CN113936413A - 一种早期火灾监测预警方法和装置 - Google Patents

Abstract

本发明提供一种早期火灾监测预警方法和装置，该方法包括：步骤一：通过安装在室内的摄像头采集室内环境图像信息，以对火灾进行判断；通过安装在室内容易起火的监测区域的传感器来实时监测室内能表征火灾的环境参数信息；步骤二：对所述所述室内环境图像信息和环境参数信息进行处理，分别得到火焰探测的后验概率和火灾后验概率；步骤三：将所述火焰探测的后验概率和火灾后验概率作为不同证据源的基本信度函数输入到DS证据理论中进行决策融合，以获得火灾预测结果。本发明利用多特征量数据融合的方法，创建了火灾预测模型，提高了准确率和稳定性，能够对火灾达到早期的预警，对火灾灾害做出及时有效地监控，把火灾发生的可能性降到最低。

Description

一种早期火灾监测预警方法和装置

技术领域

本发明涉及火灾监测预警技术领域，尤其涉及一种早期火灾监测预警装置及预警方法。

背景技术

目前灾难性的火灾爆发严重威胁人民的生命和财产的安全。随着城市高层、地下建筑的不断增加，可燃、易燃性建筑装饰材料的使用、各种电气设备电缆的老化，直接导致了火灾隐患的增加，每年引起的火灾数量以及伤亡损失也在呈现上升趋向。因此，能够快速、准确的对火灾预警成为目前环境安全监测的一项重要的课题。传统的火灾探测器大多以烟雾、气体、温度、火焰等单一的火灾特征参量作为火灾判断依据，单一的火灾探测器对于火灾算法仅仅采用简单的阈值法，极易受到外界干扰的影响而导致火灾误报。例如在室内设置烟雾探测器、可燃气体传感器、温度传感器等，使用单一的传感器单元对火灾监测具有准确率低、检测实时性差的缺点，不能有效的对火灾危险进行检测预警。

发明内容

本发明的目的在于解决上述现有技术存在的缺陷，提供一种早期的火灾监测预警装置及预警方法，考虑到目前火灾探测方法的不足和装置功能不完善的问题，本发明将嵌入式硬件开发、机器学习和推理决策技术运用到早期火灾预警当中，建立火灾预测模型，采集装置将采集到的环境特征参数实时储存到历史数据储存模块中，输入进模型当中进行火灾预测，并在上位机界面显示警报判断结果。

有益效果：

本发明综合考虑了摄像头监测火焰图像数据以及建筑物室内三处不同地方的环境监测信息，组成四个子网络信息源，对室内火情状况进行综合评估，其中，每处监测点分别取三个特征信息，分别为烟雾浓度、CO体积分数、温度，这三个室内环境参数信息以及火焰能够有效、准确、全面的辨识室内火情状况。

摄像头对于室内火焰图像的识别以及基于多传感器数据的PSO-LSSVM模型特征级融合为室内火情状况提供了初步火情辨识，给后续的D-S决策级融合提供了实时、准确、动态的基本概率分配，克服了现有融合方法的缺陷，提高了火情状况辨识的准确性。

附图说明

图1为本发明提供的火灾监测预警装置的一种结构示意图；

图2为本发明提供的方法的一种火灾预警模型示意图；

图3为本发明提供的摄像头检测火焰的流程示意图；

图4为本发明提供的粒子群优化算法的流程示意图。

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，下面对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供的新型早期火灾监测预警方法，包括以下步骤:

步骤一，如图3所示，通过采集室内环境图像，对火灾进行判断。当摄像头采集到一幅图像后，利用颜色特性和码本背景模型提取图像中类似火焰的像素点，将两者处理后的二值化图像相与，得到疑似火焰像素点，因为火焰初始燃烧的过程是不断增长的趋势，连续采集多幅图像，疑似火焰像素点的量不断增大，当最后一幅处理后的图像中像素点的数量大于设计的阈值，就判断监控场景中有火灾，同时将现场监控图片发送到上位机。计算火焰探测的后验概率，以便与传感器监测点得到的火灾后验概率进行信息融合，公式为：

在上述公式中，S_fire代表火焰像素点的数量，S_pic代表摄像头采集的图片的像素大小，δ是比率因子(其中0≤δ≤1)，这个值按监控摄像头离监控画面的距离大小而设定，当摄像头离监控画面比较远时，δ的值可以取一个小的值。

步骤二，采集建筑物室内火灾特征数据样本，用以PSO-LSSVM预测模型训练测试。如图1所示，首先无线传感器监测点实时采集位置A、位置B、位置C的能表征火灾的特征信息，包括CO体积分数、烟雾浓度、温度等参数，将测量数据通过LoRa无线模块传输至中心汇聚节点，然后中心汇聚点接收了各个监测点的测量数据，并将数据通过串口传输给监测上位机。最后上位机能够处理、存储、显示监测的信息。

所述无线传感器监测点工作过程为：首先微控制器定时控制传感器进行三种特征信息的采集，然后将采集到的信息组织成一定格式的数据帧，将该数据帧发送给LoRa无线模块，最终LoRa模块将接收到的微控制器的数据帧，以LoRa扩频通信的方式将数据帧传输给中心汇聚节点。

步骤三，如图2所示，建立火灾预测模型，分别对三个子信息源采集到的样本数据进行火灾预测，得到火情状况的输出，表示为“明火”、“阴燃”、“无火”。

首先采用线性归一化的方法将采集到的参数的历史数据映射到[0,1]之间的值，具体公式为：

其中：x_i为样本数据值，x_min为样本数据最小值，x_max为样本数据最大值，y_i为归一化后的数值。设采集到的样本为{x₁,x₂,x₃}，假设有m个样本，则将这m个样本数据集记为

输出火情状况

将采集到的样本数据分为训练集和测试集。LSSVM回归预测模型的表达式为：

其中K(x_i,x)为核函数。

如图4所示，利用粒子群优化算法具有记忆和共享信息的能力，通过迭代，更新粒子的位置，对LSSVM模型的惩罚因子c和核函数宽度g这两个关键参数进行优化，过程如下：

1)初始化粒子群，首先设置相关参数，包括种群的大小m＝30、最大速度V_max＝500、惯性因子ω＝0.5、加速因子c₁＝1.5和c₂＝1.7、最大迭代次数＝300以及具体问题相关的适应度函数fitness()；

2)根据粒子的当前信息计算其适应度；

3)选择当前个体最优位置，如果fitness(x_k)>fitness(Pb^k)，则Pb^k＝x_k；

4)选择当前种群最优位置，如果fitness(x_k)>fitness(Nbest^k)，则Nbest^k＝x^k；

5)更新粒子的位置和速度，根据以下公式来更新粒子的位置和速度。如果粒子的速度和位置超出限定范围，需采取相应的策略，例如将超出的速度和位置分量设置预先设置的临界阈值；

v^k+1＝v^k+c₁*rand*(Pb^k-x^k)+c₂*rand*(Nbest^k-x^k)

x^k+1＝x^k+v^k-1

6)判断是否满足迭代条件，如未满足，则返回到第3步，直到满足迭代条件为止。

上述步骤可以求得LSSVM回归预测模型的最优惩罚因子c和核函数宽度g。

由于径向基核函数(RBF)具有表达式简单、径对称、良好的光滑性等优点，选择RBF核函数进行求解，公式如下：

将求得的最优惩罚因子c、最优核函数宽度g、径向基核函数带入到LSSVM回归预测模型中，并利用测试样本对模型进行测试，分别得到三个信息子空间的输出，表示为“明火”、“阴燃”、“无火”三种火情状况的概率值。

步骤四，如图2所示，基于D-S证据理论的决策级融合，对四个信息子空间的决策级融合的过程为：

步骤1：将摄像头采集到的火焰图像数据作为信息子空间1；将位置A采集到的CO体积分数、温度、烟雾浓度的结果作为信息子空间2；以位置B采集到的CO体积分数、温度、烟雾浓度的结果作为信息空间3；以位置C采集到的CO体积分数、温度、烟雾浓度的结果作为信息空间4。这样就构建了由火焰图像数据和三个PSO-LSSVM子网络并联的第一级评估子网络。网络的输出包含3个节点S₁、S₂、S₃，S₁～S₃分别对应明火、阴燃、无火这三种状态；

步骤2：设U为一识别框架，则函数m：2^U→[0,1]在满足下列条件时：

m(A)为A的基本概率值。m(A)表示对命题A的精确信任程度，表示了对A的直接支持。

步骤3：m:2^U→[0,1]是U上的基本概率赋值，定义函数：

BEL：2^U→[0,1]

则称该函数是U上的信任函数：

PL：2^U→[0,1]

PL称为似然函数。

步骤4：证据理论中的组合规则提供了组合2个证据的规则。设m₁，m₂是2^U上的2个相互独立的基本概率赋值，其组合后的基本概率赋值：

设BEL₁和BEL₂是同一识别框架U上的两个信任度函数，m₁、m₂分别是其对应的基本概率赋值，焦元分别为A₁，…，A_k和B₁，…，B_r，又设

在式中，若K₁≠1，则m确定为一个基本概率值；若K₁＝1，则认为m₁、m₂矛盾，不能对基本概率进行组合。对于多个证据组合，可对证据进行两两组合。

步骤5：当K₁≠1时，对传感器监测节点三个子网络的输出值进行归一化处理，得到归一化后的结果分别为

1)令证据理论的识别框架U＝{A₁，A₂，A₃，A₄}，A₁代表火焰探测的后验概率，A₂、A₃、A₄分别代表室内火情的三种状态“明火”、“阴燃火”、“无火”，证据集e＝{e₁，e_,2，e₃，e₄}，e₁表示摄像头采集火焰特征信息的证据体，e₂、e₃和e₄分别表示基于位置A、位置B、位置C采集到的特征信息的证据体，m(A₁)表示基于摄像头采集火焰特征信息对火灾判断的后验概率，m₁(A₂)、m₁(A₃)和m₁(A₄)表示基于位置A的证据体分别在“明火”、“阴燃火”、“无火”三种状态下的基本概率分配，m₂(A₂)、m₂(A₃)、m₂(A₄)表示基于位置B的证据体分别在“明火”、“阴燃火”、“无火”的基本概率分配，m₃(A₂)、m₃(A₃)、m₃(A₄)表示基于位置C的证据体分别在“明火”、“阴燃火”、“无火”的基本概率分配，将子网络的输出归一化后的结果作为识别框架U上的基本概率分配，令,

步骤6：基于D-S证据理论的决策级融合的规则为，

m(A_z)为决策融合后的结果在U上的基本概率分配，z为A的下标值，等于2,3或4，

步骤7：所属决策规则的表达式为，

式中：F_α和F_β为识别框架内的任意不同焦元；ε₁和ε₂为预先设定的阈值。若F_α完全满足上式，则F_α为推理结果。如果F_α代表的室内火情状况为A₂时，那么决策级融合的辨识结果为“明火”；当F_α代表的室内火情状况为A₃时，那么决策级融合的辨识结果为“阴燃”；当F_α代表的室内火情状况为A₄时，那么决策级的辨识结果为“无火”。

具体地，本发明提供的新型早期火灾监测预警方法，包括以下步骤：

步骤1：运用摄像头对建筑物室内的状况监控，利用摄像头采集到的图像传输到上位机，对火焰像素点进行分析，得到摄像头监控结果；

具体地，将监控摄像头安装在建筑物室内具有良好视野的监测点，通过采集室内环境图像，对火灾进行判断。当摄像头采集到一幅图像后，利用颜色特性和码本背景模型提取图像中类似火焰的像素点，将两者处理后的二值化图像相与，得到疑似火焰像素点，因为火焰初始燃烧的过程是不断增长的趋势，连续采集多幅图像，疑似火焰像素点的量不断增大，当最后一幅处理后的图像中像素点的数量大于设计的阈值，就判断监控场景中有火灾，同时将现场监控图片发送到上位机。计算火焰探测的后验概率，以便与传感器监测点得到的火灾后验概率进行信息融合，公式为：

在上述公式中，S_fire代表火焰像素点的数量，S_pic代表摄像头采集的图片的像素大小，δ是比率因子(其中0≤δ≤1)，这个值按监控摄像头离监控画面的距离大小而设定，当摄像头离监控画面比较远时，δ的值可以取一个小的值。

步骤2：将传感器采集节点分别安装在建筑物的三处易于起火的地方，实时采集室内各处的环境参数信息，并将测量数据通过LoRa无线模块传输至中心汇聚节点；再由中心汇聚节点将接收到的数据通过USART串口传输到监测计算机；计算机将接收到的信息以数据表的形式组织存储在MySQL数据库中；同时，计算机上还搭建了界面友好的上位机软件。

具体地，由分布在监测区域内各处的CO、温度、烟雾等传感器节点采集多处参数信息，多个传感器节点和中心汇聚节点组成星型无线传感器网络，各个传感器节点通过LoRa无线通信技术将监测数据输送给中心汇聚节点，再由中心汇聚节点将各个传感器节点的数据通过串口传输至本地上位机程序；

通过采集获取建筑物的历史数据样本，每个样本包括对应采样时刻采集到的关于建筑物室内温度、室内CO浓度、室内烟雾浓度的三组数据；

步骤:3：对采集到的环境参数样本进行预处理；所述的环境参数样本为CO体积分数、烟雾浓度、温度的历史数据，将数据集划分为训练集和测试集；分别对训练集和测试集进行归一化处理，转化成[0,1]之间的值。

具体地，将每个样本中的数据归一化至[0,1]区间内，再将归一化后的特征向量分为训练集和测试集，进而利用训练集的特征向量输入至LSSVM中对其进行训练，同时采用粒子优化算法对LSSVM的惩罚因子c以及核函数宽度g进行优化，从而根据传感器输入的三维数据输出明火、阴燃发生的概率，得到多传感器火灾预测模型。

步骤4：构建LSSVM网络，采用粒子群优化算法对LSSVM中的惩罚因子c以及核函数宽度g进行优化，具体方法如下：

(1)随机产生一个初始种群，种群中每个粒子都有各自的速度和位置，初始的速度和位置随机产生；

(2)利用个体极值以及群体极值对粒子的速度和位置进行更新；

(3)更新个体极值和群体极值，使当前群体极值中的两个分量分别作为LSSVM的惩罚因子c以及核函数宽度g，通过训练将测试集的预测值计算的均方差作为适应度值，当适应度满足预定精度或达到最大迭代次数时对应的惩罚因子c和核函数宽度g即作为优化结果。采用以下公式对粒子速度和位置进行更新：

v^k+1＝v^k+c₁*rand*(Pb^k-x^k)+c₂*rand*(Nbest^k-x^k)

x^k+1＝x^k+v^k-1

其中：x^k和x^k-1分别为粒子更新前后的位置，v^k和v^k+1分别为粒子更新前后的速度，c₁和c₂均为给定的加速系数，rand为0～1之间的随机数，Pb^k和Nbest^k分别为更新前的粒子个体极值和群体极值。得到惩罚因子c和核函数宽度g的最优值，再将这两个参数的最优值带进网络中。

其中，所述步骤(3)中更新个体极值和群体极值的方法为：对于任一粒子，使该粒子当前位置中的两个分量分别作为LSSVM的惩罚因子c以及核函数宽度g，通过训练将测试集的预测值计算的均方差作为粒子的当前适应度；进而比较粒子当前适应度与粒子个体极值以及群体极值适应度的大小；

若粒子当前适应度小于个体极值适应度，则将粒子当前适应度替换作为群体极值适应度，同时将粒子当前位置作为粒子的个体极值，否则保持粒子个体极值以及粒子个体极值适应度不变；

若粒子当前适应度小于群体极值适应，则将粒子当前适应度替换作为群体极值适应度，同时将粒子当前位置作为群体极值，否则保持群体极值以及群体极值适应度不变。在所述粒子群优化算法的迭代过程中引入变异机制，即每次对粒子速度和位置更新以后以一定的概率重新初始化粒子。

步骤5：基于PSO-LSSVM网络的特征级融合，构建的PSO-LSSVM网络有3个，分别对室内三处安装采集装置采集到的信息进行特征级融合，将CO体积分数、烟雾浓度、温度作为输入层的三个输入向量，输出层为三个输出向量，分别对应“明火”，“阴燃”，“无火”三种状态的概率值，对3个子网络的输出值转换后作为3个子证据体的基本概率分配。

步骤6：基于D-S证据理论的决策级融合，决策级融合的过程为，

(1)对三个子网络的输出值进行归一化处理，得到归一化后的结果分别为

(2)令证据理论的识别框架U＝{A₁，A_,2，A₃，A₄}，A₁代表火焰探测的后验概率，A₂、A₃、A₄分别代表室内火情的三种状态“明火”、“阴燃火”、“无火”，证据集e＝{e₁，e₂，e₃，e₄}，e₁表示摄像头采集火焰特征信息的证据体，e₂、e₃和e₄分别表示基于位置A、位置B、位置C采集到的特征信息的证据体，m(A₁)表示基于摄像头采集火焰特征信息对火灾判断的后验概率，m₁(A₂)、m₁(A₃)和m₁(A₄)表示基于位置A的证据体分别在“明火”、“阴燃火”、“无火”三种状态下的基本概率分配，m₂(A₂)、m₂(A₃)、m₂(A₄)表示基于位置B的证据体分别在“明火”、“阴燃火”、“无火”的基本概率分配，m₃(A₂)、m₃(A₃)、m₃(A₄)表示基于位置C的证据体分别在“明火”、“阴燃火”、“无火”的基本概率分配，将子网络的输出归一化后的结果作为识别框架U上的基本概率分配，令,

(3)基于D-S证据理论的决策级融合的规则为，

m(A_z)为决策融合后的结果在U上的基本概率分配，z为A的下标值，等于2，3或4，

(4)所属决策规则的表达式为，

式中：F_α和F_β为识别框架内的任意不同焦元；ε₁和ε₂为预先设定的阈值。若F_α完全满足上式，则F_α为推理结果。如果F_α代表的室内火情状况为A₂时，那么决策级融合的辨识结果为“明火”；当F_α代表的室内火情状况为A₃时，那么决策级融合的辨识结果为“阴燃”；当F_α代表的室内火情状况为A₄时，那么决策级的辨识结果为“无火”。

进一步地，利用USB摄像头对建筑物室内火灾情况进行检测，再将火焰图像数据经无线传输到上位机进行图像分析；

进一步地，温度传感器、CO传感器、烟雾传感器、STM32单片机、LoRa模块组成从机A，分别在建筑物室内三处易于起火的地方安装从机并命名为从机A、从机B、从机C，对环境进行相应信息的采集，并将采集到的信息组织成相应格式的数据帧，以LoRa扩频通信的方式将数据帧传输给中心汇聚节点。

进一步地，所述中心汇聚节点用于接受散布在建筑物内所有从机采集的数据，并将数据通过串口传输给监测计算机；所述监测计算机上搭建了MySQL数据库和LabVIEW监测软件，其中：所述MySQL数据库，用于以数据表的组织形式和存储建筑物内各个从机测量的测量数据，同时供上位机监测软件访问以获得其中保存的相关信息。

进一步地，所述的LSSVM回归预测模型对样本特征信息进行训练，得到初步火灾预测模型，计算步骤如下：

LSSVM的核心问题在于选择一个合适的映射

使用该映射将样本从原始空间映射到k维的特征空间，其中k可以是无穷大。此时的回归估计方程为

其中ω∈R^k权重向量，b∈R是一个常数，即可转换为：

其中e_i为误差，C为正则化参数。对上式引入拉格朗日乘子后，则可将上式转换为：

再由KKT条件，得

上式的解为：

其中a＝[a₁,a₂,…,a_l],Q＝[1,1,…,1],Y＝[y₁,y₂,…,y_l]^T，I为单位矩阵，K(x_i,x_j)为选择的核函数，其中

此时LSSVM回归模型的表达是：

进一步地，采用粒子群优化算法对LSSVM中的惩罚因子c以及核函数宽度g进行优化，具体过程如下：

(1)随机产生一个初始种群，种群中每个粒子都有各自的速度和位置，初的速度和位置随机产生；

(2)利用个体极值以及群体极值对粒子的速度和位置进行更新；

(3)更新个体极值和群体极值，使当前群体极值中的两个分量分别作为LSSVM的惩罚因子c以及核函数宽度g，通过训练将测试集的预测值计算的均方差作为适应度值，当适应度满足预定精度或达到最大迭代次数时对应的惩罚因子c和核函数宽度g即作为优化结果。

进一步地，所述步骤(2)中采用以下公式对粒子速度和位置进行更新：

v^k+1＝v^k+c₁*rand*(Pb^k-x^k)+c₂*rand*(Nbest^k-x^k)

x^k+1＝x^k+v^k-1

其中：x^k和x^k-1分别为粒子更新前后的位置，v^k和v^k+1分别为粒子更新前后的速度，c₁和c₂均为给定的加速系数，rand为0～1之间的随机数，Pb^k和Nbest^k分别为更新前的粒子个体极值和群体极值。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种早期火灾监测预警方法，其特征在于，包括以下步骤：

步骤一：通过安装在室内的摄像头采集室内环境图像信息，对火灾进行判断；通过安装在室内容易起火的监测区域的传感器来实时监测室内能表征火灾的环境参数信息，每个监测区域至少设置有三组传感器，分别为CO传感器、温度传感器、烟雾传感器；

步骤二：对所述所述室内环境图像信息和环境参数信息进行处理，分别得到火焰探测的后验概率和火灾后验概率；

步骤三：将所述火焰探测的后验概率和火灾后验概率作为不同证据源的基本信度函数输入到DS证据理论中进行决策融合，以获得火灾预测结果。

2.根据权利要求1所述的早期火灾监测预警方法，其特征在于，所述步骤二：对所述室内环境图像信息进行处理得到火焰探测的后验概率包括：

当摄像头采集到一幅图像后，利用颜色特性和码本背景模型提取图像中类似火焰的像素点，将两者处理后的二值化图像相与，得到疑似火焰像素点，连续采集多幅图像，当最后一幅处理后的图像中像素点的数量大于设计的阈值，则判断监控场景中有火灾；有无火灾通过火焰探测的后验概率m来表示：

在上述公式中，S_fire代表火焰像素点的数量，S_pic代表摄像头采集的图片的像素大小，δ是比率因子，0≤6≤1，这个值按监控摄像头离监控画面的距离大小而设定，当摄像头离监控画面比较远时，δ的值可以取一个小的值。

3.根据权利要求1所述的早期火灾监测预警方法，其特征在于，所述步骤二：对所述环境参数信息进行处理得到火灾后验概率包括以下步骤：

步骤1：首先无线传感器监测点实时采集位置A、位置B、位置C的能表征火灾的特征信息，每个特征信息包括对应采样时刻采集到的关于建筑物室内温度、室内CO浓度、室内烟雾浓度的三组数据；

步骤2：将所述特征信息归一化至[0，1]区间内；

步骤3：再将归一化后的特征向量分为训练集和测试集；

步骤4：利用训练集的特征向量输入至LSSVM回归预测模型对其进行训练，同时采用粒子优化算法对LSSVM回归预测模型的惩罚因子c以及核函数宽度g进行优化，将惩罚因子c和核函数宽度g的最优值带进LSSVM回归预测模型中；

步骤5：基于PSO-LSSVM网络的特征级融合，构建三个PSO-LSSVM网络，该三个网络分别对室内三处传感器采集到的信息进行特征级融合，将CO体积分数、烟雾浓度、温度作为输入层的三个输入向量，输出层为火灾后验概率，即三个输出向量，分别对应“明火”，“阴燃”，“无火”三种状态的概率值，对该3个子网络的输出值转换后作为3个子证据体的基本概率分配。

4.根据权利要求3所述的早期火灾监测预警方法，其特征在于，所述LSSVM回归预测模型的训练包括：

LSSVM的核心问题在于选择一个合适的映射

使用该映射将样本从原始空间映射到k维的特征空间，其中k可以是无穷大，此时的回归估计方程为

其中ω∈R^k权重向量，b∈R是一个常数，即可转换为：

其中，e_i为误差，C为正则化参数，对上式引入拉格朗日乘子后，则可将上式转换为：

再由KKT条件，得

上式的解为：

其中，a＝[a₁，a₂，...，a_l]，Q＝[1，1，...，1]，Y＝[y₁，y₂，...，y_l]^T，I为单位矩阵，K(x_i，x_j)为选择的核函数，其中

此时LSSVM回归模型的表达是：

5.根据权利要求3所述的早期火灾监测预警方法，其特征在于，所述采用粒子优化算法对LSSVM回归预测模型的惩罚因子c以及核函数宽度g进行优化包括：

步骤(1)：随机产生一个初始种群，种群中每个粒子都有各自的速度和位置，初始的速度和位置随机产生；

步骤(2)：利用个体极值以及群体极值对粒子的速度和位置进行更新。

步骤(3)：更新个体极值和群体极值，使当前群体极值中的两个分量分别作为LSSVM的惩罚因子c以及核函数宽度g，通过训练将测试集的预测值计算的均方差作为适应度值，当适应度满足预定精度或达到最大迭代次数时对应的惩罚因子c和核函数宽度g即作为优化结果。

6.根据权利要求5所述的早期火灾监测预警方法，其特征在于，步骤(2)中采用以下公式对粒子速度和位置进行更新：

v^k+1＝v^k+c₁*rand*(Pb^k-x^k)+c₂*rand*(Nbest^k-x^k)

x^k+1＝v^k+v^k-1

其中：x^k和v^k-1分别为粒子更新前后的位置，v^k和v^k+1分别为粒子更新前后的速度，c₁和c₂均为给定的加速系数，rand为0～1之间的随机数，pb^k和Nbest^k分别为更新前的粒子个体极值和群体极值。

7.根据权利要求5所述的早期火灾监测预警方法，其特征在于，所述步骤(3)中更新个体极值和群体极值的方法为：对于任一粒子，使该粒子当前位置中的两个分量分别作为LSSVM的惩罚因子c以及核函数宽度g，通过训练将测试集的预测值计算的均方差作为粒子的当前适应度；进而比较粒子当前适应度与粒子个体极值以及群体极值适应度的大小；

若粒子当前适应度小于个体极值适应度，则将粒子当前适应度替换作为群体极值适应度，同时将粒子当前位置作为粒子的个体极值，否则保持粒子个体极值以及粒子个体极值适应度不变；

若粒子当前适应度小于群体极值适应，则将粒子当前适应度替换作为群体极值适应度，同时将粒子当前位置作为群体极值，否则保持群体极值以及群体极值适应度不变；

在所述粒子群优化算法的迭代过程中引入变异机制，即每次对粒子速度和位置更新以后以一定的概率重新初始化粒子。

8.根据权利要求3所述的早期火灾监测预警方法，其特征在于，所述步骤三决策融合的过程包括以下步骤：

步骤1：将摄像头采集到的火焰图像数据作为信息子空间1；将位置A采集到的CO体积分数、温度、烟雾浓度的结果作为信息子空间2；以位置B采集到的CO体积分数、温度、烟雾浓度的结果作为信息空间3；以位置C采集到的CO体积分数、温度、烟雾浓度的结果作为信息空间4：；这样就构建了由火焰图像数据和三个PSO-LSSVM子网络并联的第一级评估子网络；网络的输出包含3个节点S₁、S₂、S₃，S₁～S₃分别对应明火、阴燃、无火这三种状态；

步骤2：设U为一识别框架，则函数m：2^U→[0，1]在满足下列条件时：

m(A)为A的基本概率值；m(A)表示对命题A的精确信任程度，表示了对A的直接支持；

步骤3：m：2^U→[0，1]是U上的基本概率赋值，定义函数：

BEL：2^U→[0，1]

则称该函数是U上的信任函数：

PL：2^U→[0，1]

PL称为似然函数；

步骤4：证据理论中的组合规则提供了组合2个证据的规则，设m₁，m₂是2^U上的2个相互独立的基本概率赋值，其组合后的基本概率赋值：

设BEL₁和BEL₂是同一识别框架U上的两个信任度函数，m₁、m₂分别是其对应的基本概率赋值，焦元分别为A₁，...，A_k和B₁，...，B_r，又设

在式中，若K₁≠1，则m确定为一个基本概率值；若K₁＝1，则认为m₁、m₂矛盾，不能对基本概率进行组合；

步骤5：当K₁≠1时，对三个子网络的输出值进行归一化处理，得到归一化后的结果分别为

步骤5：令证据理论的识别框架U＝{A₁，A，₂，A₃，A₄}，A₁代表火焰探测的后验概率，A₂、A₃、A₄分别代表室内火情的三种状态“明火”、“阴燃火”、“无火”，证据集e＝{e₁，e₂，e₃，e₄}，e₁表示摄像头采集火焰特征信息的证据体，e₂、e₃和e₄分别表示基于位置A、位置B、位置C采集到的特征信息的证据体，m(A₁)表示基于摄像头采集火焰特征信息对火灾判断的后验概率，m₁(A₂)、m₁(A₃)和m₁(A₄)表示基于位置A的证据体分别在“明火”、“阴燃火”、“无火”三种状态下的基本概率分配，m₂(A₂)、m₂(A₃)、m₂(A₄)表示基于位置B的证据体分别在“明火”、“阴燃火”、“无火”的基本概率分配，m₃(A₂)、m₃(A₃)、m₃(A₄)表示基于位置C的证据体分别在“明火”、“阴燃火”、“无火”的基本概率分配，将子网络的输出归一化后的结果作为识别框架U上的基本概率分配，令，

步骤6：基于D-S证据理论的决策级融合的规则为，

m(A_z)为决策融合后的结果在U上的基本概率分配，z为A的下标值，等于2，3或4，

步骤7：所属决策规则的表达式为，

式中：F_α和F_β为识别框架内的任意不同焦元；ε₁和ε₂为预先设定的阈值；若F_α完全满足上式，则F_α为推理结果；如果F_α代表的室内火情状况为A₂时，那么决策级融合的辨识结果为“明火”；当F_α代表的室内火情状况为A₃时，那么决策级融合的辨识结果为“阴燃”；当F_α代表的室内火情状况为A₄时，那么决策级的辨识结果为“无火”。

9.一种早期火灾监测预警装置，其特征在于，包括：

图像采集模块，用以通过安装在室内的摄像头采集室内环境图像；

样本采集模块，用以通过安装在室内容易起火的监测区域的传感器来实时采集室内能表征火灾的环境参数；所述环境参数包括：设置在每个监测区域的传感器检测得到的CO参数、温度参数、烟雾参数；

无线传输模块，用于将采集的所述环境图像和环境参数通过LoRa传输到上位机进行数据融合处理；

数据存储模块，用于记录并存储实时采集到的所述环境参数，以便进行火灾概率训练预测时的实时数据分析；

机器学习模块，用于根据采集的环境参数进行训练，并用于实时样本特征检测；

火灾预警决策模块，用于根据图像采集模块监测结果和机器学习模块的训练检测结果，利用D-S证据理论决策方法进行火灾预警检测总结果的计算，并给出警报判断结果。

10.根据权利要求1所述的早期火灾监测预警装置，其特征在于，所述机器学习模块包括：

数据检测单元，用于利用无线传感器监测点实时采集位置A、位置B、位置C的能表征火灾的特征信息，每个特征信息包括对应采样时刻采集到的关于建筑物室内温度、室内CO浓度、室内烟雾浓度的三组数据；

归一化单元，用于将所述特征信息归一化至[0，1]区间内；

划分单元，用于将归一化后的特征向量分为训练集和测试集；

优化单元，用于利用训练集的特征向量输入至LSSVM回归预测模型对其进行训练，同时采用粒子优化算法对LSSVM回归预测模型的惩罚因子c以及核函数宽度g进行优化，将惩罚因子c和核函数宽度g的最优值带进LSSVM回归预测模型中；

LSSVM回归预测模型：基于PSO-LSSVM网络的特征级融合，构建三个PSO-LSSVM网络，该三个网络分别对室内三处传感器采集到的信息进行特征级融合，将CO体积分数、烟雾浓度、温度作为输入层的三个输入向量，输出层为火灾后验概率，即三个输出向量，分别对应“明火”，“阴燃”，“无火”三种状态的概率值，对该3个子网络的输出值转换后作为3个子证据体的基本概率分配。

Images