CN106875613A - 一种火警态势分析方法 - Google Patents

Abstract

本发明公开了一种火警态势分析方法，包括步骤：步骤1，将多个传感器采集的数据通过卡尔曼滤波进行平滑处理，之后送入模糊推理系统中，从而改善系统的测量精度，使其能够更准确地进行预报和决策；步骤2，在模糊推理的自适应噪声调整处理模块中，需要对测量值进行验真，判断并替换坏值；步骤3，而后根据模糊规则和隶属度函数给出调整后的测量噪声；步骤4，最后将处理后的每个传感器的数据送入全局最优融合模块，基于联合卡尔曼滤波方式获得最优的融合结果；将全局最优融合结果反馈送入到每个传感器数据处理单元，以备后续的数据融合处理。该方法中设计了模糊化与解模糊化过程、模糊规则、模糊推理方法，并最终使得测量噪声更接近于真实噪声。

Description

一种火警态势分析方法

技术领域

本发明涉及一种消防领域，具体涉及一种火警态势分析方法。

背景技术

火灾探测系统主要用于早期疏散、管理及消防部门的及时准确告警和火灾的早期扑灭。业主单位的楼宇内会部署大量的火警探测传感器，如烟感、温感、可燃气体探测器、手报等探测器等。当火灾发生时，火灾探测传感器检测到火灾会发生报警。但事实上，报警可能是真实火警，也可能会是误报。火灾误报警可能会导致城市管理中的灾难性后果：在商业建筑中，火灾报警可能导致建筑内人员的整体疏散，而误报不仅会对商业运营产生影响，而且会因为疏散过程的恐慌对建筑内人员造成伤害；在居民建筑内，反复的误报警的直接后果甚至会导致屏蔽报警系统，这样整栋建筑就会处于无报警系统的危险状况。此外，消防大队在无法确认火警的情况下出警会浪费大量的人力物力；即使消防大队联系联网单位确认火警，联网单位负责人也很难描述出火灾发展态势，无法确定出警人力多少。

在多样化火灾探测环境的实际应用，根据单一的传感器种类判定火警很容易导致火灾误报警的发生。大量研究表明，多传感器火灾探测技术在提高火灾探测的灵敏度和可靠性方面已经取得了很好的成果。于是，在现有基础上发展多传感器火灾探测系统，从而提高火灾探测的灵敏度和可靠性是非常可行的。

一般来说，多传感器火灾探测技术的核心是采用信息融合算法完成在多种传感器数据的决策。而决策过程是将实际接收的数据进行数据处理，并与先验知识和经验对比分析，从而进行合理的结果输出。很显然，这种通过不同传感器的数据处理后的结果，是单一传感器类型无法达到的探测准确度。与此同时，釆用信息融合技术后，系统能够有效地低误报率，提高抗干扰性，并在火灾的动态响应方面具有潜在的优势。

目前对多传感器火灾探测中的信息融合技术有一些不同的分类，具体来说包括：

(1)阈值判断或趋势融合算法。这是最简单的多传感器信息融合算法，它可针对不同传感器数据的阈值或变化趋势采用“AND/OR”的判断算法。但是，由于多种数据拟合决策算法的问题，此类算法在探测灵敏度和降低干扰源影响这两个方面的平衡上仍然存在一些困难。

(2)多种传感器信号的关系式。该方案在多种传感器信息阈值判断或趋势值判断的基础上，将多种传感器信号的关系式用于火灾探测的可行性中进行了分析。虽然该方案在探测时间、干扰源区分等方面，比阈值判断算法有更好的性能，但关系式的参数需要依靠人为的经验进行判定。

(3)人工神经网络。需要大量的数据来训练网络并调整网络结构、权重和阈值等参数，从而产生可靠的火灾探测结果。然而，该类方案采用特征提取算法，将不同传感器的阈值或趋势值作为神经网络的输入。但在实际应用中存在着数据的波动，这会干扰系统的鲁棒性，从而无法取得满意的结果。

(4)模糊算法。一些研究对将模糊逻辑引入多传感器火灾探测进行了尝试。设计了基于灰度模糊算法探测系统，并且获得了满意的结果，将模糊逻辑与灰度预测进行了结合，但在探测效率方面没有明显的优势。

发明内容

本发明的目的即在于克服现有技术的不足，提供一种火警态势分析方法，该方法根据楼宇内多个探测器的报警信息，采用传统卡尔曼滤波与模糊推理相结合的方法联合分析判断该报警信息是否真实火警，改善系统的测量精度，使其能够更准确地进行预报和决策，掌握火灾发展的态势。

本发明通过下述技术方案实现：

一种火警态势分析方法，包括步骤：

步骤1，将多个传感器采集的数据通过卡尔曼滤波进行平滑处理，之后送入模糊推理系统中，从而改善系统的测量精度，使其能够更准确地进行预报和决策；

步骤2，在模糊推理的自适应噪声调整处理模块中，需要对测量值进行验真，判断并替换坏值；

步骤3，而后根据模糊规则和隶属度函数给出调整后的测量噪声；

步骤4，最后将处理后的每个传感器的数据送入全局最优融合模块，基于联合卡尔曼滤波方式获得最优的融合结果；将全局最优融合结果反馈送入到每个传感器数据处理单元，以备后续的数据融合处理。

进一步的，所述步骤1，基于卡尔曼滤波算法的数据平滑处理：

针对多个传感器采集的感知模块，对于第i个传感器来说，假设k时刻的观测值为Zi(k)，系统的测量控制矩阵为Hi(k)，测量误差序列为高斯白噪声型的Vi(k)，根据卡尔曼滤波可知，系统真实值Xi(k)与测量结果之间的关系如下所示：

Z_i(k)＝H_i(k)X_i(k)+V_i(k) (1)

基于此，进一步使用真实值描述此多传感器线性系统，即

X_i(k+1)＝Θ(k+1,k)X_i(k)+W_i(k) (2)

上式中，Θ_i(k+1,k)表示此系统中第i个传感器的一步转移矩阵，即从第k时刻到第k+1时刻的转移值；此外，Wi(k)同样也是高斯白噪声型的误差值；

基于公式(1)和(2)，通过第k-1时刻的估计值以及第k个测量值可以推导出第k个估计值

其中，为滤波器增益系数，而则表示的方差；

此外，为了获得更新后的系统估计值预测的系统状态估计通过下式得到：

同样地，预测的估计协方差P_i(k|k-1)由公式(5)计算得到

P_i(k|k-1)＝Θ(k,k-1)P_i(k-1)Θ^T(k,k-1)+Q_i(k-1) (5)

由此，我们得到了传感器采集数据经过卡尔曼滤波处理之后的平滑结果。

进一步的，所述步骤2：基于历史信息的坏点替换方法：

在此过程中，对第i个通道的第k个时刻的残差r_i(k)，采用其前5个值的平均值作为参考指标，即

由于传感器采集的数据是连续变化的，因此当r_i(k)≥3·r_AVG时，判定当前测量值Z_i(k)为坏点，此时系统使用上一时刻的测量值替代该坏点，即Z_i(k)＝Z_i(k-1)，在去除并替换测量坏点之后，系统进入到模糊推理算法。

进一步的，所述步骤3：基于模糊推理的自适应噪声调整，

对于第i个卡尔曼滤波通道在第k时刻的观测，其测量误差协方差的更新方法如下式所示。

公式(6)说明了k时刻的误差协方差与前一时刻的值有关，且通过调整系数S_i(k)进行优化。系统可以通过调整S_i(k)的值，自适应的更新从而达到优化系统测量误差的目的；

对于调整系数S_i(k)，采取以下的方法自适应的更新；

首先定义一个比值，该值由第i通道的第k个时刻观测的测量值和理论值之比得到，即

上式中的分子部分为M大小的滑动平均窗口的残差平均值，而分母部分是第k个残差方差的理论值；

通过公式(8)可知，的值直接受到SR_i(k)的影响；即，随着数值的增大，SR_i(k)的值将减小。考虑到公式(7)，将SR_i(k)作为模糊推理系统的输入，则这一数值可以对S_i(k)进行微调。也就是说，当SR_i(k)<1的时候，设置S_i(k)<1，从而减小进而影响到SR_i(k)并使之增大，从而达到自适应的调整；

这里SR_i(k)的微调通过三个模糊子集进行，分别为

●当SR_i(k)∈[0.5,0.96)时，为小于1的子集，那么S_i(k)也属于这个子集

●当SR_i(k)∈[0.6,1.4)时，为等于1的子集，那么S_i(k)也属于这个子集

●当SR_i(k)∈[1.05,1.5)时，大于1的子集，那么S_i(k)也属于这个子集

通过这一规则，构建输入隶属度函数，而后采用Mamdani模糊推理方法得到相应的输出隶属度函数；

最后使用中心平均法进行去模糊化，并最终得到S_i(k)的输出清晰值，如下所示。

其中，表示第j个模糊子集中心的，μ_j(S)表示其所对应的输出隶属度函数中的最大值。由此得到了更新后的S_i(k)值，从而通过公式(7)对估计测量误差进行自适应的调整。

进一步的，所述步骤4：基于联合卡尔曼滤波的全局优化与反馈系统，

将模糊推理的结果送入到全局最优融合模块中，通过公式(10)和(11)分别得到k时刻全局估计值和全局估计协方差P_g；

通过步骤3的更新过程，将k时刻的输出结果直接送入到步骤1中的卡尔曼滤波系统中，并作为第i个传感器k+1时刻前一状态值进行平滑滤波。也就是说，k时刻估计值而k时刻的估计协方差由以下两个公式得到；

其中，α表示系统各个传感器采集数据处理通路的权重比值，用户可以根据自身的需求，设计各个通路对火灾报警的比值，从而反应火灾态势的蔓延；很显然，且0≤α_i≤1。

本发明与现有技术相比，具有如下的优点和有益效果：

采用了传统卡尔曼滤波与模糊推理相结合的方法，将多个传感器采集的数据通过卡尔曼滤波进行平滑处理之后，送入模糊推理系统中，从而改善系统的测量精度，使其能够更准确地进行预报和决策。然后将处理后的每个传感器的数据送入全局最优融合模块，基于联合卡尔曼滤波方式获得最优的融合结果。此外，将全局最优融合结果反馈送入到每个传感器数据处理单元，以备后续的数据融合处理。基于这种方法，可以综合分析并判断各种传感器数据信息是否为真实火警信息，掌握火灾发展的态势，综合判断火情。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明一种火警态势分析方法的原理示意图；

图2为本发明模糊推理的自适应噪声调整处理模块的原理示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例

如图1所示，本发明一种火警态势分析方法，，如图1所示，采用了传统卡尔曼滤波与模糊推理相结合的方法，将多个传感器采集的数据通过卡尔曼滤波进行平滑处理之后，送入模糊推理系统中，从而改善系统的测量精度，使其能够更准确地进行预报和决策。然后将处理后的每个传感器的数据送入全局最优融合模块，基于联合卡尔曼滤波方式获得最优的融合结果。此外，将全局最优融合结果反馈送入到每个传感器数据处理单元，以备后续的数据融合处理。基于这种方法，可以综合分析并判断各种传感器数据信息是否为真实火警信息，掌握火灾发展的态势，综合判断火情。

本方法监测并分析火警态势方法，分以下步骤：

步骤1：基于传统卡尔曼滤波算法的数据平滑处理

由于多个传感器采集系统中的传感器采集的数据是连续变化的，因此可以通过前一时刻真实值描述当前时刻真实值。此外根据卡尔曼滤波方法，可以得到系统真实值与测量结果之间的关系。通过上述两个关系，我们便可以推导出当前时刻的估计值，该值应与通过前一时刻的估计值和当前时刻的测量值有关，同时也可以得到预测的估计协方差值。这样，我们得到了经过卡尔曼滤波处理之后的平滑数据。

步骤2：基于历史信息的坏点替换方法。

由于传感器自身问题或外部环境存在的多种干扰，从而导致传感器采集的数据可能出现检测失误的情况，出现检测坏点。在这种情况下会影响对于火灾火情的判断与决策，从而出现火警的漏报、误报。因此，在此步骤中，我们的目标是检测出系统坏值，使得用于报警的数据更为可靠。

在此过程中，我们采用其前5个值的平均值作为参考指标。由于传感器采集的数据是连续变化的，因此如果当前值大于3倍的平均值时，我们判定当前测量值为坏点，此时系统使用上一时刻的测量值替代该坏点。在去除并替换测量坏点之后，系统进入到模糊推理算法。

步骤3：基于模糊推理的自适应噪声调整。

同样由于外部环境存在多种干扰，从而导致传感器采集的数据与真实值之间存在着误差，我们给出了使用模糊推理的方法，将卡尔曼滤波的结果根据隶属度函数进行判别，调整估计测量误差，使其更为接近真实噪声值，从而得到更为精确的估计值。

为了优化测量误差，我们需要对调整系数进行自适应的更新。在建立模糊规则后，构建输入隶属度函数，而后采用Mamdani模糊推理方法得到相应的输出隶属度函数。最后使用中心平均法进行去模糊化，并最终输出调整系数的清晰值，从而自适应地优化测量误差。

步骤4：基于联合卡尔曼滤波的全局优化与反馈系统。

如图2所示，将模糊推理的结果送入到全局最优融合模块中，分别得到全局估计值和全局估计协方差。并将输出结果直接送入到步骤1中的卡尔曼滤波系统中，并作为下一时刻的前一状态值进行平滑滤波。此外，在各个传感器所处的处理通道设定权重比值，用户可以根据自身的需求，设计各个通路对火灾报警的比值，从而反应火灾态势的蔓延。

本方法基于联合卡尔曼滤波进行模糊推理数据融合，可综合分析并判断各种传感器数据信息是否为真实火警信息，掌握火灾发展的态势，综合判断火情，分以下步骤：

步骤1：基于传统卡尔曼滤波算法的数据平滑处理

针对多个传感器采集的感知模块，对于第i个传感器来说，假设k时刻的观测值为Zi(k)，系统的测量控制矩阵为Hi(k)，测量误差序列为高斯白噪声型的Vi(k)，根据卡尔曼滤波可知，系统真实值Xi(k)与测量结果之间的关系如下所示：

Z_i(k)＝H_i(k)X_i(k)+V_i(k) (1)

基于此，我们可以进一步使用真实值描述此多传感器线性系统，即

X_i(k+1)＝Θ(k+1,k)X_i(k)+W_i(k) (2)

上式中，Θ_i(k+1,k)表示此系统中第i个传感器的一步转移矩阵，即从第k时刻到第k+1时刻的转移值。此外，Wi(k)同样也是高斯白噪声型的误差值。基于公式(1)和(2)，通过第k-1时刻的估计值以及第k个测量值可以推导出第k个估计值

其中，为滤波器增益系数，而则表示的方差。

此外，为了获得更新后的系统估计值预测的系统状态估计通过下式得到：

同样地，预测的估计协方差P_i(k|k-1)由公式(5)计算得到

P_i(k|k-1)＝Θ(k,k-1)P_i(k-1)Θ^T(k,k-1)+Q_i(k-1) (5)

由此，我们得到了传感器采集数据经过卡尔曼滤波处理之后的平滑结果。

步骤2：基于历史信息的坏点替换方法。

由于传感器自身问题或外部环境存在的多种干扰，从而导致传感器采集的数据可能出现检测失误的情况，出现检测坏点。在这种情况下会影响对于火灾火情的判断与决策，从而出现火警的漏报、误报。因此，在此步骤中，我们的目标是检测出系统坏值，使得用于报警的数据更为可靠。

在此过程中，对第i个通道的第k个时刻的残差r_i(k)，我们采用其前5个值的平均值作为参考指标，即

由于传感器采集的数据是连续变化的，因此当r_i(k)≥3·r_AVG时，我们判定当前测量值Z_i(k)为坏点，此时系统使用上一时刻的测量值替代该坏点，即Z_i(k)＝Z_i(k-1)。在去除并替换测量坏点之后，系统进入到模糊推理算法。

步骤3：基于模糊推理的自适应噪声调整。

同样由于外部环境存在多种干扰，从而导致传感器采集的数据与真实值之间存在着误差，我们给出了使用模糊推理的方法，将卡尔曼滤波的结果根据隶属度函数进行判别，调整估计测量误差使其更为接近真实噪声值，从而得到更为精确的估计值。

具体来说，对于第i个卡尔曼滤波通道在第k时刻的观测，其测量误差协方差的更新方法如下式所示。

公式(6)说明了k时刻的误差协方差与前一时刻的值有关，且通过调整系数S_i(k)进行优化。系统可以通过调整S_i(k)的值，自适应的更新从而达到优化系统测量误差的目的。

对于调整系数S_i(k)，我们采取以下的方法自适应的更新。

首先我们定义一个比值，该值由第i通道的第k个时刻观测的测量值和理论值之比得到，即

上式中的分子部分为M大小的滑动平均窗口的残差平均值，而分母部分是第k个残差方差的理论值。

通过公式(8)我们可知，的值直接受到SR_i(k)的影响。即，随着数值的增大，SR_i(k)的值将减小。考虑到公式(7)，将SR_i(k)作为模糊推理系统的输入，则这一数值可以对S_i(k)进行微调。也就是说，当SR_i(k)<1的时候，设置S_i(k)<1，从而减小进而影响到SR_i(k)并使之增大，从而达到自适应的调整。

这里SR_i(k)的微调通过三个模糊子集进行，分别为

●当SR_i(k)∈[0.5,0.96)时，为小于1的子集，那么S_i(k)也属于这个子集

●当SR_i(k)∈[0.6,1.4)时，为等于1的子集，那么S_i(k)也属于这个子集

●当SR_i(k)∈[1.05,1.5)时，大于1的子集，那么S_i(k)也属于这个子集

通过这一规则，构建输入隶属度函数，而后采用Mamdani模糊推理方法得到相应的输出隶属度函数。

最后使用中心平均法进行去模糊化，并最终得到S_i(k)的输出清晰值，如下所示。

其中，表示第j个模糊子集中心的，μ_j(S)表示其所对应的输出隶属度函数中的最大值。由此得到了更新后的S_i(k)值，从而通过公式(7)对估计测量误差进行自适应的调整。

步骤4：基于联合卡尔曼滤波的全局优化与反馈系统。

将模糊推理的结果送入到全局最优融合模块中，通过公式(10)和(11)分别得到k时刻全局估计值和全局估计协方差P_g。

通过步骤3的更新过程，将k时刻的输出结果直接送入到步骤1中的卡尔曼滤波系统中，并作为第i个传感器k+1时刻前一状态值进行平滑滤波。也就是说，k时刻估计值而k时刻的估计协方差由以下两个公式得到。

其中，α表示系统各个传感器采集数据处理通路的权重比值，用户可以根据自身的需求，设计各个通路对火灾报警的比值，从而反应火灾态势的蔓延。很显然，且0≤α_i≤1。

结果表示：

结果1，单传感器与多传感器在预警概率方面的比较。此方面我们主要从系统的误报率和漏报率进行分析。如果报警次数超过真实火灾次数，我们称之为存在着误报，定义误报率为Pf；反之，真实火灾次数超过报警次数，称之为漏报，定义漏报率为Pd。因此误报率和漏报率计算方法如下所示。

其中AlarmNum表示报警次数，FireNum表示真实火灾次数。在多种环境下通过100次实际测试进行计算得到下表数据，证实了本发明的预警准确性很高。

传感器类型	系统误报率	系统漏报率
			单烟雾传感器	25.3％	5.12％
单温度传感器	12.5％	8.03％
			多传感器数据融合	1.2％	0％

一般来说，由于火灾产生的原因不同，因此单一传感器可能出现漏报。此外，单一传感器仅能获知某一方面的数据，对于整个环境的感知存在片面性，因此也容易出现一定的误报。总而言之，使用多传感器数据融合的方法进行火警的预报，在系统误报率和漏报率方面有很高的优势。

结果2，使用多传感器数据融合方法的数据处理均方误差分析

数据均方误差可以测量数据融合结果与测量值之间的差值，如下式所示。它能够衡量融合结果的准确性。一般来说，均方误差值越小，数据融合的结果就越精确。

式中，X(i)表示测量值，而表示融合结果。我们使用标准数据集测试本文的模糊推理数据融合算法，并将其与传统的卡尔曼滤波方法进行比较，如下表所示。其中第一行为采集的数据量，表中对比了数据处理后的均方误差，证明了本设计在数据处理方面的优势。

本发明一种火警态势分析方法，它使用传统卡尔曼滤波的方法，将感知模块的传感器采集的数据进行去噪平滑处理，然后送入到模糊推理模块，最后使用带反馈的全局最优融合技术将处理后的多传感器数据进行分析，并将结果一方面反馈到下次模糊推理过程中，另一方面输出最终决策结果；

提出了一种基于模糊推理的噪声自适应调整方法，该方法类似于人类思考的模式，用于解决复杂的模糊推理问题。该方法中设计了模糊化与解模糊化过程、模糊规则、模糊推理方法，并最终使得测量噪声更接近于真实噪声。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种火警态势分析方法，其特征在于，包括步骤：

步骤1，将多个传感器采集的数据通过卡尔曼滤波进行平滑处理，之后送入模糊推理系统中；

步骤2，在模糊推理的自适应噪声调整处理模块中，需要对测量值进行验真，判断并替换坏值；

步骤3，而后，根据模糊规则和隶属度函数给出调整后的测量噪声；

步骤4，最后，将处理后的每个传感器的数据送入全局最优融合模块，基于联合卡尔曼滤波方式获得最优的融合结果；将全局最优融合结果反馈送入到每个传感器数据处理单元，以备后续的数据融合处理。

2.根据权利要求1所述的一种火警态势分析方法，其特征在于，

所述步骤1，基于卡尔曼滤波算法的数据平滑处理：

针对多个传感器采集的感知模块，对于第i个传感器来说，假设k时刻的观测值为Zi(k)，系统的测量控制矩阵为Hi(k)，测量误差序列为高斯白噪声型的Vi(k)，根据卡尔曼滤波可知，系统真实值Xi(k)与测量结果之间的关系如下所示：

Z_i(k)＝H_i(k)X_i(k)+V_i(k) (1)

基于此，进一步使用真实值描述此多传感器线性系统，即

X_i(k+1)＝Θ(k+1,k)X_i(k)+W_i(k) (2)

上式中，Θ_i(k+1,k)表示此系统中第i个传感器的一步转移矩阵，即从第k时刻到第k+1时刻的转移值；此外，Wi(k)同样也是高斯白噪声型的误差值；

基于公式(1)和(2)，通过第k-1时刻的估计值以及第k个测量值可以推导出第k个估计值

${\hat{X}}_i\left(k\right)={\hat{X}}_i\left(k\right|k-1)+K_i\left(k\right)\&lsqb;Z_i\left(k\right)-H_i\left(k\right){\hat{X}}_i\left(k\right|k-1)\&rsqb;---\left(3\right)$

其中，为滤波器增益系数，而则表示的方差；

此外，为了获得更新后的系统估计值预测的系统状态估计通过下式得到：

${\hat{X}}_i\left(k\right|k-1)=\mathrm{\&Theta;}(k,k-1){\hat{X}}_i(k-1)---\left(4\right)$

同样地，预测的估计协方差P_i(k|k-1)由公式(5)计算得到

P_i(k|k-1)＝Θ(k,k-1)P_i(k-1)Θ^T(k,k-1)+Q_i(k-1) (5)

由此，我们得到了传感器采集数据经过卡尔曼滤波处理之后的平滑结果。

3.根据权利要求1所述的一种火警态势分析方法，其特征在于，

所述步骤2：基于历史信息的坏点替换方法：

在此过程中，对第i个通道的第k个时刻的残差r_i(k)，采用其前5个值的平均值作为参考指标，即

$r_{AVG}=\frac{1}{5}\underset{s=k-5}{\overset{k-1}{\&Sigma;}}\left|r_i\left(s\right)\right|---\left(6\right)$

由于传感器采集的数据是连续变化的，因此当r_i(k)≥3·r_AVG时，判定当前测量值Z_i(k)为坏点，此时系统使用上一时刻的测量值替代该坏点，即Z_i(k)＝Z_i(k-1)，在去除并替换测量坏点之后，系统进入到模糊推理算法。

4.根据权利要求1所述的一种火警态势分析方法，其特征在于，

所述步骤3：基于模糊推理的自适应噪声调整，

对于第i个卡尔曼滤波通道在第k时刻的观测，其测量误差协方差的更新方法如下式所示。

${\hat{R}}_i\left(k\right)=S_i\left(k\right){\hat{R}}_i(k-1)---\left(7\right)$

公式(6)说明了k时刻的误差协方差与前一时刻的值有关，且通过调整系数S_i(k)进行优化。系统可以通过调整S_i(k)的值，自适应的更新从而达到优化系统测量误差的目的；

对于调整系数S_i(k)，采取以下的方法自适应的更新；

首先定义一个比值，该值由第i通道的第k个时刻观测的测量值和理论值之比得到，即

${\mathrm{SR}}_i\left(k\right)=\frac{\frac{1}{M}{\mathrm{\&Sigma;}}_{k=k_0}^K{r}_i\left(k\right)r_i^T\left(k\right)}{H_i\left(k\right)P_i\left(k\right|k-1)H_i^T\left(k\right)+{\hat{R}}_i\left(k\right)}---\left(8\right)$

上式中的分子部分为M大小的滑动平均窗口的残差平均值，而分母部分是第k个残差方差的理论值；

通过公式(8)可知，的值直接受到SR_i(k)的影响；即，随着数值的增大，SR_i(k)的值将减小。考虑到公式(7)，将SR_i(k)作为模糊推理系统的输入，则这一数值可以对S_i(k)进行微调。也就是说，当SR_i(k)<1的时候，设置S_i(k)<1，从而减小进而影响到SR_i(k)并使之增大，从而达到自适应的调整；

这里SR_i(k)的微调通过三个模糊子集进行，分别为

●当SR_i(k)∈[0.5,0.96)时，为小于1的子集，那么S_i(k)也属于这个子集

●当SR_i(k)∈[0.6,1.4)时，为等于1的子集，那么S_i(k)也属于这个子集

●当SR_i(k)∈[1.05,1.5)时，大于1的子集，那么S_i(k)也属于这个子集

通过这一规则，构建输入隶属度函数，而后采用Mamdani模糊推理方法得到相应的输出隶属度函数；

最后使用中心平均法进行去模糊化，并最终得到S_i(k)的输出清晰值，如下所示。

$S_i\left(k\right)=\frac{{\mathrm{\&Sigma;}}_{j=1}^N\left(S_j^{\&perp;}\right(k\left){\mathrm{\&mu;}}_j\right(S\left)\right)}{{\mathrm{\&Sigma;}}_{j=1}^N{\mathrm{\&mu;}}_j\left(S\right)}---\left(9\right)$

其中，表示第j个模糊子集中心的，μ_j(S)表示其所对应的输出隶属度函数中的最大值。由此得到了更新后的S_i(k)值，从而通过公式(7)对估计测量误差进行自适应的调整。

5.根据权利要求1所述的一种火警态势分析方法，其特征在于，

所述步骤4：基于联合卡尔曼滤波的全局优化与反馈系统，

将模糊推理的结果送入到全局最优融合模块中，通过公式(10)和(11)分别得到k时刻全局估计值和全局估计协方差P_g；

${\hat{X}}_g\left(k\right)=P_g\left(k\right)\underset{i=1}{\overset{N}{\&Sigma;}}{P}_i^{-1}\left(k\right){\hat{X}}_i\left(k\right)---\left(10\right)$

$P_g\left(k\right)={\&lsqb;\underset{i=1}{\overset{N}{\&Sigma;}}{P}_i^{-1}\left(k\right)\&rsqb;}^{-1}---\left(11\right)$

通过步骤3的更新过程，将k时刻的输出结果直接送入到步骤1中的卡尔曼滤波系统中，并作为第i个传感器k+1时刻前一状态值进行平滑滤波。也就是说，k时刻估计值而k时刻的估计协方差由以下两个公式得到；

$Q_i^{-1}={\mathrm{\&alpha;}}_i{Q}_g^{-1}={\mathrm{\&alpha;}}_i(Q_1^{-1}+Q_2^{-1}+...+Q_n^{-1})---\left(12\right)$

$P_g\left(k\right)={\mathrm{\&alpha;}}_i{\&lsqb;\underset{i=1}{\overset{N}{\&Sigma;}}{P}_i^{-1}\left(k\right)\&rsqb;}^{-1}---\left(13\right)$

其中，α表示系统各个传感器采集数据处理通路的权重比值，用户可以根据自身的需求，设计各个通路对火灾报警的比值，从而反应火灾态势的蔓延；很显然，且0≤α_i≤1。