基函数宽度，解决了径向基神经网络隐含层中心节点和基函数宽度的选取问题，收敛时间短，训练精度高。同时通过传感器模组7采集环境参数，避免了由于单个传感器损坏或者火灾初期环境参数变化较小造成的误报和漏报，并能准确的判断出明火和阴燃火。图像采集模块9通过参考节点6及路由器3与上位机1无线连接，避免了布线维修问题，也解决了视频监控消耗大量电能和计算机存储空间的问题。无线定位功能实现了移动节点的实时跟踪，使消防人员能快速准确的找到每个受困人员并带离现场，能够及时的发现火灾隐患，可靠性高，实时性好，能够准确定位，实现远程控制，自诊断和自修复能力强。

Claims (5)

1.一种基于径向基神经网络的室内火灾预测方法，其特征是，所述室内火灾预测方法包括如下步骤：

(a)、建立室内火灾发生概率预估模型，所述建立的室内火灾发生概率预估模型位于上位机(1)内；

(b)、在室内设置所需的监控节点(4)，所述监控节点(4)实时采集室内环境参数，并将所述采集的室内环境参数传输到上位机(1)内；

(c)、上位机(1)将接收的室内环境参数输入室内火灾发生概率预估模型内，以获得当前室内环境时对应的火灾概率值；

(d)、当上位机(1)通过室内火灾发生概率预估模型得到对应的室内环境判断为明火或阴燃火时，上位机(1)向监控节点(4)传输报警信息，以通过监控节点(4)进行报警提示；

所述步骤(a)中，利用径向基神经网络建立室内火灾发生概率预估模型，且径向基神经网络的中心节点及基函数宽度采用近邻传播聚类方法得到；

所述步骤(a)包括如下步骤：

(a1)、根据中国标准实验火SH1-SH4实验规则，分别采集标准无火、标准明火以及标准阴燃火条件下的室内环境参数，得到若干组室内环境数据，以作为室内火灾发生概率预估模型的建模数据样本；

(a2)、上位机(1)对上述建模数据样本进行归一化处理，并去除奇异样本点，得到建模数据组；

(a3)、采用Kullback-Leibler方法对建模数据组内第i组数据组与第k组数据组之间的散度

$\mathrm{KL}(i,k)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{P}_i*\log \frac{P_i}{P_k}+\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{P}_k*\log \frac{p_k}{P_i};$

其中，KL(i,k)为散度值，P_i和P_k分别为第i组和第k组样本，m表示建模数据组中数据组的数量；

(a4)、计算建模数据组中第i组数据组与第k组数据组之间的相似度s(i,k)＝1-KL(i,k)，利用Kurtosis估计计算建模数据组中第k组数据组的自相似度其中，kurt(P_k)＝E{P_k ⁴}-3(E{P_k ²})²，θ是一个控制类代表点数目的常数值，表示元素与元素之间的乘积，E为期望；

(a5)、计算建模数据组中第k组数据组作为第i组数据组的类代表点的符合程度以及第i组数据组选择第k组数据组作为类代表点的符合程度 $a(i,k)=\min \{0,r(k,k)+\underset{{\text{i}}^{\′}s.t.i^{\′}\∈\{i,k\}}{\mathrm{\Σ}}\max \{0,r(i^{\′},k)\left\}\right\},$ $a(k,k)=\underset{i^{\′}s,t.i^{\′}}{\mathrm{\Σ}}\max \{0,r(i^{\′},k)\};$

其中，利用 $r(i,k)=(1-\mathrm{\λ})\×\{s(i,k)-\underset{k^{\′}s.t.k^{\′}\≠k}{\max }\{a(i,k^{\′})+s(i,k^{\′})\left\}\right\}+\mathrm{\λ}\×r(i,k),$ 更新r(i,k)，λ为可调的阻尼因子；

利用 $a(i,k)=(1-\mathrm{\λ})\×\left\{\min \right\{0,r(k,k)+\underset{i^{\′}s.t.i^{\′}\∈\{i,k\}}{\mathrm{\Σ}}\max \{0,r(i^{\′},k)\}\left\}\right\}+\mathrm{\λ}\×a(i,k),$ 更新a(i,k)，利用 $a(k,k)=(1-\mathrm{\λ})\×\left\{\underset{i^{\′}s.t.i^{\′}}{\mathrm{\Σ}}\max \right\{0,r\left\}(i^{\′},k)\right\}+\mathrm{\λ}\×a(i,k),$ 更新a(k,k)，其中，i′,k′为满足下标约束条件的变量；

(a6)、计算决策矩阵D＝r(i,k)+a(i,k)，当决策矩阵D对角线上的数值D(z,z)大于0时，则决策矩阵D对角线上的元素D(z,z)即为类代表点，找出所有的类代表点c(i)＝D(z,z)i＝1,2,…,L，类代表点总数为L；

(a7)、计算中心节点间的最大距离

(a8)、计算径向基神经网络的隐含层节点的输出函数j＝1,2,…,L，其中x是4维的输入向量，c_j为径向基网络第j个节点的中心矢量，σ_j为激活函数围绕中心点的宽度，d_max为中心节点间的最大距离，L为中心节点个数；

(a9)、计算输出层权值由其中Q为期望输出序列，H为隐含层输出序列，导出

(a10)、得到室内火灾发生概率预估模型δ＝1,2,…,p，p是输出层节点数，为隐含层第t个基函数连接第δ个输出节点的权值。

2.根据权利要求1所述的基于径向基神经网络的室内火灾预测方法，其特征是：所述步骤(b)中，监控节点(4)包括参考节点(6)及与所述参考节点(6)连接的传感器模组(7)、报警模块(8)及图像采集模块(9)，所述参考节点(6)通过路由器(3)与上位机(1)连接。

3.根据权利要求2所述的基于径向基神经网络的室内火灾预测方法，其特征是：所述参考节点(6)与路由器(3)间通过Zigbee无线方式连接，路由器(3)通过协调器(2)与上位机(1)连接。

4.根据权利要求2所述的基于径向基神经网络的室内火灾预测方法，其特征是：所述传感器模组(7)包括火焰传感器、温度传感器、一氧化碳传感器及烟雾传感器。

5.根据权利要求1所述的基于径向基神经网络的室内火灾预测方法，其特征是：所述上位机(1)还与定位节点(5)无线连接，定位节点(5)能与监控节点(4)无线连接，定位节点(5)通过接收室内所有监控节点(4)的RSSI值，以得到所述定位节点(5)的位置，定位节点(5)将对应的位置传送到上位机(1)内，并通过上位机(1)进行GIS显示输出。