CN107633638A - 一种基于wsn的智能火灾探测方法 - Google Patents
一种基于wsn的智能火灾探测方法 Download PDFInfo
- Publication number
- CN107633638A CN107633638A CN201710605219.8A CN201710605219A CN107633638A CN 107633638 A CN107633638 A CN 107633638A CN 201710605219 A CN201710605219 A CN 201710605219A CN 107633638 A CN107633638 A CN 107633638A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- network
- data
- fire
- 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.)
- Granted
Links
Landscapes
- Fire Alarms (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于WSN的智能火灾探测方法，通过对无线传感器网络(Wireless Sensor Network，WSN)的应用特征和火灾发生过程非结构特性的分析，结合数据融合技术的通用功能模型，构建出多层次分级火灾探测模型。该模型采用3种传感器构建的WSN，首先对原始采集数据进行数据级处理，实现数据标准化，然后进入特征级处理，进一步消除网络中的冗余信息，同时提高了对火灾的识别精度和WSN的鲁棒性。本发明能够充分考虑无线传感网的特点，保证火灾预警的及时性和准确性，增强了系统对环境的适应性能，提高了消防监控系统决策的科学性，对火灾早期预测预报具有重要的理论意义和实用价值。
Description
技术领域
本发明涉及一种基于无线传感网和信息融合技术的智能火灾探测算法，属于无线传感网中的数据融合技术领域。
背景技术
在众多灾害中，火灾已成为我国常发性、破坏性和影响力最强的灾害之一，不仅造成重大的经济损失和人员伤亡，而且给人们心灵留下了一定的精神创伤，对社会的稳定也产生了不良影响。随着经济和城市建设的快速发展，城市高层、地下建筑以及大型综合性建筑日益增多，火灾隐患也大大增加，火灾发生的数量及其造成的损失都呈逐年上升趋势。如何迅速、准确地探测到前期的火灾隐患无疑是一个亟待解决的问题。
对于当今的火灾探测系统，人们不仅希望其能尽早探测到火灾的发生，同时对探测的准确性也提出了更高的要求。随着人们对无线传感器网络(Wireless SensorNetwork，WSN)理论研究的不断深入，越来越多的研究者将其应用到消防领域。用无线网来替代传统的有线网络来连接所有的传感器具有很多优点，比如避免了接线的问题，网络的结构和组织也更加的自由，组成的火灾信息传输系统能够有效地提升系统的稳定性。然而，WSN是资源受限的网络，其电池容量、计算能力、存储空间和通信带宽有限，对于预防火灾这类大规模的WSN应用，网络中存在海量无效的冗余数据。在众多的解决上述问题的方案中，数据融合是其中一项关键技术，该技术通过对无线网络节点采集到的不同时空的数据进行融合处理，能够有效消除WSN中无效的冗余数据，同时可以得到比单个传感器节点更准确、更符合需求的信息。
数据融合技术与无线传感网相结合，可以实现火灾监测的无线化、网络化和智能化。本文针对WSN在林火监控应用中存在的问题，重点研究相关的数据融合技术，提出了一种基于神经网络的智能火灾分级探测算法，来实现WSN在火灾预警中的节能、实时、可靠性需求。WSN中的传感器节点首先使用异质传感器数据同质化方法对原始采集数据进行数据级处理，即进行数据标准化过程，从而避免数据大小的影响；然后对数据进行归一化处理，为后续的特征级融合做准备；经过数据级处理后，进入特征级处理，这里采用的是改进型的BP神经网络融合模型，进一步消除了网络中的冗余信息，同时提高了对火灾的识别精度和WSN的鲁棒性。从而保证了火灾预警的及时性和准确性，提高了消防监控系统决策的科学性。
发明内容
本发明目的在于提出了一种基于无线传感网和信息融合技术的智能火灾探测算法，该方法解决了WSN在火灾预警中的节能、实时、可靠性需求。本发明在详细分析了林火监测的应用需求的基础上，针对分布式WSN的特点，对基于WSN的数据融合框架进行了研究，将数据融合技术应用于火灾探测系统中，提出了一种基于改进型BP神经网络的智能火灾探测算法。WSN中的传感器节点首先使用异质传感器数据同质化方法对原始采集数据进行数据级处理，即进行数据标准化过程，从而避免数据大小的影响；然后对数据进行归一化处理，为后续的特征级融合做准备；经过数据级处理后，进入特征级处理，这里采用的是改进型的BP神经网络融合模型，进一步消除了网络中的冗余信息，同时提高了对火灾的识别精度和WSN的鲁棒性。从而保证了火灾预警的及时性和准确性，提高了消防监控系统决策的科学性。
本发明解决其技术问题所采取的技术方法是：
步骤1)火灾检测参数的选取，由温度、烟雾和CO三种传感器构成的WSN采集监测CO的含量、温度和烟雾浓度的变化来完成火灾探测算法；
步骤2)WSN采集信号的数据级1次处理，对步骤1采集到的3种传感器原始数据进行同质化处理；
步骤3)WSN采集信号的数据级2次处理，对步骤2同质化过的数据进行归一化处理，为后续特征层的有效融合做准备；
步骤4)WSN采集信号的特征级处理，对经过数据级预处理后的信号进行人工神经网络智能融合；
步骤5)经过多层次分级智能火灾探测算法融合之后，获得不同火情的识别概率。
所述步骤1)所述的火灾检测参数的选取具体如下：
无线传感网中有多种传感器完成对监测现场的数据采集工作。在火灾监测现场，选何种火情参数作为探测量，选多少火情参数作为探测量是火灾探测中的一个重要因素。因为探测量的数目选择过少，则无法区分不同性质的火源和非火源；探测量的数目选择过多，尽管可以提高探测器的灵敏度，但同时也增加了算法的复杂程度。一般情况下，CO在空气中的含量极低，只有燃烧发生时才会产生大量的CO，从而使空气中CO的含量急剧增加。所以针对CO气体进行检测，将会在很大程度上反映出环境中有无燃烧现象的发生，火灾发生时往往又同时伴有温度的升高和烟雾浓度的增大。所以本系统中采用由3种传感器组成的无线传感网，通过监测CO的含量、温度和烟雾浓度的变化来完成火灾的探测。
所述步骤2)所述的数据级1次处理具体如下：
假设WSN中集成有N个不同类型的传感器，X(t)＝(x1(t)，x2(t)，...，xN(t))表示在t时刻时由N个传感器的测量值组成的输入信号向量。记：
其中K为用来计算μi和σi的样本数据的个数。
根据上述函数对各传感器数据进行同质转换，转换公式如下：
则转换后的输入信号向量为Y(t)＝(y1(t)，y2(t)，...，yN(t))：其中yi(t)为对传感器节点xi(t)在t时刻采集的数据进行同质转化后的数据。
所述步骤3)所述的数据级2次处理具体如下：
原始传感器数据经过同质化处理后，消除了传感器种类不同的影响。为了后续特征层的有效融合，还要对数据进行归一化处理，旨在对数据进行必要的压缩，加快网络校正进程。传感器节点数据级2次处理公式：
其中，yi(t)是原始数据同质化后的结果，x′i(t)是对yi(t)进行归一化处理后的值。
所述步骤4)所述WSN采集信号的特征级处理具体如下：
(4-1)确定网络输入层和输出层：
根据火灾探测量表现为非结构特性，考虑到BP神经网络具有自学习、自适应、训练简便、分类速度快等优良特性，因此本算法使用了BP网络进行特征提取。特征层将信息层送来的各种特征信息，运用模式识别的方法进行融合，实现多元特征向量的关联，完成目标对象特征的识别。在火灾的过程中，阴燃火和明火作为火情的两种状态，其表现特征有明显的不同。如明火条件下伴随着温度信号的急剧增大及CO浓度的缓慢增加；阴燃火发生时则往往伴随着烟雾和CO浓度的增大及温度的基本稳定。此外，在这两种火情状态下，所要求的救灾措施也不尽相同。因此，本文将阴燃火，明火以及无火分别作为特征层的识别目标对象。
网络的输入为数据级提供的特征参数信息，分别为烟雾浓度、CO浓度、温度，网络的输入层节点数因此也就为3；网络的输出为明火概率，阴燃火概率和无火概率，网络的输出层节点数也为3。
(4-2)确定隐含层的层数和节点数：
具有偏差和至少一个S型隐含层加上一个线性输出层的网络，就能够逼近任何有理函数。网络隐含层节点的作用是从样本中提取并存储其内在规律，每个隐节点有若干个权值，而每个权值都是增强网络映射能力的一个参数。隐节点数量太少，网络从样本中获取信息的能力就差，不足以概括和体现训练集中的样本规律；隐节点数目过多，又可能把样本中非规律性的内容如噪声等也学会记牢，反而降低了网络的泛化能力。而究竟选取多少个隐含节点才合适，这在理论上还没有一个明确的规定，目前大多以经验为主，目前常用的经验公式为：
式中：n——隐含层节点数；
ni——输入节点数；
no——输出节点数；
a——1～10之间的常数。
结合上述经验公式，本文为达到收敛精度与网络泛化能力要求的平衡，最终将隐含层的节点数确定为8个。
(4-3)确定传输函数：
传输函数是BP网络的重要组成部分。传输函数又称激活函数，必须是连续可微的。常用的有S(sigmoid)型函数、纯线性(pureline)函数等。为得到函数的非线形映射，隐含层一般都是采用Sigmoid型函数；而输出层中，如果是Sigmoid型函数，那么整个网络的输出就限制在一个较小的范围内(0～1之间的连续量)；输出层采用Pureline函数，那么整个网络的输出可以取任意值。由于本网络所输出的值为阴燃火、明火概率，其取值范围为0～1，因此本网络输出层也采用Sigmoid型函数。
(4-4)构建人工神经网络模型
模型中各网络变量表示如下：
输入模式向量：其中，代表第k组样本温度的输入，代表第k组样本烟雾浓度的输入，代表第k组样本CO浓度的输入；
期望输出向量：其中，代表第k组样本明火的期望输出，代表第k组样本阴燃火概率的期望输出；代表第k组样本明火的期望输出；
隐含层各单元的输入激活值向量：
隐含层各单元的输出向量：
输出层各单元的输入激活值向量：
输出实际值向量：其中，代表第k组样本明火的实际输出，代表第k组样本阴燃火概率的实际输出；代表第k组样本明火的实际输出；
输入层至隐含层的连接权：Wij；
隐含层至输出层的连接权：Wjo；
隐含层神经元的阈值为：γj；
输出层神经元的阈值为：θo；
有益效果
与现有技术相比，本发明具有如下优点：
第一：本发明在详细分析了火灾监测应用需求的基础上，构建基于多传感器组成的无线传感网的智能火灾探测算法。算法中充分考虑到作为探测量的火情参数的选取，因此在数据级处理上采用了异质传感器数据同质化的方法对原始数据进行标准化过程，解决了由于不同种类的传感器数据范围不同造成的数据大小的影响。
第二：本发明针对分布式WSN的特点，结合火灾本身具有非结构性的特点，在特征级处理上采用了人工神经网络方法，将数据融合技术应用于火灾探测系统中，进一步消除了网络中的冗余信息，同时提高了对火灾的识别精度和WSN的鲁棒性，从而保证了火灾预警的及时性和准确性，提高了消防监控系统决策的科学性。
附图说明
图1为本发明提出的智能火灾探测算法的系统层次模型。
图2为本发明的智能火灾探测算法中特征级采用的人工神经网络的模型。
图3为本发明的智能火灾探测算法中特征级融合的算法流程图。
图4为本发明的智能火灾探测算法中特征级神经网络训练误差收敛图。
具体实施方式
以下结合附图，对本发明技术方案进行详细说明，具体实施如下：
图1为本发明提出的智能火灾探测算法的系统层次模型，主要有如下几个步骤：
(1)由3种传感器构成的WSN采集监测包括CO的含量、温度和烟雾浓度的变化来获取火灾检测参数，为后续火灾探测算法提供数据源；
(2)对WSN采集到的3种传感器原始数据进行同质化数据级1次处理；然后对同质化过的数据进行归一化数据级2次处理，为后续特征层的有效融合做准备；
(3)对经过数据级预处理后的信号进行特征级处理即人工神经网络智能融合，最终获得明火、阴燃火和无火这三种不同火情的识别概率。
主要步骤的详细说明如下：
步骤二，对WSN采集到的多种传感器原始数据进行数据级多次处理
(一)数据级1次处理具体如下：
假设WSN中集成有N个不同类型的传感器，X(t)＝(x1(t)，x2(t)，...，xN(t))表示在t时刻时由N个传感器的测量值组成的输入信号向量。记：
其中K为用来计算μi和σi的样本数据的个数。
根据上述函数对各传感器数据进行同质转换，转换公式如下：
则转换后的输入信号向量为Y(t)＝(y1(t)，y2(t)，...，yN(t))：其中yi(t)为对传感器节点xi(t)在t时刻采集的数据进行同质转化后的数据。
(二)数据级2次处理具体如下：
原始传感器数据经过同质化处理后，消除了传感器种类不同的影响。为了后续特征层的有效融合，还要对数据进行归一化处理，旨在对数据进行必要的压缩，加快网络校正进程。传感器节点数据级2次处理公式：
其中，yi(t)是原始数据同质化后的结果，x′i(t)是对yi(t)进行归一化处理后的值。
步骤三，对预处理后的数据进行特征级融合处理
图2为本发明中特征级采用的人工神经网络的模型，根据提出的算法需求对网络结构的分析设计如下：
(一)确定网络输入层和输出层：
根据火灾探测量表现为非结构特性，考虑到BP神经网络具有自学习、自适应、训练简便、分类速度快等优良特性，因此本算法使用了BP网络进行特征提取。特征层将信息层送来的各种特征信息，运用模式识别的方法进行融合，实现多元特征向量的关联，完成目标对象特征的识别。在火灾的过程中，阴燃火和明火作为火情的两种状态，其表现特征有明显的不同。如明火条件下伴随着温度信号的急剧增大及CO浓度的缓慢增加；阴燃火发生时则往往伴随着烟雾和CO浓度的增大及温度的基本稳定。此外，在这两种火情状态下，所要求的救灾措施也不尽相同。因此，本文将阴燃火，明火以及无火分别作为特征层的识别目标对象。
网络的输入为数据级提供的特征参数信息，分别为烟雾浓度、CO浓度、温度，网络的输入层节点数因此也就为3；网络的输出为明火概率，阴燃火概率和无火概率，网络的输出层节点数也为3。
(二)确定隐含层的层数和节点数：
具有偏差和至少一个S型隐含层加上一个线性输出层的网络，就能够逼近任何有理函数。网络隐含层节点的作用是从样本中提取并存储其内在规律，每个隐节点有若干个权值，而每个权值都是增强网络映射能力的一个参数。隐节点数量太少，网络从样本中获取信息的能力就差，不足以概括和体现训练集中的样本规律；隐节点数目过多，又可能把样本中非规律性的内容如噪声等也学会记牢，反而降低了网络的泛化能力。而究竟选取多少个隐含节点才合适，这在理论上还没有一个明确的规定，目前大多以经验为主，目前常用的经验公式为：
式中：n——隐含层节点数；
ni——输入节点数；
no——输出节点数；
a——1～10之间的常数。
结合上述经验公式，本文为达到收敛精度与网络泛化能力要求的平衡，最终将隐含层的节点数确定为8个。
(三)确定传输函数：
传输函数是BP网络的重要组成部分。传输函数又称激活函数，必须是连续可微的。常用的有S(sigmoid)型函数、纯线性(pureline)函数等。为得到函数的非线形映射，隐含层一般都是采用Sigmoid型函数；而输出层中，如果是Sigmoid型函数，那么整个网络的输出就限制在一个较小的范围内(0～1之间的连续量)；输出层采用Pureline函数，那么整个网络的输出可以取任意值。由于本网络所输出的值为阴燃火、明火概率，其取值范围为0～1，因此本网络输出层也采用Sigmoid型函数。
(四)构建人工神经网络模型
模型中各网络变量表示如下：
输入模式向量：其中，代表第k组样本温度的输入，代表第k组样本烟雾浓度的输入，代表第k组样本CO浓度的输入；
期望输出向量：其中，代表第k组样本明火的期望输出，代表第k组样本阴燃火概率的期望输出；代表第k组样本明火的期望输出；
隐含层各单元的输入激活值向量：
隐含层各单元的输出向量：
输出层各单元的输入激活值向量：
输出实际值向量：其中，代表第k组样本明火的实际输出，代表第k组样本阴燃火概率的实际输出；代表第k组样本明火的实际输出；
输入层至隐含层的连接权：Wij；
隐含层至输出层的连接权：Wjo；
隐含层神经元的阈值为：γj；
输出层神经元的阈值为：θo；
图3为本发明中特征级融合算法的流程图。BP神经网络的融合训练过程由输入信号的前向传播过程和误差的反向传播过程组成。在前向传播过程中，输入信息从输入层经隐含层处理传到输出层。如果误差函数不满足要求，即达不到期望的输出，则进行反向传播，将误差信号沿原路返回，并根据该误差函数调整网络各层单元的权值，然后不断循环反复上述的权值调整过程，最终实现误差满足标准要求，此时神经网络结束学习训练状态。
图4为本发明中特征级神经网络训练误差曲线图。由该曲线图可以看出特征级人工神经网络训练得到的误差是持续收敛的，满足融合训练过程的要求。进一步验证了火灾探测算法的识别率较高。
Claims (6)
1.一种基于WSN的智能火灾探测方法，其特征在于，具体步骤如下：
步骤1)火灾检测参数的选取，由温度、烟雾和CO三种传感器构成的无线传感网负责采集监测CO的含量、温度和烟雾浓度的变化来完成火灾探测算法；
步骤2)WSN采集信号的数据级1次处理，对步骤1)采集到的3种传感器原始数据进行同质化处理；
步骤3)WSN采集信号的数据级2次处理，对步骤2)同质化过的数据进行归一化处理，为后续特征层的有效融合做准备；
步骤4)WSN采集信号的特征级处理，对经过数据级预处理后的信号进行人工神经网络智能融合；
步骤5)经过多层次分级智能火灾探测算法融合之后，获得不同火情的识别概率。
2.根据权利要求1所述的方法，其特征在于，步骤2)所述的数据级1次处理具体如下：
假设WSN中集成有N个不同类型的传感器，X(t)＝(x1(t)，x2(t)，...，xN(t))表示在t时刻时由N个传感器的测量值组成的输入信号向量；记：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mi>i</mi>
<mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mi>N</mi>
<mo>&rsqb;</mo>
</mrow>
其中K为用来计算μi和σi的样本数据的个数；
根据上述函数对各传感器数据进行同质转换，转换公式如下：
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>=</mo>
<mo>|</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
</mrow>
则转换后的输入信号向量为Y(t)＝(y1(t)，y2(t)，...，yN(t))：其中yi(t)为对传感器节点xi(t)在t时刻采集的数据进行同质转化后的数据。
3.根据权利要求1所述的方法，其特征在于，步骤3)所述的数据级2次处理具体如下：
原始传感器数据经过同质化处理后，消除了传感器种类不同的影响；为了后续特征层的有效融合，还要对数据进行归一化处理，旨在对数据进行必要的压缩，加快网络校正进程；传感器节点数据级2次处理公式：
<mrow>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<mn>0.05</mn>
</mrow>
其中，yi(t)是原始数据同质化后的结果，x′i(t)是对yi(t)进行归一化处理后的值。
4.根据权利要求1所述的方法，其特征在于，步骤4)所述WSN采集信号的特征级处理具体如下：
(4-1)确定网络输入层和输出层：
网络的输入为数据级提供的特征参数信息，分别为烟雾浓度、CO浓度、温度；
(4-2)确定隐含层的层数和节点数：
具有偏差和至少一个S型隐含层加上一个线性输出层的网络，就能够逼近任何有理函数；网络隐含层节点的作用是从样本中提取并存储其内在规律，每个隐节点有若干个权值，而每个权值都是增强网络映射能力的一个参数；隐节点数量太少，网络从样本中获取信息的能力就差，不足以概括和体现训练集中的样本规律；隐节点数目过多，又把样本中非规律性的内容如噪声也学会记牢，反而降低了网络的泛化能力，经验公式为：
<mrow>
<mi>n</mi>
<mo>=</mo>
<msqrt>
<mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>n</mi>
<mi>o</mi>
</msub>
</mrow>
</msqrt>
<mo>+</mo>
<mi>a</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式中：n——隐含层节点数；
ni——输入节点数；
no——输出节点数；
a——1～10之间的常数；
(4-3)确定传输函数：
本网络所输出的值为阴燃火、明火概率，其取值范围为0～1，采用Sigmoid型函数；
(4-4)确定人工神经网络模型
模型中各网络变量表示如下：
输入模式向量：其中，代表第k组样本温度的输入，代表第k组样本烟雾浓度的输入，代表第k组样本CO浓度的输入；
期望输出向量：其中，代表第k组样本明火的期望输出，代表第k组样本阴燃火概率的期望输出；代表第k组样本明火的期望输出；
隐含层各单元的输入激活值向量：
隐含层各单元的输出向量：
输出层各单元的输入激活值向量：
输出实际值向量：其中，代表第k组样本明火的实际输出，代表第k组样本阴燃火概率的实际输出；代表第k组样本明火的实际输出；
输入层至隐含层的连接权：Wij；
隐含层至输出层的连接权：Wjo；
隐含层神经元的阈值为：γj；
输出层神经元的阈值为：θo。
5.根据权利要求4所述的方法，其特征在于，所述(4-1)中，网络的输入层节点数因此也就为3；网络的输出为明火概率，阴燃火概率和无火概率，网络的输出层节点数也为3。
6.根据权利要求4所述的方法，其特征在于，所述(4-2)中，达到收敛精度与网络泛化能力要求的平衡，最终将隐含层的节点数n确定为8个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710605219.8A CN107633638B (zh) | 2017-07-24 | 2017-07-24 | 一种基于wsn的智能火灾探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710605219.8A CN107633638B (zh) | 2017-07-24 | 2017-07-24 | 一种基于wsn的智能火灾探测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107633638A true CN107633638A (zh) | 2018-01-26 |
| CN107633638B CN107633638B (zh) | 2019-09-03 |
Family
ID=61099582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710605219.8A Active CN107633638B (zh) | 2017-07-24 | 2017-07-24 | 一种基于wsn的智能火灾探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107633638B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109356652A (zh) * | 2018-10-12 | 2019-02-19 | 深圳市翌日科技有限公司 | 一种矿井下自适应的火灾分级预警方法及系统 |
| CN109784469A (zh) * | 2019-01-25 | 2019-05-21 | 深圳市中电数通智慧安全科技股份有限公司 | 一种基于雾计算的智慧城市安全监控系统及其方法 |
| CN110675587A (zh) * | 2019-09-25 | 2020-01-10 | 深圳市中电数通智慧安全科技股份有限公司 | 火灾预警方法、装置、终端及可读存储介质 |
| CN111651847A (zh) * | 2019-02-18 | 2020-09-11 | 新奥数能科技有限公司 | 一种确定燃气锅炉的运行氧量的方法及装置 |
| 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 |
| CN112418281A (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 | 一种火灾探测传感器数据异常检测方法及系统 |
| CN113223264A (zh) * | 2021-05-08 | 2021-08-06 | 南通理工学院 | 基于qpso-bp神经网络的火灾智能预警系统及方法 |
| CN113420803A (zh) * | 2021-06-16 | 2021-09-21 | 杭州申弘智能科技有限公司 | 一种适用于变电站的多探测器联合火警判定方法 |
| CN114170754A (zh) * | 2021-12-09 | 2022-03-11 | 中科计算技术西部研究院 | 基于大数据的林业维护管理系统 |
| CN114241701A (zh) * | 2021-11-24 | 2022-03-25 | 中国民用航空飞行学院 | 一种基于bp神经网络的多参数融合探测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101442561A (zh) * | 2008-12-12 | 2009-05-27 | 南京邮电大学 | 一种基于支持向量机的网格监控方法 |
| CN104933841A (zh) * | 2015-04-30 | 2015-09-23 | 重庆三峡学院 | 一种基于自组织神经网络的火灾预测方法 |
-
2017
- 2017-07-24 CN CN201710605219.8A patent/CN107633638B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101442561A (zh) * | 2008-12-12 | 2009-05-27 | 南京邮电大学 | 一种基于支持向量机的网格监控方法 |
| CN104933841A (zh) * | 2015-04-30 | 2015-09-23 | 重庆三峡学院 | 一种基于自组织神经网络的火灾预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李凤娟: "数据融合在基于物联网的火灾探测系统中的应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109356652A (zh) * | 2018-10-12 | 2019-02-19 | 深圳市翌日科技有限公司 | 一种矿井下自适应的火灾分级预警方法及系统 |
| CN109356652B (zh) * | 2018-10-12 | 2020-06-09 | 深圳市翌日科技有限公司 | 一种矿井下自适应的火灾分级预警方法及系统 |
| CN109784469A (zh) * | 2019-01-25 | 2019-05-21 | 深圳市中电数通智慧安全科技股份有限公司 | 一种基于雾计算的智慧城市安全监控系统及其方法 |
| CN111651847A (zh) * | 2019-02-18 | 2020-09-11 | 新奥数能科技有限公司 | 一种确定燃气锅炉的运行氧量的方法及装置 |
| CN111651847B (zh) * | 2019-02-18 | 2023-11-03 | 新奥数能科技有限公司 | 一种确定燃气锅炉的运行氧量的方法及装置 |
| CN110675587A (zh) * | 2019-09-25 | 2020-01-10 | 深圳市中电数通智慧安全科技股份有限公司 | 火灾预警方法、装置、终端及可读存储介质 |
| 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 |
| CN112418281A (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 | 一种火灾探测传感器数据异常检测方法及系统 |
| CN113223264A (zh) * | 2021-05-08 | 2021-08-06 | 南通理工学院 | 基于qpso-bp神经网络的火灾智能预警系统及方法 |
| CN113420803A (zh) * | 2021-06-16 | 2021-09-21 | 杭州申弘智能科技有限公司 | 一种适用于变电站的多探测器联合火警判定方法 |
| CN114241701A (zh) * | 2021-11-24 | 2022-03-25 | 中国民用航空飞行学院 | 一种基于bp神经网络的多参数融合探测方法 |
| CN114170754A (zh) * | 2021-12-09 | 2022-03-11 | 中科计算技术西部研究院 | 基于大数据的林业维护管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107633638B (zh) | 2019-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107633638A (zh) | 一种基于wsn的智能火灾探测方法 | |
| CN109356652A (zh) | 一种矿井下自适应的火灾分级预警方法及系统 | |
| Lei et al. | A comprehensive evaluation method for indoor air quality of buildings based on rough sets and a wavelet neural network | |
| Liu et al. | Application of artificial neural networks in global climate change and ecological research: An overview | |
| CN104933841B (zh) | 一种基于自组织神经网络的火灾预测方法 | |
| CN106447184A (zh) | 基于多传感器测量与神经网络学习的无人机操作员状态评估方法 | |
| CN103325204B (zh) | 一种环境参量感知的火灾判定方法 | |
| CN108596251A (zh) | 一种基于委员会机器利用测井数据进行储层流体识别方法 | |
| CN105975991B (zh) | 一种改进的极限学习机火灾种类识别方法 | |
| CN107976934A (zh) | 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统 | |
| CN107067080A (zh) | 基于核极限学习机的泄露气体监测浓度数据虚拟扩展方法 | |
| Ma et al. | Application of data fusion based on deep belief network in air quality monitoring | |
| Ke et al. | The research of network intrusion detection technology based on genetic algorithm and bp neural network | |
| CN107729920A (zh) | 一种基于bp神经网络与d‑s证据理论结合的状态估计方法 | |
| CN105675807A (zh) | 一种基于bp神经网络的莠去津残留评价方法 | |
| CN110827134A (zh) | 一种电网企业财务健康诊断方法 | |
| CN113420803A (zh) | 一种适用于变电站的多探测器联合火警判定方法 | |
| Wen et al. | Design of an intelligent alarm system based on multi-sensor data fusion | |
| Zhao et al. | A novel hybrid algorithm with static and dynamic models for air quality index forecasting | |
| Shouming et al. | An algorithm of fire situation information perception using fuzzy neural network | |
| Sarasvathi | Reliability analysis of an IoT-based air pollution monitoring system using machine learning algorithm-BDBN | |
| Hamazima et al. | Study on Simultaneous-Action Discrimination Method Using Deep Learning | |
| Deng et al. | Fault diagnosis technology based on the fusion of neural network and fuzzy Logic | |
| Sarmadian et al. | Neural computing model for prediction of soil cation exchange capacity: a data mining approach. | |
| Duan et al. | Basketball sports neural network model based on nonlinear classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |