CN104933841B - 一种基于自组织神经网络的火灾预测方法 - Google Patents
一种基于自组织神经网络的火灾预测方法 Download PDFInfo
- Publication number
- CN104933841B CN104933841B CN201510218608.6A CN201510218608A CN104933841B CN 104933841 B CN104933841 B CN 104933841B CN 201510218608 A CN201510218608 A CN 201510218608A CN 104933841 B CN104933841 B CN 104933841B
- Authority
- CN
- China
- Prior art keywords
- fire
- hidden layer
- neural network
- neuron
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Fire-Extinguishing By Fire Departments, And Fire-Extinguishing Equipment And Control Thereof (AREA)
Abstract
本发明公开了一种基于自组织神经网络的火灾预测方法,包括以下步骤:步骤1:在上位机内建立基于自组织神经网络的火灾发生概率预估模型;步骤2:在所设的监控点处安装传感器组,并采集环境参数,并将采集的实时数据通过路由器传输到上位机;步骤3:上位机将接收的数据输入到火灾发生概率预估模型中,获得当前环境下对应的火灾概率值,并判定是否存在火情;步骤4:将火情信息传输到联动控制器,驱动联动灭火装置,进而实现报警和自动灭火。本发明的一种基于自组织神经网络的火灾探测方法,采用隐含层节点增‑减法实现了网络结构的动态调整,能够及时发现火灾隐患,并加以控制,实时性好,可靠性高,稳定性强。
Description
技术领域
本发明属于火灾预警技术领域,具体涉及一种基于自组织神经网络的火灾预测方法。
背景技术
随着经济的不断发展,人们生活水平的提高,在商厦、酒店、宾馆、KTV等大型娱乐场所的人员流动是越来越大,如果一旦发生火灾,后果不堪设想。但目前火灾监控系统存在以下几点不足:①采用的传感器单一,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;②连接方式大多为有线连接,容易老化、腐蚀,不易维修和更换;③采用预测模型大多基于静态的网络,然而静态学习算法计算能力弱,实时性差,精度不高,不能满足非线性函数的,影响系统的整体性能;④大多出系统为单一的预警系统或控制系统,没有很好的实现预警和联动控制的结合,降低了对火灾的控制能力的控制水平。因此,对应的火灾预测方法也是存在诸多问题。
发明内容
本发明的目的在于:针对现有的火灾预测方法,提供一种基于自组织神经网络的火灾预测方法,能够及时发现火灾隐患,并加以控制,实时性好,可靠性高,稳定性强。
为了实现上述目的,本发明采用的技术方案为:
一种基于自组织神经网络的火灾预测方法,包括以下步骤:
步骤1:在上位机内建立基于自组织神经网络的火灾发生概率预估模型;
步骤2:在所设的监控点处安装传感器组,并采集环境参数,并将采集的实时数据通过路由器传输到上位机;
步骤3:上位机将接收的数据输入到火灾发生概率预估模型中,获得当前环境下对应的火灾概率值,并判定是否存在火情;
步骤4:将火情信息传输到联动控制器,驱动联动灭火装置,进而实现报警和自动灭火。
作为优选,步骤1中用神经网络自组织结构设计方法对火灾过程中的一氧化碳CO、烟雾指数、火焰指数、温度T数据进行建模,预测下一时刻火灾发生概率,其中,自组织结构设计方法为动态增删减法,具体步骤如下:
步骤11:采集标准无火、标准明火以及标准阴燃火条件下的监控点环境参数,获得若干组数据;
步骤12:对数据进行归一化处理,剔除异常数据,并利用主元分析法对数据进行标准化处理,获取建立模型的数据组;
步骤13:建立神经网络模型,初始结构为M-N-1,初始权值为随机值,其中,x1,x2,…,xM表示神经网络的输入,即温度T、CO、烟雾指数、火焰指数;yd表示神经网络的期望输出,即火灾概率值;共有k个训练样本,设第t个训练样本为x1(t),x2(t),…,xl(t),yd(t),则用第t个训练样本训练神经网络时,隐含层第j个神经元的输出表示为:
输出f,f为sigmoid函数,其形式为:
隐含层神经元输出和神经网络输出的关系为:
其中,为输出层权值,y为神经网络的实际输出;
定义误差函数为
步骤14:根据采集的实时数据,实现网络结构的动态调整;
步骤15:根据预测精度,对网络结构进行训练,计算评价误差EM:
其中,Et为神经网络训练至第t步时的误差,第一次的训练误差为E1p,为自适应训练步长:
其中,γ>1,ΔEmax=|E0p-E1p|;
步骤16:根据步骤105得到的训练步长对神经网络再次进行训练并跳转至步骤104,重复执行步骤104-106,直到满足误差要求,最后得到室内火灾生概率预估模:
作为进一步优选,步骤14中,网络结构的动态调整,计算隐含层神经元的全局显著性指数,利用动态增-减法实现网络结构的自组织,具体步骤如下:
步骤141:计算隐含层每个神经元的全局显著性指数OS,公式如下:
其中,OSj为隐含层第j个神经元的全局显著性指数;k为隐含层神经元个数;SIGj为隐含层第j个神经元的显著性指数,计算公式如下;
其中,M为输入层神经元个数;为神经网络训练终止时输入层第i个神经元与隐含层第j个神经元之间的连接权值;为神经网络训练初始时输入层第i个神经元与隐含层第j个神经元之间的连接权值;σj为隐含层第j个神经元输出的方差;
步骤142:网络结构的自组织,即隐含层神经元的增删减;
如果隐含层第j个神经元的全局显著性指数满足条件时,则增加H隐含层节点数,其中H=3或H=2;
其中,O1、O2为设定的增长阈值,增加的隐含层神经元的权值调整如下:
其中,表示新增隐含层神经元与输入层第i个神经元之间的连接权值;表示新增隐含层神经元与输出层神经元之间的连接权值;wij表示输入层第i个神经元和隐含层第j个神经元之间的权值;wj表示隐含层第j个神经元和输出层神经元之间的权值;am的选择服从均值为0,方差为1的高斯分布。
如果隐含层第j个神经元全局显著性较低,满足
OSj≤Re
则将第j个神经元删除,其中,Re为设定的删减阈值。
作为优选,利用无线连接完成监控节点采集的数据与上位机的连接,并利用训练好的模型实现数据的分析,并得到当前火灾发生率的预估值,判断室内环境情况,即明火、阴燃火。
作为优选,根据火灾判断情况,连接触动节点,实现对联动控制器的控制,并根据室内情况,启动联动灭火装置,完成火情的处理。
由于采用了上述技术方案,本发明的有益效果是:
本发明的一种基于自组织神经网络的火灾预测方法,采用多个传感器,利用传感器组实现环境参数的采集,减少了误报和漏报概率,提高了对明火、阴燃火的判断能力;采用无线路由实现出线的无线传输,避免了布线和维修难的问题,降低了计算机存储空间;采用隐含层节点增-减法现实了网络结构的动态调整,提高了对火灾信号的适应能力和实时处理能力,提高了数据的正确性;配合ARM联动控制系统,对发生的明火、阴燃火进行实时处理,并实现准确定位、GIS显示、报警和自动灭火,很好的实现了远程控制,提高了系统整体的可靠性和实时性。
附图说明
图1是本发明的神经网络结构框图。
图2是本发明的火灾预测系统结构框图。
图3是本发明的火灾预测方法流程图。
具体实施方式
参照图1-3,本发明的一种基于自组织神经网络的火灾预测方法,包括以下步骤:
步骤1:在上位机内基于自组织神经网络建立火灾发生概率预估模型;
步骤2:在所设的监控点处安装传感器组,并采集环境参数,并将采集的实时数据通过路由器传输到上位机;
步骤3:上位机将接收的数据输入到火灾发生概率预估模型中,获得当前环境下对应的火灾概率值,并判定是否存在火情;
步骤4:将火情信息传输到联动控制器,驱动联动灭火装置,进而实现报警和自动灭火。
具体地,步骤1中用神经网络自组织结构设计方法对火灾过程中的CO、烟雾指数、火焰指数、温度数据进行建模,预测下一时刻火灾发生概率,其中,自组织结构设计方法为动态增删减法,具体步骤如下:
步骤11:在标准实验室环境下,利用传感器分别采集标准无火、明火和阴燃火条件下CO、T、烟雾指数、火焰指数数据;
步骤12:利用数据归一化方法剔除异常数据,方法如下;
其中,i火灾过程中采集的样本组数,即环境参数的组数;j为该组样本中第j个环境指标,xij为第i组环境参数的第j个火灾参数指标,为第j个环境参数指标的均值,sjj为环境参数xj的标准差;
利用主元分析法对归一化数据后的数据进行标准化处理,归一化后的样本数据按列组成原始数据矩阵,得到数据矩阵x的协方差矩阵s,矩阵s的特征根依次排列为λ1≥λ2≥...λp≥0,与其对应的单位正交特征向量组成的矩阵(即负荷矩阵)为将矩阵x分解成主成分的分矩阵T,负荷矩阵L的外积加上残差项E,即
x=TLT+E=T1L1 T+T2L2 T+L TqLq T+E
若累计方差贡献率则认为该环境参数与火灾发生率相关性高,可作为模型建立的辅助变量。经过主元分析后,得到模型的输入变量。
步骤13:建立神经网络模型,初始结构为M-N-1,初始权值为随机值,其中,x1,x2,…,xM表示神经网络的输入,即温度T、一氧化碳CO、烟雾指数、火焰指数;yd表示神经网络的期望输出,即火灾概率值;共有k个训练样本,设第t个训练样本为x1(t),x2(t),…,xl(t),yd(t),则用第t个训练样本训练神经网络时,隐含层第j个神经元的输出表示为:
输出f,f为sigmoid函数,其形式为:
隐含层神经元输出和神经网络输出的关系为:
其中,为输出层权值,y为神经网络的实际输出;
定义误差函数为
步骤14:根据采集的实时数据,实现网络结构的动态调整;计算隐含层神经元的全局显著性指数,利用动态增-减法实现网络结构的自组织,具体步骤如下:
步骤141:计算隐含层每个神经元的全局显著性指数OS,公式如下:
其中,OSj为隐含层第j个神经元的全局显著性指数;k为隐含层神经元个数;SIGj为隐含层第j个神经元的显著性指数,计算公式如下;
其中,M为输入层神经元个数;为神经网络训练终止时输入层第i个神经元与隐含层第j个神经元之间的连接权值;为神经网络训练初始时输入层第i个神经元与隐含层第j个神经元之间的连接权值;σj为隐含层第j个神经元输出的方差;
步骤142:网络结构的自组织,即隐含层神经元的增删减;
如果隐含层第j个神经元的全局显著性指数满足条件时,则增加H隐含层节点数,其中H=3或H=2;
其中,O1、O2为设定的增长阈值,增加的隐含层神经元的权值调整如下:
其中,表示新增隐含层神经元与输入层第i个神经元之间的连接权值;表示新增隐含层神经元与输出层神经元之间的连接权值;wij表示输入层第i个神经元和隐含层第j个神经元之间的权值;wj表示隐含层第j个神经元和输出层神经元之间的权值;am的选择服从均值为0,方差为1的高斯分布。
如果隐含层第j个神经元全局显著性较低,满足
OSj≤Re
则将第j个神经元删除,其中,Re为设定的删减阈值。
步骤15:根据预测精度,对网络结构进行训练,计算评价误差EM:
其中,Et为神经网络训练至第t步时的误差,第一次的训练误差为E1p,为自适应训练步长:
其中,γ>1,ΔEmax=|E0p-E1p|;
步骤16:根据步骤105得到的训练步长对神经网络再次进行训练并跳转至步骤104,重复执行步骤104-106,直到满足误差要求,最后得到室内火灾生概率预估模:
利用无线连接b完成监控节点a采集的数据与上位机c的连接,并利用训练好的模型实现数据的分析,并得到当前火灾发生率的预估值,判断室内环境情况,即明火、阴燃火。根据火灾判断情况,连接触动节点d,实现对联动控制器的控制,并根据室内情况,启动联动灭火装置,完成火情的处理。具体过程如下:
(1)数据的采集、处理和传输,在中国标准实验火SH1-SH4实验规则下,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,并进行标准化处理,以作为室内火灾发生概率预估模型的建模数据样本,并利用Zigbee实现与上位机的无线连接;
(2)模型的建立和动态调整:在上位机内利用神经网络建立火灾发生率的预估模型,输入分别为温度T、一氧化碳CO、火焰指数和烟雾指数,输出为火灾发生率;模型的动态调整方法为神经网络结构增-减法,算法具体如下:
①创建一个初始结构为4-2-1的前馈神经网络,如图1,权值采用随机赋值的方法,初次训练算法为梯度下降法,训练样本为160组,预测样本为64组,初始训练步数ΔT选择1000;
②判断误差E是否满足终止条件,若满足则转步骤⑨;否则转向步骤③;
③计算隐含层每个神经元的全局显著性;
④判断显著性指数是否满足增长条件,如果满足则转向步骤⑤,并对增-删减时间间隔ΔT进行动态调整;否则转向步骤⑦;
⑤隐含层神经元对应增加,并调整节点的输入输出权值;
⑥对网络进行再次训练,并判断误差E是否满足终止条件,如果满足则转向步骤⑨;否则,转向步骤⑦;
⑦判断显著性指数是否满足删除条件,如果满足则转向步骤⑧;否则,转向步骤②;
⑧删除多余的隐含层节点,对应的权值置0;
⑨神经网络训练结束;
(3)判断当前室内环境的火灾发生率,若为明火或阴燃火,则转到步骤(4),如图3,否则在上位机进行显示正常;
(4)利用A/D转换器对火灾型号进行转换,输出数字信号,利用联动控制器将信号接入到ARM处理器中,实现火灾节点的定位和GIS的显示,启动报警装置。同时,利用ARM处理器将信息反馈到联动控制系统中,由联动控制器触动灭火装置。
Claims (4)
1.一种基于自组织神经网络的火灾预测方法,其特征在于,包括以下步骤:
步骤1:在上位机内建立基于自组织神经网络的火灾发生概率预估模型;
步骤2:在所设的监控点处安装传感器组,并采集环境参数,并将采集的实时数据通过路由器传输到上位机;
步骤3:上位机将接收的数据输入到火灾发生概率预估模型中,获得当前环境下对应的火灾概率值,并判定是否存在火情;
步骤4:将火情信息传输到联动控制器,驱动联动灭火装置,进而实现报警和自动灭火;
步骤1中用神经网络自组织结构设计方法对火灾过程中的一氧化碳CO、烟雾指数、火焰指数、温度T数据进行建模,预测下一时刻火灾发生概率,其中,自组织结构设计方法为动态增删减法,具体步骤如下:
步骤11:采集标准无火、标准明火以及标准阴燃火条件下的监控点环境参数,获得若干组数据;
步骤12:对数据进行归一化处理,剔除异常数据,并利用主元分析法对数据进行标准化处理,获取建立模型的数据组;
步骤13:建立神经网络模型,初始结构为M-N-1,初始权值为随机值,其中,x1,x2,…,xM表示神经网络的输入,即温度T、CO、烟雾指数、火焰指数;yd表示神经网络的期望输出,即火灾概率值;共有k个训练样本,设第t个训练样本为x1(t),x2(t),…,xl(t),yd(t),则用第t个训练样本训练神经网络时,隐含层第j个神经元的输出表示为:
输出f,f为sigmoid函数,其形式为:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>n</mi>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
隐含层神经元输出和神经网络输出的关系为:
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msubsup>
<mi>w</mi>
<mi>j</mi>
<mi>o</mi>
</msubsup>
<msub>
<mi>Z</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,为输出层权值,y为神经网络的实际输出;
定义误差函数为
<mrow>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>d</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>d</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
步骤14:根据采集的实时数据,实现网络结构的动态调整;
步骤15:根据预测精度,对网络结构进行训练,计算评价误差EM:
<mrow>
<msub>
<mi>E</mi>
<mi>M</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mo>&part;</mo>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mo>&part;</mo>
</munderover>
<msub>
<mi>E</mi>
<mi>t</mi>
</msub>
</mrow>
其中,Et为神经网络训练至第t步时的误差,第一次的训练误差为E1p,为自适应训练步长:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>&part;</mo>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>&gamma;</mi>
</mfrac>
<mo>&times;</mo>
<mo>&part;</mo>
<mo>,</mo>
<msub>
<mi>E</mi>
<mi>M</mi>
</msub>
<mo><</mo>
<msub>
<mi>&Delta;E</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>E</mi>
<mrow>
<mn>0</mn>
<mi>p</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&part;</mo>
<mo>=</mo>
<mi>&gamma;</mi>
<mo>&times;</mo>
<mo>&part;</mo>
<mo>,</mo>
<msub>
<mi>E</mi>
<mi>M</mi>
</msub>
<mo><</mo>
<msub>
<mi>&Delta;E</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>E</mi>
<mrow>
<mn>0</mn>
<mi>p</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,γ>1,△Emax=|E0p-E1p|;
步骤16:根据步骤15得到的训练步长对神经网络再次进行训练并跳转至步骤14,重复执行步骤14-16,直到满足误差要求,最后得到室内火灾生概率预估模:
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msubsup>
<mi>w</mi>
<mi>j</mi>
<mi>O</mi>
</msubsup>
<msub>
<mi>Z</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
2.根据权利要求1所述的火灾预测方法,其特征在于,步骤14中,网络结构的动态调整,计算隐含层神经元的全局显著性指数,利用动态增-减法实现网络结构的自组织,具体步骤如下:
步骤141:计算隐含层每个神经元的全局显著性指数OS,公式如下:
<mrow>
<msub>
<mi>OS</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>SIG</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>SIG</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
其中,OSj为隐含层第j个神经元的全局显著性指数;k为隐含层神经元个数;SIGj为隐含层第j个神经元的显著性指数,计算公式如下;
<mrow>
<msub>
<mi>SIG</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</msubsup>
<mfrac>
<mrow>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mi>F</mi>
</msup>
</mrow>
<mrow>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mi>F</mi>
</msup>
<mo>-</mo>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mi>I</mi>
</msup>
</mrow>
</mfrac>
<msup>
<msub>
<mi>&sigma;</mi>
<mi>j</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
其中,M为输入层神经元个数;为神经网络训练终止时输入层第i个神经元与隐含层第j个神经元之间的连接权值;为神经网络训练初始时输入层第i个神经元与隐含层第j个神经元之间的连接权值;σj为隐含层第j个神经元输出的方差;
步骤142:网络结构的自组织,即隐含层神经元的增删减;
如果隐含层第j个神经元的全局显著性指数满足条件时,则增加H隐含层节点数,其中H=3或H=2;
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>H</mi>
<mo>=</mo>
<mn>3</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>OS</mi>
<mi>j</mi>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>O</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>H</mi>
<mo>=</mo>
<mn>2</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>O</mi>
<mn>2</mn>
</msub>
<mo>&le;</mo>
<msub>
<mi>OS</mi>
<mi>j</mi>
</msub>
<mo><</mo>
<msub>
<mi>O</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,O1、O2为设定的增长阈值,增加的隐含层神经元的权值调整如下:
其中,表示新增隐含层神经元与输入层第i个神经元之间的连接权值;表示新增隐含层神经元与输出层神经元之间的连接权值;wij表示输入层第i个神经元和隐含层第j个神经元之间的权值;wj表示隐含层第j个神经元和输出层神经元之间的权值;am的选择服从均值为0,方差为1的高斯分布;
如果隐含层第j个神经元全局显著性较低,满足
OSj≤Re
则将第j个神经元删除,其中,Re为设定的删减阈值。
3.根据权利要求1所述的火灾预测方法,其特征在于:利用无线连接完成监控节点采集的数据与上位机的连接,并利用训练好的模型实现数据的分析,并得到当前火灾发生率的预估值,判断室内环境情况,即明火、阴燃火。
4.根据权利要求3所述的火灾预测方法,其特征在于:根据火灾判断情况,连接触动节点,实现对联动控制器的控制,并根据室内情况,启动联动灭火装置,完成火情的处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510218608.6A CN104933841B (zh) | 2015-04-30 | 2015-04-30 | 一种基于自组织神经网络的火灾预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510218608.6A CN104933841B (zh) | 2015-04-30 | 2015-04-30 | 一种基于自组织神经网络的火灾预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104933841A CN104933841A (zh) | 2015-09-23 |
CN104933841B true CN104933841B (zh) | 2018-04-10 |
Family
ID=54120990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510218608.6A Expired - Fee Related CN104933841B (zh) | 2015-04-30 | 2015-04-30 | 一种基于自组织神经网络的火灾预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104933841B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105185022A (zh) * | 2015-10-21 | 2015-12-23 | 国家电网公司 | 基于多传感器信息融合的变电站火灾探测系统及探测信息融合方法 |
CN105975991B (zh) * | 2016-05-18 | 2019-04-23 | 浙江工业大学 | 一种改进的极限学习机火灾种类识别方法 |
CN107273971B (zh) * | 2017-06-13 | 2021-10-22 | 石家庄铁道大学 | 基于神经元显著性的前馈神经网络结构自组织方法 |
CN107633638B (zh) * | 2017-07-24 | 2019-09-03 | 南京邮电大学 | 一种基于wsn的智能火灾探测方法 |
CN108053627A (zh) * | 2017-11-23 | 2018-05-18 | 深圳市泰和安科技有限公司 | 一种火灾报警方法、装置及设备 |
CN108538013A (zh) * | 2018-04-04 | 2018-09-14 | 浙江工贸职业技术学院 | 一种带火灾探测功能的动车应急服务机器人 |
CN108648403A (zh) * | 2018-05-25 | 2018-10-12 | 杭州拓深科技有限公司 | 一种自学习消防安全预警方法及系统 |
CN110220554A (zh) * | 2019-06-05 | 2019-09-10 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN112242036A (zh) * | 2019-07-01 | 2021-01-19 | 国电南瑞科技股份有限公司 | 一种变电站火灾报警方法及系统 |
CN111643847A (zh) * | 2020-02-27 | 2020-09-11 | 山东雷火网络科技有限公司 | 基于人工智能构建的山东境内的消防联动控制系统及方法 |
CN111627181B (zh) * | 2020-06-28 | 2021-11-23 | 四川旷谷信息工程有限公司 | 融合多源参数及其梯度信息的综合管廊火灾预警方法 |
CN111786476A (zh) * | 2020-08-05 | 2020-10-16 | 湘潭大学 | 一种无线电能传输系统的接收线圈位置预测方法 |
CN112419650A (zh) * | 2020-11-11 | 2021-02-26 | 国网福建省电力有限公司电力科学研究院 | 基于神经网络与图像识别技术的火灾探测方法及系统 |
CN114046179B (zh) * | 2021-09-15 | 2023-09-22 | 山东省计算中心(国家超级计算济南中心) | 一种基于co监测数据智能识别和预测井下安全事故的方法 |
CN114390376B (zh) * | 2021-12-20 | 2023-04-07 | 淮阴工学院 | 火灾大数据远程探测与预警系统 |
CN116741334B (zh) * | 2023-08-14 | 2023-10-24 | 四川互慧软件有限公司 | 一种基于神经网络预测模型的用药监测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CH686913A5 (de) * | 1993-11-22 | 1996-07-31 | Cerberus Ag | Anordnung zur Frueherkennung von Braenden. |
CN1529291A (zh) * | 2003-10-16 | 2004-09-15 | 华南理工大学 | 森林火灾智能监测报警装置 |
CN101577032A (zh) * | 2009-06-02 | 2009-11-11 | 汕头大学 | 早期火灾识别的无线火灾探测器 |
CN101986358A (zh) * | 2010-08-31 | 2011-03-16 | 彭浩明 | 一种融合神经网络和模糊控制的电气火灾智能报警方法 |
CN103136893B (zh) * | 2013-01-24 | 2015-03-04 | 浙江工业大学 | 基于多传感器数据融合技术的隧道火灾预警控制方法及其系统 |
CN103337123B (zh) * | 2013-06-17 | 2015-09-30 | 西安石油大学 | 基于视频图像的油田联合站火灾预警方法 |
CN103325205B (zh) * | 2013-07-01 | 2015-11-18 | 江南大学 | 基于径向基神经网络的室内火灾预测方法及系统 |
-
2015
- 2015-04-30 CN CN201510218608.6A patent/CN104933841B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104933841A (zh) | 2015-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104933841B (zh) | 一种基于自组织神经网络的火灾预测方法 | |
CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN111627181B (zh) | 融合多源参数及其梯度信息的综合管廊火灾预警方法 | |
CN108418841A (zh) | 基于ai的下一代关键信息基础设施网络安全态势感知系统 | |
CN113223264B (zh) | 基于qpso-bp神经网络的火灾智能预警系统及方法 | |
CN115169479A (zh) | 污水处理过程远程监控方法、系统及存储介质 | |
CN110826453A (zh) | 一种通过提取人体关节点坐标的行为识别方法 | |
CN109086540B (zh) | 一种构建热带气旋路径预报模型的方法及装置 | |
JP2019079446A (ja) | 火災監視システム | |
CN102013148B (zh) | 多信息融合火灾探测方法 | |
Parashar | IoT based automated weather report generation and prediction using machine learning | |
CN106779215B (zh) | 一种基于机器学习的电网全局延时态势感知方法 | |
CN107180152A (zh) | 疾病预测系统及方法 | |
CN112002095A (zh) | 一种矿山洞内的火灾预警方法 | |
CN105975991B (zh) | 一种改进的极限学习机火灾种类识别方法 | |
CN113192283B (zh) | 一种多传感器信息融合的无线火灾预警系统 | |
Abdullahi et al. | Intelligent flood disaster warning on the fly: developing IoT-based management platform and using 2-class neural network to predict flood status | |
CN103020737A (zh) | 一种烤片烟气的预测方法 | |
CN112966714A (zh) | 一种边缘时序数据异常检测和网络可编程控制方法 | |
CN117151649B (zh) | 基于大数据分析的施工方法管控系统及方法 | |
CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
CN112765257A (zh) | 一种基于时序序列预测温度的环境采集系统设计的方法 | |
CN112881601A (zh) | 一种基于云平台的水分检测系统 | |
CN117319451A (zh) | 基于多模态大数据的城市级消防物联网监管系统及其方法 | |
CN115964503B (zh) | 基于社区设备设施的安全风险预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180410 Termination date: 20190430 |