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 |