CN113223264A - 基于qpso-bp神经网络的火灾智能预警系统及方法 - Google Patents
基于qpso-bp神经网络的火灾智能预警系统及方法 Download PDFInfo
- Publication number
- CN113223264A CN113223264A CN202110498406.7A CN202110498406A CN113223264A CN 113223264 A CN113223264 A CN 113223264A CN 202110498406 A CN202110498406 A CN 202110498406A CN 113223264 A CN113223264 A CN 113223264A
- Authority
- CN
- China
- Prior art keywords
- neural network
- qpso
- fire
- early warning
- threshold
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 31
- 240000007651 Rubus glaucus Species 0.000 claims abstract description 33
- 235000011034 Rubus glaucus Nutrition 0.000 claims abstract description 33
- 235000009122 Rubus idaeus Nutrition 0.000 claims abstract description 33
- 238000011161 development Methods 0.000 claims abstract description 33
- 239000000779 smoke Substances 0.000 claims abstract description 24
- 238000006243 chemical reaction Methods 0.000 claims abstract description 21
- 238000004891 communication Methods 0.000 claims abstract description 4
- 230000002452 interceptive effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 59
- 230000004913 activation Effects 0.000 claims description 35
- 239000002245 particle Substances 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 13
- 238000000265 homogenisation Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 238000013101 initial test Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Emergency Management (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Fire Alarms (AREA)
Abstract
本发明公开了基于QPSO‑BP神经网络的火灾智能预警系统及方法，包括烟雾传感器、CO浓度传感器、温度传感器、AD转换模块、树莓派4B开发板和物联网设备；温度传感器与树莓派4B开发板电性连接，并将数据传输到树莓派4B开发板中进行存储；烟雾传感器和CO浓度传感器分别通过AD转换模块与树莓派4B开发板电性连接，且AD转换模块将模拟量信号转换成数字信号，并传输到树莓派4B开发板中进行存储；树莓派4B开发板通过无线网络与物联网设备连接进行交互通信，将数据传输到物联网设备，实时判断火灾发生概率并进行输出。本发明采用QPSO算法优化BP神经网络来实现火灾预警，提高了火灾预警的准确性。
Description
技术领域
本发明涉及火灾预警技术领域，具体涉及基于QPSO-BP神经网络的火灾智能预警系统及方法。
背景技术
近年来火灾频发，严重损害生命和财产安全。而市面上现有的火灾预警设备一般采用阈值判断方法检测火灾的发生，并且只考虑单一因素，如：温度、烟雾浓度等。但是这种方式存在以下缺陷：1)采用单一传感器进行数据处理，在复杂坏境下，接收信息不准确，容易出现误报的情况；2)火灾发生后，对火焰图像的判断、预警能力低；3)火灾的信号传输主要采用传统有线，成本高、占地面积大，且影响环境；4)一般采用单一设备运行，无配套APP使用，对火灾信号的接收延迟较长，可扩展能力低。因此，以上问题亟需解决。
发明内容
本发明要解决的技术问题是提供基于QPSO-BP神经网络的火灾智能预警系统及方法，摒弃了在复杂环境下单一信号检测的方法，采用多个传感器共同检测周边坏境变化情况，并采用QPSO算法优化BP神经网络来实现火灾预警，从而降低了误报率，提高了火灾预警的准确性以及火灾预警速度。
为解决上述技术问题，本发明采取如下技术方案：本发明的基于QPSO-BP神经网络的火灾智能预警系统，其创新点在于：包括烟雾传感器、CO浓度传感器、温度传感器、AD转换模块、树莓派4B开发板、无线网络和物联网设备；在每一个火灾检测点分别设有烟雾传感器、CO浓度传感器、温度传感器、AD转换模块和树莓派4B开发板，且每一所述温度传感器均与对应所述树莓派4B开发板电性连接，并分别将检测到的数据传输到对应树莓派4B开发板中进行本地存储；每一所述烟雾传感器和CO浓度传感器分别通过AD转换模块与对应所述树莓派4B开发板电性连接，且AD转换模块将检测到的模拟量信号转换成数字信号，并分别传输到对应树莓派4B开发板中进行本地存储；每一所述树莓派4B开发板均通过无线网络与所述物联网设备连接进行交互通信，将检测到的数据传输到物联网设备，实时判断火灾发生概率并进行输出。
优选的，每一所述烟雾传感器采用的型号均为MQ-2；每一所述CO浓度传感器采用的型号均为MQ-7；每一所述温度传感器采用的型号均为DHT11；每一所述AD转换模块采用的型号均为PCF8591。
优选的，每一所述树莓派4B开发板均自带BCM54213 WiFi模块，且利用树莓派4B开发板自带的BCM54213 WiFi模块，再通过无线网络将检测到的数据传输到物联网设备。
优选的，所述物联网设备为电脑端、手机APP、消防系统或智能家居。
本发明的基于QPSO-BP神经网络的火灾智能预警系统的预警方法，其创新点在于：采用QPSO算法优化BP神经网络来实现火灾预警，且QPSO算法的运行过程包括以下步骤：
(1)数据预处理：将传感器采集的数据进行归一化处理，即将原始的数据统一到0和1之间；
(2)BP神经网络结构确定：根据问题描述确定BP神经网络的输入与输出、隐含层节点数以及激活函数，进而确定BP神经网络的结构；
(3)QPSO算法优化权值和阈值：使用QPSO算法优化BP神经网络的权值和阈值，将产生的初始权值和阈值作为QPSO算法的输入，再通过粒子寻优确定最优的权值和阈值，并输出给BP神经网络；
(4)BP神经网络预测：BP神经网络用QPSO算法得到的最优个体对网络初始权值和阈值进行赋值，再通过网络训练，输出火灾的预测值。
优选的，在上述步骤(1)中，传感器采集数据的同质化处理为：
其中，输入为H个传感器在t时刻的信号x(t)＝(x1(t),x2(t),...,xN(t))，同质转换后的输出信号为y(t)＝(y1(t),y2(t),...,yN(t))；
经过同质化处理后，则采用公式(4)对数据进行归一化处理：
其中，yi(t)是上一步同质化输出的数据，x′i(t)是对其进行归一化送到BP神经网络的数据。
优选的，在上述步骤(2)中，确定BP神经网络结构的具体流程为：
(2.1)确定网络输入层和输出层：网络的输入层节点数为3，分别是温度数据，烟雾浓度数据和CO浓度数据；网络的输出层节点数为3，分别是无火概率、阴燃火概率和明火概率；
(2.2)确定隐含层节点数：采用试验法进行隐含层节点数数量的选择，其公式为：
其中，式中n是隐含层的节点数量，n1是输入层的节点数量，n2是输出层的的节点数量，n3是在0到10之间的常数；
通过公式(5)，结合BP神经网络训练时的输出结果，经过试验确定隐含层节点数为8；
(2.3)确定激活函数：引入非线性函数作为网络的激活函数。
优选的，在上述步骤(2.3)中，常用的非线性函数为以下三种类型，且采用S型激活函数作为网络的激活函数：
(2.3.1)阈值型激活函数，通过设定阈值u将输入变为0或者1两种数值，且其函数关系式为：
(2.3.2)分段线性型激活函数，且其函数关系式为：
(2.3.3)S型激活函数，将输入转化为0到1的范围之内，且其对数函数关系式为：
双曲正切函数关系式为：
优选的，在上述步骤(3)中，采用QPSO算法优化权值和阈值的具体流程为：
(3.1)确定量子粒子群的解码方案，将BP神经网络随机产生的初试权值、阈值与粒子群进行对应；
(3.2)初始化量子粒子群，并设定种群参数；
(3.3)进行粒子寻优确定个体最优值和全局最优值，通过量子粒子群的解码方案转换为权值和阈值；
(3.4)确定适应度函数，优化权值、阈值的评价标准，即期望输出与实际输出基本吻合，假设w是样本的数量，y1为网络的实际输出，y2是网络的期望输出，则适应度函数为：
(3.5)按照QPSO的设定更新粒子群的信息；
(3.6)根据适应度函数计算粒子适应度，并对粒子的状态进行评价；
(3.7)如果满足QPSO算法终止条件，则输出结果，并将当前的最优值作为BP神经网络的权值和阈值；如果不满足QPSO算法终止条件，则转入步骤(3.3)继续进行计算。
优选的，在上述步骤(4)中，网络训练的具体过程为：
(4.1)设BP神经网络隐含层的节点为i，则其输入变量neti为：
其输出变量yi为：
其中，θi是隐含层第i个节点的阈值；
(4.2)设BP神经网络输出层的节点为k，则其输入变量netk为：
其输出变量ok为：
其中，θi是隐含层第i个节点的阈值；ak是输出层第k个节点的阈值；
(4.3)通过公式(15)计算输出层节点k的误差ek，即实际值与预测值的差值：
ek＝yk-ok (15)
(4.4)通过评价输出误差进而更新隐含层和输出层的权值、阈值，且输出层权值调整如公式(16)：
隐含层权值调整如公式(17)：
其中，E是总误差，且其计算公式为
是隐含层的激活函数；ψ′(x)是输出层的激活函数；
(4.5)判断结果是否满足终止条件，如果满足终止条件则输出结果，QPSO算法结束；如果不满足终止条件则返回(4.1)继续进行计算。
本发明的有益效果：
(1)本发明摒弃了在复杂环境下单一信号检测的方法，采用多个传感器共同检测周边坏境变化情况，并采用QPSO算法优化BP神经网络来实现火灾预警，从而降低了误报率，提高了火灾预警的准确性以及火灾预警速度；
(2)本发明可以通过物联网设备方便快捷的查看各个火灾检测点的实时情况，有火情第一时间推送通知到工作人员，并且具有丰富的扩展性，可以接入后续开发的其它物联网设备。
附图说明
为了更清晰地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于QPSO-BP神经网络的火灾智能预警系统的连接示意图。
图2为本发明中QPSO算法优化BP神经网络的整体框架图。
图3为本发明中激活函数图像。
图4为本发明中BP神经网络结构图。
具体实施方式
下面将通过具体实施方式对本发明的技术方案进行清楚、完整地描述。
本发明的基于QPSO-BP神经网络的火灾智能预警系统，包括烟雾传感器、CO浓度传感器、温度传感器、AD转换模块、树莓派4B开发板、无线网络和物联网设备；如图1所示，在每一个火灾检测点分别设有烟雾传感器、CO浓度传感器、温度传感器、AD转换模块和树莓派4B开发板，且每一个温度传感器均与对应树莓派4B开发板电性连接，并分别将检测到的数据传输到对应树莓派4B开发板中进行本地存储；每一个烟雾传感器和CO浓度传感器分别通过AD转换模块与对应树莓派4B开发板电性连接，且AD转换模块将检测到的模拟量信号转换成数字信号，并分别传输到对应树莓派4B开发板中进行本地存储；每一个树莓派4B开发板均通过无线网络与物联网设备连接进行交互通信，将检测到的数据传输到物联网设备，实时判断火灾发生概率并进行输出。其中，每一个烟雾传感器采用的型号均为MQ-2；每一个CO浓度传感器采用的型号均为MQ-7；每一个温度传感器采用的型号均为DHT11；每一个AD转换模块采用的型号均为PCF8591。
如图1所示，每一个树莓派4B开发板均自带BCM54213 WiFi模块，且利用树莓派4B开发板自带的BCM54213 WiFi模块，再通过无线网络将检测到的数据传输到物联网设备。其中，物联网设备为电脑端、手机APP、消防系统或智能家居。
由于BP神经网络在进行模型训练的过程中，权值和阈值是随机产生，会导致收敛速度慢、陷入局部最小值等缺点；而QPSO算法(即量子粒子群算法)具有优异的全局搜索能力，进行权值和阈值的优化，赋值给BP神经网络可以有效弥补缺陷；因此，如图2、图4所示，本发明的基于QPSO-BP神经网络的火灾智能预警系统的预警方法，是采用QPSO算法优化BP神经网络来实现火灾预警，且QPSO算法的运行过程包括以下步骤：
(1)数据预处理：将传感器采集的数据进行归一化处理，即将原始的数据统一到0和1之间，这样可以避免信息值过大而影响最小值信息的表现，提高预测的准确度；
在油库消防系统中，可以使用多种传感器采集火灾现场的数据进行火灾的预警，但并不是采集越多的火灾信号，BP神经网络融合处理效果就越好。火灾发生时变化细微的数据进行采集输入，虽然可以少量提高预测的准确度，但是却会付出算法复杂度与运行时间增加的代价。当然如果只获取单个火灾信号，便会出现与传统火灾探测算法相同的缺点，抗干扰能力差，预测准确度低。而在火灾发生时，往往会释放出大量的热量与烟雾，所以温度与烟雾是火灾的典型信号。在无火环境中，CO气体的含量很低，只有当火灾发生后，才会产生大量的CO气体。因此本发明采用温度、烟雾和CO传感器的数据作为神经网络的输入，不同的传感器使用同质化方法消除相互之间的影响，并且对数据进行归一化处理，提高网络的训练速度与准确度；
在上述步骤中，传感器采集数据的同质化处理为：
其中，输入为H个传感器在t时刻的信号x(t)＝(x1(t),x2(t),...,xN(t))，同质转换后的输出信号为y(t)＝(y1(t),y2(t),...,yN(t))；
经过同质化处理后，则采用公式(4)对数据进行归一化处理：
其中，yi(t)是上一步同质化输出的数据，x′i(t)是对其进行归一化送到BP神经网络的数据。
(2)BP神经网络结构确定：根据问题描述确定BP神经网络的输入与输出、隐含层节点数以及激活函数，进而确定BP神经网络的结构；
在上述步骤中，确定BP神经网络结构的具体流程为：
(2.1)确定网络输入层和输出层：通过上述的分析，确定了BP神经网络的输入分别是温度、烟雾和CO传感器采集的数据，经过数据预处理后，提高网络的预测速度与准确度；因此网络的输入层节点数为3，分别是温度数据，烟雾浓度数据和CO浓度数据；在输出层设计中考虑了火灾发生的不同阶段，在阴燃火过程中，温度变化平缓，烟雾和CO的浓度会大幅增加，明火的过程中，温度快速升高，但是烟雾浓度较小，因此网络的输出层节点数为3，分别是无火概率、阴燃火概率和明火概率；
(2.2)确定隐含层节点数：在BP神经网络中，隐含层的节点数与输出输入层的节点数密不可分，因此需要考虑多方面的因素进行设计；当隐含层节点数不足时，无法有效的提取数据信息，造成预测精度低的情况，若设计过多的隐含层节点数，又会导致干扰信息被重复使用，影响输出结果；因此采用试验法进行隐含层节点数数量的选择，其公式为：
其中，式中n是隐含层的节点数量，n1是输入层的节点数量，n2是输出层的的节点数量，n3是在0到10之间的常数；
通过公式(5)，结合BP神经网络训练时的输出结果，经过试验确定隐含层节点数为8；
(2.3)确定激活函数：激活函数是BP神经网络的重要组成部分，不使用激活函数则会导致隐含层效果失效，下一层的输入与上一层的输出相同，虽然隐含层数设置数量多，最后输出的结果还是输入的线性组合；因此引入非线性函数作为网络的激活函数则可以实现逼近任意函数的特点；
在上述步骤中，常用的非线性函数为以下三种类型，且采用S型激活函数作为网络的激活函数：
(2.3.1)阈值型激活函数，通过设定阈值u将输入变为0或者1两种数值，且其函数关系式为：
其函数图像如图3中(a)所示；
(2.3.2)分段线性型激活函数，且其函数关系式为：
其函数图像如图3中(b)所示；
(2.3.3)S型激活函数，将输入转化为0到1的范围之内，且其对数函数关系式为：
其函数图像如图3中(c)所示；
双曲正切函数关系式为：
其函数图像如图3中(d)所示；
其中，S型激活函数在BP神经网络中的应用广泛，结合本发明设计的智能火灾预警算法的功能需求，因此采用S型激活函数作为网络的激活函数；
通过上述的分析，确定了输入层、输出层与隐含层的节点数，BP神经网络的总结构如图4所示。
(3)QPSO算法优化权值和阈值：使用QPSO算法优化BP神经网络的权值和阈值，将产生的初始权值和阈值作为QPSO算法的输入，再通过粒子寻优确定最优的权值和阈值，并输出给BP神经网络；
本发明确定了BP神经网络的结构后，可以通过QPSO算法优化权值和阈值改进BP神经网络的不足；BP神经网络具有良好的学习能力，但是在权值和阈值方面是随机产生，容易产生收敛速度慢与陷入局部最小值的缺点；QPSO算法具有强大的全局寻优能力，可以对权值和阈值进行优化，输出最优值，减少神经网络的计算量，提高准确度。
在应用QPSO算法的过程中，将神经网络随机产生的初试阈值和权值进行编码，与粒子进行对应生成粒子群体，通过优化算法寻找个体最优值和全局最优值，解码成权值和阈值；通过BP神经网络训练样本产生的平均误差确定个体的适应度，从而进行粒子更新，完成后输出最优的神经网络初试权值和阈值。
在上述步骤中，采用QPSO算法优化权值和阈值的具体流程为：
(3.1)确定量子粒子群的解码方案，将BP神经网络随机产生的初试权值、阈值与粒子群进行对应；
(3.2)初始化量子粒子群，并设定种群参数，例如更新方式和数量；
(3.3)进行粒子寻优确定个体最优值和全局最优值，通过量子粒子群的解码方案转换为权值和阈值；
(3.4)确定适应度函数，优化权值、阈值的评价标准就是BP神经网络的训练误差小，即期望输出与实际输出基本吻合，假设w是样本的数量，y1为网络的实际输出，y2是网络的期望输出，则适应度函数为：
(3.5)按照QPSO的设定更新粒子群的信息；
(3.6)根据适应度函数计算粒子适应度，并对粒子的状态进行评价；
(3.7)如果满足QPSO算法终止条件，则输出结果，并将当前的最优值作为BP神经网络的权值和阈值，实现对BP神经网络的优化；如果不满足QPSO算法终止条件，则转入步骤(3.3)继续进行计算。
(4)BP神经网络预测：BP神经网络用QPSO算法得到的最优个体对网络初始权值和阈值进行赋值，再通过网络训练，输出火灾的预测值。
在上述步骤中，网络训练的具体过程为：
(4.1)设BP神经网络隐含层的节点为i，则其输入变量neti为：
其输出变量yi为：
其中，θi是隐含层第i个节点的阈值；
(4.2)设BP神经网络输出层的节点为k，则其输入变量netk为：
其输出变量ok为：
其中，θi是隐含层第i个节点的阈值；ak是输出层第k个节点的阈值；
(4.3)通过公式(15)计算输出层节点k的误差ek，即实际值与预测值的差值：
ek＝yk-ok (15)
(4.4)通过评价输出误差进而更新隐含层和输出层的权值、阈值，且输出层权值调整如公式(16)：
隐含层权值调整如公式(17)：
其中，E是总误差，且其计算公式为
是隐含层的激活函数；ψ′(x)是输出层的激活函数；
(4.5)判断结果是否满足终止条件，如果满足终止条件则输出结果，QPSO算法结束；如果不满足终止条件则返回(4.1)继续进行计算。
本发明的有益效果：
(1)本发明摒弃了在复杂环境下单一信号检测的方法，采用多个传感器共同检测周边坏境变化情况，并采用QPSO算法优化BP神经网络来实现火灾预警，从而降低了误报率，提高了火灾预警的准确性以及火灾预警速度；
(2)本发明可以通过物联网设备方便快捷的查看各个火灾检测点的实时情况，有火情第一时间推送通知到工作人员，并且具有丰富的扩展性，可以接入后续开发的其它物联网设备。
上面所述的实施例仅仅是本发明的优选实施方式进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计构思的前提下，本领域中普通工程技术人员对本发明的技术方案作出的各种变型和改进均应落入本发明的保护范围，本发明的请求保护的技术内容，已经全部记载在技术要求书中。
Claims (10)
1.基于QPSO-BP神经网络的火灾智能预警系统，其特征在于：包括烟雾传感器、CO浓度传感器、温度传感器、AD转换模块、树莓派4B开发板、无线网络和物联网设备；在每一个火灾检测点分别设有烟雾传感器、CO浓度传感器、温度传感器、AD转换模块和树莓派4B开发板，且每一所述温度传感器均与对应所述树莓派4B开发板电性连接，并分别将检测到的数据传输到对应树莓派4B开发板中进行本地存储；每一所述烟雾传感器和CO浓度传感器分别通过AD转换模块与对应所述树莓派4B开发板电性连接，且AD转换模块将检测到的模拟量信号转换成数字信号，并分别传输到对应树莓派4B开发板中进行本地存储；每一所述树莓派4B开发板均通过无线网络与所述物联网设备连接进行交互通信，将检测到的数据传输到物联网设备，实时判断火灾发生概率并进行输出。
2.根据权利要求1所述的基于QPSO-BP神经网络的火灾智能预警系统，其特征在于：每一所述烟雾传感器采用的型号均为MQ-2；每一所述CO浓度传感器采用的型号均为MQ-7；每一所述温度传感器采用的型号均为DHT11；每一所述AD转换模块采用的型号均为PCF8591。
3.根据权利要求1所述的基于QPSO-BP神经网络的火灾智能预警系统，其特征在于：每一所述树莓派4B开发板均自带BCM54213 WiFi模块，且利用树莓派4B开发板自带的BCM54213 WiFi模块，再通过无线网络将检测到的数据传输到物联网设备。
4.根据权利要求1所述的基于QPSO-BP神经网络的火灾智能预警系统，其特征在于：所述物联网设备为电脑端、手机APP、消防系统或智能家居。
5.根据权利要求1所述的基于QPSO-BP神经网络的火灾智能预警系统的预警方法，其特征在于：采用QPSO算法优化BP神经网络来实现火灾预警，且QPSO算法的运行过程包括以下步骤：
(1)数据预处理：将传感器采集的数据进行归一化处理，即将原始的数据统一到0和1之间；
(2)BP神经网络结构确定：根据问题描述确定BP神经网络的输入与输出、隐含层节点数以及激活函数，进而确定BP神经网络的结构；
(3)QPSO算法优化权值和阈值：使用QPSO算法优化BP神经网络的权值和阈值，将产生的初始权值和阈值作为QPSO算法的输入，再通过粒子寻优确定最优的权值和阈值，并输出给BP神经网络；
(4)BP神经网络预测：BP神经网络用QPSO算法得到的最优个体对网络初始权值和阈值进行赋值，再通过网络训练，输出火灾的预测值。
6.根据权利要求5所述的基于QPSO-BP神经网络的火灾智能预警系统的预警方法，其特征在于：在上述步骤(1)中，传感器采集数据的同质化处理为：
其中，输入为H个传感器在t时刻的信号x(t)＝(x1(t),x2(t),...,xN(t))，同质转换后的输出信号为y(t)＝(y1(t),y2(t),...,yN(t))；
经过同质化处理后，则采用公式(4)对数据进行归一化处理：
其中，yi(t)是上一步同质化输出的数据，x′i(t)是对其进行归一化送到BP神经网络的数据。
7.根据权利要求5所述的基于QPSO-BP神经网络的火灾智能预警系统的预警方法，其特征在于：在上述步骤(2)中，确定BP神经网络结构的具体流程为：
(2.1)确定网络输入层和输出层：网络的输入层节点数为3，分别是温度数据，烟雾浓度数据和CO浓度数据；网络的输出层节点数为3，分别是无火概率、阴燃火概率和明火概率；
(2.2)确定隐含层节点数：采用试验法进行隐含层节点数数量的选择，其公式为：
其中，式中n是隐含层的节点数量，n1是输入层的节点数量，n2是输出层的的节点数量，n3是在0到10之间的常数；
通过公式(5)，结合BP神经网络训练时的输出结果，经过试验确定隐含层节点数为8；
(2.3)确定激活函数：引入非线性函数作为网络的激活函数。
8.根据权利要求7所述的基于QPSO-BP神经网络的火灾智能预警系统的预警方法，其特征在于：在上述步骤(2.3)中，常用的非线性函数为以下三种类型，且采用S型激活函数作为网络的激活函数：
(2.3.1)阈值型激活函数，通过设定阈值u将输入变为0或者1两种数值，且其函数关系式为：
(2.3.2)分段线性型激活函数，且其函数关系式为：
(2.3.3)S型激活函数，将输入转化为0到1的范围之内，且其对数函数关系式为：
双曲正切函数关系式为：
9.根据权利要求5所述的基于QPSO-BP神经网络的火灾智能预警系统的预警方法，其特征在于：在上述步骤(3)中，采用QPSO算法优化权值和阈值的具体流程为：
(3.1)确定量子粒子群的解码方案，将BP神经网络随机产生的初试权值、阈值与粒子群进行对应；
(3.2)初始化量子粒子群，并设定种群参数；
(3.3)进行粒子寻优确定个体最优值和全局最优值，通过量子粒子群的解码方案转换为权值和阈值；
(3.4)确定适应度函数，优化权值、阈值的评价标准，即期望输出与实际输出基本吻合，假设w是样本的数量，y1为网络的实际输出，y2是网络的期望输出，则适应度函数为：
(3.5)按照QPSO的设定更新粒子群的信息；
(3.6)根据适应度函数计算粒子适应度，并对粒子的状态进行评价；
(3.7)如果满足QPSO算法终止条件，则输出结果，并将当前的最优值作为BP神经网络的权值和阈值；如果不满足QPSO算法终止条件，则转入步骤(3.3)继续进行计算。
10.根据权利要求5所述的基于QPSO-BP神经网络的火灾智能预警系统的预警方法，其特征在于：在上述步骤(4)中，网络训练的具体过程为：
(4.1)设BP神经网络隐含层的节点为i，则其输入变量neti为：
其输出变量yi为：
其中，θi是隐含层第i个节点的阈值；
(4.2)设BP神经网络输出层的节点为k，则其输入变量netk为：
其输出变量ok为：
其中，θi是隐含层第i个节点的阈值；ak是输出层第k个节点的阈值；
(4.3)通过公式(15)计算输出层节点k的误差ek，即实际值与预测值的差值：
ek＝yk-ok (15)
(4.4)通过评价输出误差进而更新隐含层和输出层的权值、阈值，且输出层权值调整如公式(16)：
隐含层权值调整如公式(17)：
其中，E是总误差，且其计算公式为
是隐含层的激活函数；ψ′(x)是输出层的激活函数；
(4.5)判断结果是否满足终止条件，如果满足终止条件则输出结果，QPSO算法结束；如果不满足终止条件则返回(4.1)继续进行计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110498406.7A CN113223264B (zh) | 2021-05-08 | 2021-05-08 | 基于qpso-bp神经网络的火灾智能预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110498406.7A CN113223264B (zh) | 2021-05-08 | 2021-05-08 | 基于qpso-bp神经网络的火灾智能预警系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113223264A true CN113223264A (zh) | 2021-08-06 |
| CN113223264B CN113223264B (zh) | 2023-07-25 |
Family
ID=77091791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110498406.7A Active CN113223264B (zh) | 2021-05-08 | 2021-05-08 | 基于qpso-bp神经网络的火灾智能预警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113223264B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113990017A (zh) * | 2021-11-21 | 2022-01-28 | 特斯联科技集团有限公司 | 基于pnn神经网络的森林草原火灾预警系统及方法 |
| CN114330813A (zh) * | 2021-10-31 | 2022-04-12 | 国网福建省电力有限公司 | 一种火灾报警探测器布置方法及系统 |
| CN114432615A (zh) * | 2022-02-18 | 2022-05-06 | 上海安宸信息科技有限公司 | 一种用于石油石化油库储罐的消防控制装置 |
| CN114793304A (zh) * | 2022-06-22 | 2022-07-26 | 深圳市文浩科技有限公司 | 一种人工智能物联网数据信息测量、传输及分析方法 |
| CN115601910A (zh) * | 2022-10-12 | 2023-01-13 | 浙江中威安全科技有限公司（Cn） | 一种应用于电气火灾的早期预警电子鼻系统 |
| CN116983569A (zh) * | 2023-09-26 | 2023-11-03 | 南京南工应急科技有限公司 | 一种基于灭火剂供给强度的储罐灭火应急救援系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107633638A (zh) * | 2017-07-24 | 2018-01-26 | 南京邮电大学 | 一种基于wsn的智能火灾探测方法 |
| CN209149527U (zh) * | 2018-11-07 | 2019-07-23 | 陕西科技大学 | 一种无线消防报警系统 |
| CN110245578A (zh) * | 2019-05-24 | 2019-09-17 | 北京大学 | 一种采用量子粒子群算法优化神经网络权值的手势识别方法 |
| US20200241487A1 (en) * | 2019-01-24 | 2020-07-30 | Qingdao university of technology | Networked control system time-delay compensation method based on predictive control |
| CN111508182A (zh) * | 2020-04-29 | 2020-08-07 | 湖南天睿小微科技有限公司 | 一种新型物联网用于小区消防的监测警报系统 |
| CN111625994A (zh) * | 2020-05-25 | 2020-09-04 | 齐鲁工业大学 | 一种基于动态集成神经网络的多源信息融合火灾预测方法 |
| 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 |
-
2021
- 2021-05-08 CN CN202110498406.7A patent/CN113223264B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107633638A (zh) * | 2017-07-24 | 2018-01-26 | 南京邮电大学 | 一种基于wsn的智能火灾探测方法 |
| CN209149527U (zh) * | 2018-11-07 | 2019-07-23 | 陕西科技大学 | 一种无线消防报警系统 |
| US20200241487A1 (en) * | 2019-01-24 | 2020-07-30 | Qingdao university of technology | Networked control system time-delay compensation method based on predictive control |
| CN110245578A (zh) * | 2019-05-24 | 2019-09-17 | 北京大学 | 一种采用量子粒子群算法优化神经网络权值的手势识别方法 |
| CN111508182A (zh) * | 2020-04-29 | 2020-08-07 | 湖南天睿小微科技有限公司 | 一种新型物联网用于小区消防的监测警报系统 |
| CN111625994A (zh) * | 2020-05-25 | 2020-09-04 | 齐鲁工业大学 | 一种基于动态集成神经网络的多源信息融合火灾预测方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 赵亚琴: "基于模糊神经网络的火灾识别算法", 《计算机仿真》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114330813A (zh) * | 2021-10-31 | 2022-04-12 | 国网福建省电力有限公司 | 一种火灾报警探测器布置方法及系统 |
| CN113990017A (zh) * | 2021-11-21 | 2022-01-28 | 特斯联科技集团有限公司 | 基于pnn神经网络的森林草原火灾预警系统及方法 |
| CN113990017B (zh) * | 2021-11-21 | 2022-04-29 | 特斯联科技集团有限公司 | 基于pnn神经网络的森林草原火灾预警系统及方法 |
| CN114432615A (zh) * | 2022-02-18 | 2022-05-06 | 上海安宸信息科技有限公司 | 一种用于石油石化油库储罐的消防控制装置 |
| CN114793304A (zh) * | 2022-06-22 | 2022-07-26 | 深圳市文浩科技有限公司 | 一种人工智能物联网数据信息测量、传输及分析方法 |
| CN115601910A (zh) * | 2022-10-12 | 2023-01-13 | 浙江中威安全科技有限公司（Cn） | 一种应用于电气火灾的早期预警电子鼻系统 |
| CN115601910B (zh) * | 2022-10-12 | 2023-12-12 | 浙江中威安全科技有限公司 | 一种应用于电气火灾的早期预警电子鼻系统 |
| CN116983569A (zh) * | 2023-09-26 | 2023-11-03 | 南京南工应急科技有限公司 | 一种基于灭火剂供给强度的储罐灭火应急救援系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113223264B (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113223264A (zh) | 基于qpso-bp神经网络的火灾智能预警系统及方法 | |
| 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 | |
| CN104933841A (zh) | 一种基于自组织神经网络的火灾预测方法 | |
| CN107633638B (zh) | 一种基于wsn的智能火灾探测方法 | |
| CN111127811B (zh) | 火灾早期探测报警系统和方法 | |
| JP2019079446A (ja) | 火災監視システム | |
| CN112002095A (zh) | 一种矿山洞内的火灾预警方法 | |
| CN107911346B (zh) | 一种基于极限学习机的入侵检测方法 | |
| CN110648490B (zh) | 适用于嵌入式平台的多因子火焰识别方法 | |
| CN109993938A (zh) | 火灾监测方法、装置、设备及介质 | |
| CN107240216A (zh) | 基于3dgis+bim技术和人工智能运维应急报警与快速响应方法 | |
| CN105975991B (zh) | 一种改进的极限学习机火灾种类识别方法 | |
| CN103325204A (zh) | 一种环境参量感知的火灾判定方法 | |
| CN113837302B (zh) | 基于物联网的城市安全管理监控方法、系统和电子设备 | |
| CN116664359A (zh) | 一种基于多传感融合的智能火情预警决策系统及方法 | |
| CN115394034B (zh) | 火灾风险的确定方法、装置、系统和机器人 | |
| CN116187740A (zh) | 一种输电线路沿线山火监测方法及系统 | |
| CN117333808B (zh) | 一种面向轻量化部署的建筑物火灾识别方法及系统 | |
| CN113269111A (zh) | 一种基于视频监控的电梯异常行为检测方法及系统 | |
| CN111783940A (zh) | 基于ga-bp神经网络算法的降低火灾误警率的方法 | |
| CN114580979B (zh) | 高温防灾指数检测方法、装置、设备、存储介质及产品 | |
| CN116108884A (zh) | 一种基于遗传算法的改进模糊神经网络火灾检测方法 | |
| Xue et al. | A Fire Detection and Assessment Method based on YOLOv8 | |
| CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
| CN115190377A (zh) | 基于边缘计算的视频感知紧急处理调度系统 |
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 |