JP3032402B2 - 火災判定装置及びニューラルネットワークの学習方法 - Google Patents
火災判定装置及びニューラルネットワークの学習方法Info
- Publication number
- JP3032402B2 JP3032402B2 JP5115475A JP11547593A JP3032402B2 JP 3032402 B2 JP3032402 B2 JP 3032402B2 JP 5115475 A JP5115475 A JP 5115475A JP 11547593 A JP11547593 A JP 11547593A JP 3032402 B2 JP3032402 B2 JP 3032402B2
- Authority
- JP
- Japan
- Prior art keywords
- fire
- neural network
- input
- generation amount
- unit
- 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
Landscapes
- Fire-Detection Mechanisms (AREA)
- Alarm Systems (AREA)
- Fire Alarms (AREA)
Description
【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明は、ニューラルネットワー
クを用いて火災を判定する火災判定装置に関し、更にニ
ューラルネットワークで火災判定ができるように教師デ
ータを投入して学習させるニューラルネットワークの学
習方法に関する。
クを用いて火災を判定する火災判定装置に関し、更にニ
ューラルネットワークで火災判定ができるように教師デ
ータを投入して学習させるニューラルネットワークの学
習方法に関する。
【０００２】
【従来の技術】一般に、人が火源を見て火災と判断する
基準は、火源の大きさ、延焼の有無、発生箇所などで環
境条件の違いにより異なる。このあいまいである火災検
知に階層型ニューラルネットワークを適用し、人の感覚
に近い火災判定が行える見通しがある。このように火災
判断に階層型ニューラルネットワークを使用した装置と
しては、例えば特開平４−８６９９５号のものがある。
基準は、火源の大きさ、延焼の有無、発生箇所などで環
境条件の違いにより異なる。このあいまいである火災検
知に階層型ニューラルネットワークを適用し、人の感覚
に近い火災判定が行える見通しがある。このように火災
判断に階層型ニューラルネットワークを使用した装置と
しては、例えば特開平４−８６９９５号のものがある。
【０００３】
【発明が解決しようとする課題】しかしながら、このよ
うな階層型ニューラルネットワークに、火災実験などで
求めた入力信号と教師信号を投入し、バックプロパゲー
ション法による学習を行ってみたが、望むような結果が
得られず、ニューラルネットワークによる火災判定は期
待される程の成果を得ていない。特にパルス的な入力に
対する応答が不十分であった。
うな階層型ニューラルネットワークに、火災実験などで
求めた入力信号と教師信号を投入し、バックプロパゲー
ション法による学習を行ってみたが、望むような結果が
得られず、ニューラルネットワークによる火災判定は期
待される程の成果を得ていない。特にパルス的な入力に
対する応答が不十分であった。
【０００４】この原因は、火災判断が温度や煙濃度の検
出値だけでなく、時間の経過に伴ってどのように変化す
れば火災であるとする時間的概念をもっているのに対
し、従来の階層型ニューラルネットワークでは、このよ
うな時間的概念を十分に含んでいないことに起因してい
る。火災判断に必要な検出値の時間的な変化を示す時間
的な概念を導入した階層型ニューラルネットワークとし
ては、ネットワーク出力を遅延回路を介して入力に帰還
する遅延フィードバック型のニューラルネットワークが
考えられる。しかし、遅延フィードバック型のニューラ
ルネットワークについて、火災実験で得た教師信号を用
いて学習を行ってみたが、学習回数が増加しても偏差が
収束せず、逆に偏差が発散してしまうこともあり、期待
するほどの結果が得られていない。
出値だけでなく、時間の経過に伴ってどのように変化す
れば火災であるとする時間的概念をもっているのに対
し、従来の階層型ニューラルネットワークでは、このよ
うな時間的概念を十分に含んでいないことに起因してい
る。火災判断に必要な検出値の時間的な変化を示す時間
的な概念を導入した階層型ニューラルネットワークとし
ては、ネットワーク出力を遅延回路を介して入力に帰還
する遅延フィードバック型のニューラルネットワークが
考えられる。しかし、遅延フィードバック型のニューラ
ルネットワークについて、火災実験で得た教師信号を用
いて学習を行ってみたが、学習回数が増加しても偏差が
収束せず、逆に偏差が発散してしまうこともあり、期待
するほどの結果が得られていない。
【０００５】本発明は、このような問題点に鑑みてなさ
れたもので、フィードバックを用いずに時間的概念を導
入して適切に火災判断でき、パルス的な入力に対しても
正確に火災が判定できるニューラルネットワークを用い
た火災判定装置を提供する。更に、本発明は、時間的概
念を導入したニューラルネットワークを火災判断可能な
状態に適切に学習させることのできるニューラルネット
ワークの学習方法を提供することを目的とする。
れたもので、フィードバックを用いずに時間的概念を導
入して適切に火災判断でき、パルス的な入力に対しても
正確に火災が判定できるニューラルネットワークを用い
た火災判定装置を提供する。更に、本発明は、時間的概
念を導入したニューラルネットワークを火災判断可能な
状態に適切に学習させることのできるニューラルネット
ワークの学習方法を提供することを目的とする。
【０００６】
【課題を解決するための手段】この目的を達成するため
本発明は次のように構成する。尚、実施例図面中の符号
を併せて示す。まず本発明の火災判定装置は、火災に伴
う複数種類の物理的現象の変化を示す複数種類の検出信
号を正規化して出力する入力処理部と、入力層２８、中
間層３０および出力層３２の各ユニットを完全結合して
構成され、入力層２８に入力処理部からの信号を遅延さ
せる遅延部を設け、所定の教師信号を用いて火災判定の
学習が施されたニューラルネットワーク２４と、ニュー
ラルネットワーク２４の火災判定信号に基づいて火災警
報、防災機器制御などの火災対応判断を行う火災判断部
２６とを設けたことを特徴とする。
本発明は次のように構成する。尚、実施例図面中の符号
を併せて示す。まず本発明の火災判定装置は、火災に伴
う複数種類の物理的現象の変化を示す複数種類の検出信
号を正規化して出力する入力処理部と、入力層２８、中
間層３０および出力層３２の各ユニットを完全結合して
構成され、入力層２８に入力処理部からの信号を遅延さ
せる遅延部を設け、所定の教師信号を用いて火災判定の
学習が施されたニューラルネットワーク２４と、ニュー
ラルネットワーク２４の火災判定信号に基づいて火災警
報、防災機器制御などの火災対応判断を行う火災判断部
２６とを設けたことを特徴とする。
【０００７】ここで入力処理部は、センサ部１０に温度
を検出する温度センサ１２、煙による減光率を検出する
煙センサ１４、およびＣＯガスの濃度を検出するＣＯガ
スセンサ１６を備える。また検出温度θｐから発熱量Ｑ
ｆ、煙の減光率μspから発煙量Ｑsmk 、およびＣＯガス
濃度ＧｐからＣＯガスの発生量Ｑcoを演算する数学モデ
ル演算部１８を備え、正規化部２２に、演算で求めた発
熱量Ｑｆ、発煙量Ｑsmk およびＣＯガス発生量Ｑco、更
にそれぞれの微分値ｄＱｆ／ｄｔ、ｄＱsmk ／ｄｔ、ｄ
Ｑco／ｄｔを出力する。
を検出する温度センサ１２、煙による減光率を検出する
煙センサ１４、およびＣＯガスの濃度を検出するＣＯガ
スセンサ１６を備える。また検出温度θｐから発熱量Ｑ
ｆ、煙の減光率μspから発煙量Ｑsmk 、およびＣＯガス
濃度ＧｐからＣＯガスの発生量Ｑcoを演算する数学モデ
ル演算部１８を備え、正規化部２２に、演算で求めた発
熱量Ｑｆ、発煙量Ｑsmk およびＣＯガス発生量Ｑco、更
にそれぞれの微分値ｄＱｆ／ｄｔ、ｄＱsmk ／ｄｔ、ｄ
Ｑco／ｄｔを出力する。
【０００８】更に、数学モデル演算部１８で求めた発煙
量Ｑsmk およびＣＯガス発生量Ｇｐとそれぞれの微分値
ｄＱsmk ／ｄｔ、ｄＱco／ｄｔに、警戒区域の使用目的
に応じた所定の環境係数による重み付けを行なって正規
化部２２に出力する環境係数重み付け部２０を設ける。
またニューラルネットワーク２４の入力層２８に設けた
遅延部は、正規化部２２から並列的に供給される複数の
正規化信号Ｓ1 〜Ｓ6 を信号ごとに入力して複数段階に
亘り遅延させる遅延ライン３５を有し、遅延ライン３５
の各遅延段ごとに入力ユニット３４を設けて中間層３０
の中間ユニット３６に各遅延信号を重み係数を介して結
合することで供給する。
量Ｑsmk およびＣＯガス発生量Ｇｐとそれぞれの微分値
ｄＱsmk ／ｄｔ、ｄＱco／ｄｔに、警戒区域の使用目的
に応じた所定の環境係数による重み付けを行なって正規
化部２２に出力する環境係数重み付け部２０を設ける。
またニューラルネットワーク２４の入力層２８に設けた
遅延部は、正規化部２２から並列的に供給される複数の
正規化信号Ｓ1 〜Ｓ6 を信号ごとに入力して複数段階に
亘り遅延させる遅延ライン３５を有し、遅延ライン３５
の各遅延段ごとに入力ユニット３４を設けて中間層３０
の中間ユニット３６に各遅延信号を重み係数を介して結
合することで供給する。
【０００９】また本発明は、火災判定装置に設けたニュ
ーラルネットワークの学習方法として、次の過程をも
つ。 適宜の部材を火災を想定して燃焼させたときの時間的
に変化する発熱量、発煙量およびＣＯガス発生量、更に
それぞれの微分値を検出する火災信号生成過程； 火災信号生成過程で得られた前記各発生量ごとに、人
が危険と感じる度合を示す所定のメンバシップ関数に従
って火災判定値を決め、各発生量ごとの火災判定値を合
成して時間的に変化する火災判定教師信号を生成する火
災教師信号生成過程； 適宜の部材を非火災を想定して燃焼させたときの時間
的に変化する発熱量、発煙量およびＣＯガス発生量、更
にそれぞれの微分値を検出する非火災信号生成過程； 非火災信号生成過程で得られた各発生量ごとに、人が
危険と感じる度合を示す所定のメンバシップ関数に従っ
て火災判定値を決め、各発生量ごとの火災判定値を合成
して時間的に変化する非火災教師信号を生成する非火災
教師信号生成過程； 火災を示す各発生量と火災教師信号の組および非火災
を示す各発生量と非火災教師信号の組をニューラルネッ
トワーク２４に投入して学習させる学習過程；ここで火
災データ生成過程にあっては、木材、ウレタンホーム、
布などの通常火災で燃焼が予想される複数種類の材料を
含む複合材料を燃焼させることが望ましい。また火災お
よび非火災教師データ生成過程にあっては、発熱量Ｑｆ
の火災判定値の重み付けを大きくして火災および非火災
教師データを生成する。
ーラルネットワークの学習方法として、次の過程をも
つ。 適宜の部材を火災を想定して燃焼させたときの時間的
に変化する発熱量、発煙量およびＣＯガス発生量、更に
それぞれの微分値を検出する火災信号生成過程； 火災信号生成過程で得られた前記各発生量ごとに、人
が危険と感じる度合を示す所定のメンバシップ関数に従
って火災判定値を決め、各発生量ごとの火災判定値を合
成して時間的に変化する火災判定教師信号を生成する火
災教師信号生成過程； 適宜の部材を非火災を想定して燃焼させたときの時間
的に変化する発熱量、発煙量およびＣＯガス発生量、更
にそれぞれの微分値を検出する非火災信号生成過程； 非火災信号生成過程で得られた各発生量ごとに、人が
危険と感じる度合を示す所定のメンバシップ関数に従っ
て火災判定値を決め、各発生量ごとの火災判定値を合成
して時間的に変化する非火災教師信号を生成する非火災
教師信号生成過程； 火災を示す各発生量と火災教師信号の組および非火災
を示す各発生量と非火災教師信号の組をニューラルネッ
トワーク２４に投入して学習させる学習過程；ここで火
災データ生成過程にあっては、木材、ウレタンホーム、
布などの通常火災で燃焼が予想される複数種類の材料を
含む複合材料を燃焼させることが望ましい。また火災お
よび非火災教師データ生成過程にあっては、発熱量Ｑｆ
の火災判定値の重み付けを大きくして火災および非火災
教師データを生成する。
【００１０】さらに本発明は、入力層２８、中間層３０
および出力層３２の各ユニットを重み係数を介して結合
することで構成された階層型ニューラルネットワーク２
４に於いて、入力層２４に、入力信号を複数段階に遅延
させる入力ラインごとに設けた遅延手段と、この遅延手
段の各遅延段の出力を入力して中間層のユニット３６に
遅延信号を結合により供給する複数の入力ユニット３４
を設けたことを特徴とする階層型ニューラルネットワー
クを提供する。
および出力層３２の各ユニットを重み係数を介して結合
することで構成された階層型ニューラルネットワーク２
４に於いて、入力層２４に、入力信号を複数段階に遅延
させる入力ラインごとに設けた遅延手段と、この遅延手
段の各遅延段の出力を入力して中間層のユニット３６に
遅延信号を結合により供給する複数の入力ユニット３４
を設けたことを特徴とする階層型ニューラルネットワー
クを提供する。
【００１１】
【作用】このような構成を備えた本発明の火災判定装置
によれば、ニューラルネットワークの入力層に設けたデ
ィレイラインにより、ある瞬間に遅延段数分の時系列を
もつ一群の入力信号が一挙に入力層から中間層に供給さ
れることとなり、所謂オープンループで時間的な概念を
導入した火災判定ができる。
によれば、ニューラルネットワークの入力層に設けたデ
ィレイラインにより、ある瞬間に遅延段数分の時系列を
もつ一群の入力信号が一挙に入力層から中間層に供給さ
れることとなり、所謂オープンループで時間的な概念を
導入した火災判定ができる。
【００１２】またセンサ信号を直接あつかわず、例えば
ＡＳＥＴ−Ｂとして知られた火災シミュレーションの数
学モデルを使用して発熱量、発煙量、ＣＯガス発生量と
いう火災の発生源そのものの情報を算出し、これを基に
ニューラルネットワークによって火災判断を行うこと
で、燃焼物質や周囲環境に影響されることなく、火災と
非火災の判断を誤りなく行うことができる。
ＡＳＥＴ−Ｂとして知られた火災シミュレーションの数
学モデルを使用して発熱量、発煙量、ＣＯガス発生量と
いう火災の発生源そのものの情報を算出し、これを基に
ニューラルネットワークによって火災判断を行うこと
で、燃焼物質や周囲環境に影響されることなく、火災と
非火災の判断を誤りなく行うことができる。
【００１３】入力層にディレイラインをもつ本発明のニ
ューラルネットワークを学習する火災学習データとし
て、木材、ウレタンホーム、布切れなどの複合材料で構
成された部材、例えば椅子を燃焼させた時の各発生量を
使用し、さらに、各発生量に基づく教師信号としての火
災判定値の生成に、各発生量ごとに人間が感ずるあいま
いな危険度の概念を所定のメンバシップ関数として定義
し、このメンバシップ関数に従った複合材料の燃焼に基
づく各発生量から火災判定値の教師信号を生成して学習
させる。
ューラルネットワークを学習する火災学習データとし
て、木材、ウレタンホーム、布切れなどの複合材料で構
成された部材、例えば椅子を燃焼させた時の各発生量を
使用し、さらに、各発生量に基づく教師信号としての火
災判定値の生成に、各発生量ごとに人間が感ずるあいま
いな危険度の概念を所定のメンバシップ関数として定義
し、このメンバシップ関数に従った複合材料の燃焼に基
づく各発生量から火災判定値の教師信号を生成して学習
させる。
【００１４】この複合材料の燃焼で得た教師信号による
ネットワークの学習、即ち、バックプロパゲーション法
に従った学習により、学習回数の増加に伴ってネットワ
ーク出力と教師信号の偏差は速かに収束し、入力層にデ
ィレイラインを設けたネットワークを効率よく学習させ
ることができた。また魚の調理などの非火災データにつ
いても同様にして教師信号を生成して学習に使用する。
ネットワークの学習、即ち、バックプロパゲーション法
に従った学習により、学習回数の増加に伴ってネットワ
ーク出力と教師信号の偏差は速かに収束し、入力層にデ
ィレイラインを設けたネットワークを効率よく学習させ
ることができた。また魚の調理などの非火災データにつ
いても同様にして教師信号を生成して学習に使用する。
【００１５】このようにして学習の済んだネットワーク
を使用して各種の火災、非火災を実験的に行って各発生
量をニューラルネットワークで処理したところ、火災の
進展に伴ない適切な時点で火災判定値が誰でも火災と判
断する値１．０に達することが確認された。また非火災
につては、火災判定値は誰でも火災と判断する値１．０
に対し十分に低い値に止まり、非火災を火災と判断して
しまうことはなかった。
を使用して各種の火災、非火災を実験的に行って各発生
量をニューラルネットワークで処理したところ、火災の
進展に伴ない適切な時点で火災判定値が誰でも火災と判
断する値１．０に達することが確認された。また非火災
につては、火災判定値は誰でも火災と判断する値１．０
に対し十分に低い値に止まり、非火災を火災と判断して
しまうことはなかった。
【００１６】更に、非火災のパルス的な各発生量の入力
に対し、ディレイラインをもたない従来のニューラルネ
ットワークでは、短い時間幅、例えば１秒程度のパルス
的入力でも火災判定値が１．０に達してしまったが、入
力層にディレイラインを備えた本発明のニューラルネッ
トワークでは、非火災のパルス的入力に対し火災判定値
は、ごく低い値に抑えられることが確認できた。
に対し、ディレイラインをもたない従来のニューラルネ
ットワークでは、短い時間幅、例えば１秒程度のパルス
的入力でも火災判定値が１．０に達してしまったが、入
力層にディレイラインを備えた本発明のニューラルネッ
トワークでは、非火災のパルス的入力に対し火災判定値
は、ごく低い値に抑えられることが確認できた。
【００１７】また火災による各発生量のパルス的な入
力、即ち、パルス振幅とパルス幅の増加に対しては、連
続入力の場合と同様に、適切な時点で火災判定値は１．
０に到達することが確認された。
力、即ち、パルス振幅とパルス幅の増加に対しては、連
続入力の場合と同様に、適切な時点で火災判定値は１．
０に到達することが確認された。
【００１８】
【実施例】図１は本発明の火災判定装置の一実施例を示
したブロック図である。図１において、本発明の火災判
定装置はセンサ部１０，数学モデル演算部１８，環境係
数重み付け部２０，正規化部２２，ニューラルネットワ
ーク２４及び火災判断部２６で構成される。この内、セ
ンサ部１０，数学モデル演算部１８，環境係数重み付け
部２０及び正規化部２２によって、ニューラルネットワ
ーク２４に対する入力処理部を構成している。
したブロック図である。図１において、本発明の火災判
定装置はセンサ部１０，数学モデル演算部１８，環境係
数重み付け部２０，正規化部２２，ニューラルネットワ
ーク２４及び火災判断部２６で構成される。この内、セ
ンサ部１０，数学モデル演算部１８，環境係数重み付け
部２０及び正規化部２２によって、ニューラルネットワ
ーク２４に対する入力処理部を構成している。
【００１９】センサ部１０には温度センサ１２，煙セン
サ１４及びＣＯガスセンサ１６が設けられ、それぞれ天
井面に設置される。温度センサ１２は周囲温度を検出し
て温度信号θｐを出力する。煙センサ１４は火災による
煙の減光率μspを出力する。更に、ＣＯガスセンサ１６
はＣＯガス濃度Ｇｐを出力する。温度センサ１２，煙セ
ンサ１４及びＣＯガスセンサ１６からの各センサ出力は
数学モデル演算部１８に与えられる。数学モデル演算部
１８は火災により２次的に生成される温度，煙濃度であ
るセンサ情報から発熱量Ｑｆ，発煙量Ｑsmk 及びＣＯガ
ス発生量Ｑcoという火災発生源そのものの情報を、火災
シミュレーションの数学モデルである例えばＡＳＥＴ−
Ｂを適用し逆演算を行うことで算出する。この数学モデ
ル演算部１８の詳細は本願発明者らが既に提案している
特開平２−２７１８７９号の火災判断装置に詳細に示さ
れる。
サ１４及びＣＯガスセンサ１６が設けられ、それぞれ天
井面に設置される。温度センサ１２は周囲温度を検出し
て温度信号θｐを出力する。煙センサ１４は火災による
煙の減光率μspを出力する。更に、ＣＯガスセンサ１６
はＣＯガス濃度Ｇｐを出力する。温度センサ１２，煙セ
ンサ１４及びＣＯガスセンサ１６からの各センサ出力は
数学モデル演算部１８に与えられる。数学モデル演算部
１８は火災により２次的に生成される温度，煙濃度であ
るセンサ情報から発熱量Ｑｆ，発煙量Ｑsmk 及びＣＯガ
ス発生量Ｑcoという火災発生源そのものの情報を、火災
シミュレーションの数学モデルである例えばＡＳＥＴ−
Ｂを適用し逆演算を行うことで算出する。この数学モデ
ル演算部１８の詳細は本願発明者らが既に提案している
特開平２−２７１８７９号の火災判断装置に詳細に示さ
れる。
【００２０】更に、数学モデル演算部１８にあってはセ
ンサ出力から算出した発熱量Ｑｆ，発煙量Ｑsmk 及びＣ
Ｏガス発生量Ｑcoのそれぞれの時間微分量ｄＱｆ／ｄ
ｔ，ｄＱsmk ／ｄｔ及びｄＱco／ｄｔを算出する。数学
モデル演算部１８で算出された火災発生源を示す各発生
量及び時間微分量は正規化部２２に与えられる。この
内、発煙量とＣＯガス発生量については発生箇所の環境
条件により人の判断は異なるため、部屋の使用目的に応
じた環境係数による重み付けを環境係数重み付け部２０
で行った後に正規化部２２に出力する。例えば、会議室
等のように喫煙が予想される場所については発煙量の度
合を低くするように、環境係数による重み付けを行わせ
る。
ンサ出力から算出した発熱量Ｑｆ，発煙量Ｑsmk 及びＣ
Ｏガス発生量Ｑcoのそれぞれの時間微分量ｄＱｆ／ｄ
ｔ，ｄＱsmk ／ｄｔ及びｄＱco／ｄｔを算出する。数学
モデル演算部１８で算出された火災発生源を示す各発生
量及び時間微分量は正規化部２２に与えられる。この
内、発煙量とＣＯガス発生量については発生箇所の環境
条件により人の判断は異なるため、部屋の使用目的に応
じた環境係数による重み付けを環境係数重み付け部２０
で行った後に正規化部２２に出力する。例えば、会議室
等のように喫煙が予想される場所については発煙量の度
合を低くするように、環境係数による重み付けを行わせ
る。
【００２１】正規化部２２は火災発生源そのものを示す
発熱量，発煙量，ガス発生量及び各時間微分量の値に対
し所定の閾値を１とする正規化を行って入力信号Ｓ１〜
Ｓ６を生成して、並列的にニューラルネットワーク２４
に投入する。ここで、正規化部２２の正規化に使用する
閾値は誰から見ても火災と判断できる値を使用し、この
閾値は発熱量については２５［ｋＷ］、発煙量について
は０．２［ｇ／ｓ］、ＣＯガス発生量については２．５
［ｇ／ｓ］とする。また、それぞれの時間微分量の閾値
は、発熱量については０．２１［ｋＷ／ｓ］、発煙量に
ついては１．１［ｍｇ／ｓ2 ］、ＣＯガス発生量につい
ては１９［ｍｇ／ｓ2 ］としている。勿論、これらの閾
値は一例を示すもので、必要に応じて適宜の閾値を決め
ることができる。
発熱量，発煙量，ガス発生量及び各時間微分量の値に対
し所定の閾値を１とする正規化を行って入力信号Ｓ１〜
Ｓ６を生成して、並列的にニューラルネットワーク２４
に投入する。ここで、正規化部２２の正規化に使用する
閾値は誰から見ても火災と判断できる値を使用し、この
閾値は発熱量については２５［ｋＷ］、発煙量について
は０．２［ｇ／ｓ］、ＣＯガス発生量については２．５
［ｇ／ｓ］とする。また、それぞれの時間微分量の閾値
は、発熱量については０．２１［ｋＷ／ｓ］、発煙量に
ついては１．１［ｍｇ／ｓ2 ］、ＣＯガス発生量につい
ては１９［ｍｇ／ｓ2 ］としている。勿論、これらの閾
値は一例を示すもので、必要に応じて適宜の閾値を決め
ることができる。
【００２２】ニューラルネットワーク２４は図２に示す
ように、入力層２８，中間層３０及び出力層３２の３層
で構成された全結合型の階層型ニューラルネットワーク
であり、入力層２８にディレイラインを設けたことを特
徴とする。即ち、入力層２８には入力信号Ｓ１〜Ｓ６の
各入力ライン毎にｎ段の遅延段２８−１〜２８−ｎを設
けている。各遅延段の遅延時間はＴであり、最初の遅延
段２８−１は遅延時間が０であり、２番目以降は遅延時
間Ｔずつ遅延時間が増加する。
ように、入力層２８，中間層３０及び出力層３２の３層
で構成された全結合型の階層型ニューラルネットワーク
であり、入力層２８にディレイラインを設けたことを特
徴とする。即ち、入力層２８には入力信号Ｓ１〜Ｓ６の
各入力ライン毎にｎ段の遅延段２８−１〜２８−ｎを設
けている。各遅延段の遅延時間はＴであり、最初の遅延
段２８−１は遅延時間が０であり、２番目以降は遅延時
間Ｔずつ遅延時間が増加する。
【００２３】図３は図２の入力層２８に設けたディレイ
ラインの詳細を示す。図３において、入力信号Ｓ１〜Ｓ
６毎に遅延時間Ｔを（ｎ−１）個のディレイライン３５
−１〜３５−（ｎ−１）を直列接続してｎ個の遅延段２
８−１〜２８−ｎを構成している。最初の入力信号Ｓ１
〜Ｓ６のそれぞれ及び各ディレイライン３５の出力はそ
れぞれ入力ユニット３２に入力接続され、その入力ユニ
ット３２より図２に示すように、中間層３０の中間ユニ
ット３６のそれぞれに結合し、ネットワークを構成して
いる。
ラインの詳細を示す。図３において、入力信号Ｓ１〜Ｓ
６毎に遅延時間Ｔを（ｎ−１）個のディレイライン３５
−１〜３５−（ｎ−１）を直列接続してｎ個の遅延段２
８−１〜２８−ｎを構成している。最初の入力信号Ｓ１
〜Ｓ６のそれぞれ及び各ディレイライン３５の出力はそ
れぞれ入力ユニット３２に入力接続され、その入力ユニ
ット３２より図２に示すように、中間層３０の中間ユニ
ット３６のそれぞれに結合し、ネットワークを構成して
いる。
【００２４】このような入力層２８に設けたディレイラ
インにより、現在時刻０Ｔから（ｎ−１）Ｔ前までの時
系列的なｎポイントの信号を各ライン毎に一括して中間
層３０の中間ユニット３６に供給することができ、これ
によって時間的な概念を取り入れた判断ができる。本発
明の実施例にあっては、遅延段２８−１〜２８−ｎの段
数は５〜９段の範囲で構成し、従って遅延時間は最大で
４Ｔ〜８Ｔとする。この場合、入力層２８の入力ユニッ
ト３０の数は３０〜５４ユニットとなる。更に、中間層
３０の中間ユニット３６の数は５〜１０ユニットの範囲
で決める。更に、出力層３２は１つの出力ユニット３８
としている。
インにより、現在時刻０Ｔから（ｎ−１）Ｔ前までの時
系列的なｎポイントの信号を各ライン毎に一括して中間
層３０の中間ユニット３６に供給することができ、これ
によって時間的な概念を取り入れた判断ができる。本発
明の実施例にあっては、遅延段２８−１〜２８−ｎの段
数は５〜９段の範囲で構成し、従って遅延時間は最大で
４Ｔ〜８Ｔとする。この場合、入力層２８の入力ユニッ
ト３０の数は３０〜５４ユニットとなる。更に、中間層
３０の中間ユニット３６の数は５〜１０ユニットの範囲
で決める。更に、出力層３２は１つの出力ユニット３８
としている。
【００２５】出力ユニット３８の数は火災警報，防災機
器の制御，避難誘導等で判断基準が異なることから、判
断基準が異なるような場合には各判断基準に応じた判定
出力を生ずる出力ユニットを複数設け、異なった重み付
けによる判定出力を行わせればよい。更に、図３に示し
た１つのディレイライン３５のディレイ時間ＴはＴ＝５
秒としている。
器の制御，避難誘導等で判断基準が異なることから、判
断基準が異なるような場合には各判断基準に応じた判定
出力を生ずる出力ユニットを複数設け、異なった重み付
けによる判定出力を行わせればよい。更に、図３に示し
た１つのディレイライン３５のディレイ時間ＴはＴ＝５
秒としている。
【００２６】次に、図２に示したような階層型ニューラ
ルネットワークで火災判定を、可能とするための学習を
行わせるバックプロパゲーション法（誤差逆伝播学習
則）について説明する。バックプロパゲーション法は、
一般的には図４に示すように階層型ニューラルネットワ
ークに入力パターンと、教師信号と呼ばれる目標出力パ
ターンを提示し、そのネットワークが目的とする情報処
理を行うように各層間の重みを最適化するものである。
ルネットワークで火災判定を、可能とするための学習を
行わせるバックプロパゲーション法（誤差逆伝播学習
則）について説明する。バックプロパゲーション法は、
一般的には図４に示すように階層型ニューラルネットワ
ークに入力パターンと、教師信号と呼ばれる目標出力パ
ターンを提示し、そのネットワークが目的とする情報処
理を行うように各層間の重みを最適化するものである。
【００２７】この学習アルゴリズムは、図４（ａ）の順
伝搬ステップとその後に実行される図４（ｂ）（ｃ）の
逆伝搬ステップがある。図４（ａ）順伝搬ステップは、
ネットワークの入力層２８の入力パターンの提示で始ま
り、活性レベルの計算が中間層３０を通じて順伝搬して
いく間継続する。それぞれの層の全ての処理ユニット
は、入力の総和を求めて出力関数により出力値を計算す
る。
伝搬ステップとその後に実行される図４（ｂ）（ｃ）の
逆伝搬ステップがある。図４（ａ）順伝搬ステップは、
ネットワークの入力層２８の入力パターンの提示で始ま
り、活性レベルの計算が中間層３０を通じて順伝搬して
いく間継続する。それぞれの層の全ての処理ユニット
は、入力の総和を求めて出力関数により出力値を計算す
る。
【００２８】逆伝搬ステップは、図４（ａ）順伝搬ステ
ップが完了したとき始まる。出力層３２の各処理ユニッ
トは一つの実数を出力する。これは、目標出力と比較さ
れる。次に図４（ｂ）のように、この差に基づいて出力
層３２の各ユニットに対するエラー値が計算される。そ
れから出力層３２に入っていく全ての重み係数の調整が
行われる。次に図４（ｃ）のように、出力層３２のすぐ
下にある中間層３０の全てのユニットに対するエラー値
が計算される。ここで、中間層３０に入る全ての重みが
調整される。この過程は重みの最後の層の調整が終了す
るまで続く。また、順伝搬ステップも逆伝搬ステップい
ずれも学習中にパターンの提示を行う度に実行される。
ップが完了したとき始まる。出力層３２の各処理ユニッ
トは一つの実数を出力する。これは、目標出力と比較さ
れる。次に図４（ｂ）のように、この差に基づいて出力
層３２の各ユニットに対するエラー値が計算される。そ
れから出力層３２に入っていく全ての重み係数の調整が
行われる。次に図４（ｃ）のように、出力層３２のすぐ
下にある中間層３０の全てのユニットに対するエラー値
が計算される。ここで、中間層３０に入る全ての重みが
調整される。この過程は重みの最後の層の調整が終了す
るまで続く。また、順伝搬ステップも逆伝搬ステップい
ずれも学習中にパターンの提示を行う度に実行される。
【００２９】次にバックプロパゲーション法による重み
係数の修正式を説明する。いま図５に示すようなｍ個の
ユニット３４をもつ入力層、ｎ個のユニット３６をもつ
中間層３０、ユニット３８を１個もつ出力層３２の階層
型ニューラルネットワークについて考える。まず、ニュ
ーラルネットワークの信号伝搬について説明する。中間
層３０の１つのユニット３６について考えてみると、入
力層２８と中間層３０間の重み係数をωij、中間層のユ
ニットのしきい値をＴj とすると、中間層のｊユニット
の内部状態ｕj 、および出力ｆ（ｕj ）は、次式とな
る。
係数の修正式を説明する。いま図５に示すようなｍ個の
ユニット３４をもつ入力層、ｎ個のユニット３６をもつ
中間層３０、ユニット３８を１個もつ出力層３２の階層
型ニューラルネットワークについて考える。まず、ニュ
ーラルネットワークの信号伝搬について説明する。中間
層３０の１つのユニット３６について考えてみると、入
力層２８と中間層３０間の重み係数をωij、中間層のユ
ニットのしきい値をＴj とすると、中間層のｊユニット
の内部状態ｕj 、および出力ｆ（ｕj ）は、次式とな
る。
【００３０】
【数１】
【００３１】また、中間層３０と出力層３２間の重み係
数をωj * 、出力層３２のユニット３８のしきい値をＴ
* とすると、出力層３２の内部状態ｕ* 、および出力ｆ
（ｕ * ）は、同様に
数をωj * 、出力層３２のユニット３８のしきい値をＴ
* とすると、出力層３２の内部状態ｕ* 、および出力ｆ
（ｕ * ）は、同様に
【００３２】
【数２】
【００３３】となり、出力信号を得る。バックプロパゲ
ーション法は、出力信号ｆ（ｕ* ）と与えられた教師信
号ｄとの自乗誤差の総和Ｅを逐次的に減少させるように
結合重みωijとωj * の変更を行う。出力層３２におけ
る評価関数は、
ーション法は、出力信号ｆ（ｕ* ）と与えられた教師信
号ｄとの自乗誤差の総和Ｅを逐次的に減少させるように
結合重みωijとωj * の変更を行う。出力層３２におけ
る評価関数は、
【００３４】
【数３】
【００３５】で与えられる。そして、各層間の重み係数
ωを最適化するには、Ｅが最小となれば良い。Ｅが最小
となるには、
ωを最適化するには、Ｅが最小となれば良い。Ｅが最小
となるには、
【００３６】
【数４】
【００３７】となればよいが、上式で表される自乗誤差
の変化量が０でないなら、この信号が誤差となるわけで
あるので、
の変化量が０でないなら、この信号が誤差となるわけで
あるので、
【００３８】
【数５】
【００３９】となり、式（７）の誤差信号を中間層３０
に逆伝搬させる。次に、中間層３０と出力層３２との層
間の重みの修正量を考える。重みの修正量Δωj * は、
に逆伝搬させる。次に、中間層３０と出力層３２との層
間の重みの修正量を考える。重みの修正量Δωj * は、
【００４０】
【数６】
【００４１】となる。次に、入力層２８と中間層３０間
の誤差信号は、式（７）と同様に
の誤差信号は、式（７）と同様に
【００４２】
【数７】
【００４３】となる。よって、入力層２８と中間層３０
間の重みωijの修正量は、式（８）と同様に
間の重みωijの修正量は、式（８）と同様に
【００４４】
【数８】
【００４５】で表される。しかし、実際には重みの修正
量Δωは、前回の修正量を用いて Δωj * （ｎ）＝ηδ＊・ｆ（ｕj ）＋αΔωj * （ｎ−１）・・・（１１） Δωij（ｎ）＝ηδj ｓi ＋αΔωij（ｎ−１） ・・・（１２） ｎ：学習回数 η：学習定数 α：収束定数 が用いられている。よって、修正後の各重み係数は、 ωj * （ｎ＋１）＝ωj * （ｎ）＋Δωj * （ｎ） ・・・（１３） ωij（ｎ＋１）＝ωij（ｎ）＋Δωij（ｎ） ・・・（１４） となる。
量Δωは、前回の修正量を用いて Δωj * （ｎ）＝ηδ＊・ｆ（ｕj ）＋αΔωj * （ｎ−１）・・・（１１） Δωij（ｎ）＝ηδj ｓi ＋αΔωij（ｎ−１） ・・・（１２） ｎ：学習回数 η：学習定数 α：収束定数 が用いられている。よって、修正後の各重み係数は、 ωj * （ｎ＋１）＝ωj * （ｎ）＋Δωj * （ｎ） ・・・（１３） ωij（ｎ＋１）＝ωij（ｎ）＋Δωij（ｎ） ・・・（１４） となる。
【００４６】以上のような演算を、全ての学習パターン
について繰り返し（これを一回の学習とする）、自乗誤
差Ｅが大きな場合には学習を何回でも繰り返す方法であ
る。また、自乗誤差Ｅが十分に小さくなったところで学
習を打ち切る。図６はバックプロパゲーション法により
図２に示した本発明のニューラルネットワークの学習に
使用する火災データと火災判定の教師信号の一例を示
す。図６は火災の例として木材，ウレタンホーム，布切
れ等の複合材料で構成されている例えば椅子を燃焼させ
たときの発熱量Ｑｆ，発煙量Ｑsmk 及びＣＯガス発生量
Ｑcoの時間変化を示す。このような複合材料の燃焼で得
られた発熱量，発煙量及びＣＯガス発生量の時間変化を
示すデータについて、図７に示す火災判定値の教師信号
を作る。
について繰り返し（これを一回の学習とする）、自乗誤
差Ｅが大きな場合には学習を何回でも繰り返す方法であ
る。また、自乗誤差Ｅが十分に小さくなったところで学
習を打ち切る。図６はバックプロパゲーション法により
図２に示した本発明のニューラルネットワークの学習に
使用する火災データと火災判定の教師信号の一例を示
す。図６は火災の例として木材，ウレタンホーム，布切
れ等の複合材料で構成されている例えば椅子を燃焼させ
たときの発熱量Ｑｆ，発煙量Ｑsmk 及びＣＯガス発生量
Ｑcoの時間変化を示す。このような複合材料の燃焼で得
られた発熱量，発煙量及びＣＯガス発生量の時間変化を
示すデータについて、図７に示す火災判定値の教師信号
を作る。
【００４７】図６のデータから図７の教師信号の作成に
ついては、例えば発熱量Ｑｆについては、図８に示すよ
うな人間の判断の曖昧さを考慮したメンバシップ関数を
使用する。また、発煙量Ｑsmk についても、図９に示す
ような人間の判断の曖昧さを示すメンバシップ関数を使
用する。図８，図９に示す危険度０〜１．０がほぼ図７
の教師信号の値０〜１．０に相当する。尚、ＣＯガス発
生量についても図９とほぼ同様なメンバシップ関数が使
用される。
ついては、例えば発熱量Ｑｆについては、図８に示すよ
うな人間の判断の曖昧さを考慮したメンバシップ関数を
使用する。また、発煙量Ｑsmk についても、図９に示す
ような人間の判断の曖昧さを示すメンバシップ関数を使
用する。図８，図９に示す危険度０〜１．０がほぼ図７
の教師信号の値０〜１．０に相当する。尚、ＣＯガス発
生量についても図９とほぼ同様なメンバシップ関数が使
用される。
【００４８】このような発熱量Ｑｆ，発煙量Ｑsmk 及び
ＣＯガス発生量Ｑcoについて定義されたメンバシップ関
数を図６の各発生量に適用して教師信号としての火災判
定値の各成分を求め、最終的に３つの発生量の火災判定
成分を合成して、図７に示す火災判定値を作る。発熱
量，発煙量及びＣＯガス発生量の各火災判定値の合成に
ついては、本発明にあっては発熱量Ｑｆの火災判定値の
比率を十分大きくする。
ＣＯガス発生量Ｑcoについて定義されたメンバシップ関
数を図６の各発生量に適用して教師信号としての火災判
定値の各成分を求め、最終的に３つの発生量の火災判定
成分を合成して、図７に示す火災判定値を作る。発熱
量，発煙量及びＣＯガス発生量の各火災判定値の合成に
ついては、本発明にあっては発熱量Ｑｆの火災判定値の
比率を十分大きくする。
【００４９】例えば、発熱量Ｑｆの火災判定値を８０
％、残り２０％を発煙量Ｑsmk 及びまたはＣＯガス発生
量Ｑcoの火災判定値として構成する。その結果、図７に
示す火災判定値の教師信号は図６に示す火災時の各発生
量の内の発熱量Ｑｆを主要因とした値をもち、これを補
う形で煙発生量Ｑsmk 及びＣＯガス発生量Ｑcoに基づく
判定値が加えられている。このような図６に示す火災を
示す各発生量から図７に示す火災判定値の教師信号の生
成は、各成分の発生状態を考慮しながら柔軟に行う必要
があり、あくまで人間の判断として火災と判断してよい
か否かを基準にして定めなければならない。
％、残り２０％を発煙量Ｑsmk 及びまたはＣＯガス発生
量Ｑcoの火災判定値として構成する。その結果、図７に
示す火災判定値の教師信号は図６に示す火災時の各発生
量の内の発熱量Ｑｆを主要因とした値をもち、これを補
う形で煙発生量Ｑsmk 及びＣＯガス発生量Ｑcoに基づく
判定値が加えられている。このような図６に示す火災を
示す各発生量から図７に示す火災判定値の教師信号の生
成は、各成分の発生状態を考慮しながら柔軟に行う必要
があり、あくまで人間の判断として火災と判断してよい
か否かを基準にして定めなければならない。
【００５０】図１０は図２に示した本発明のニューラル
ネットワークの学習に使用する非火災における各発生量
の時間変化を示したもので、図１１に図１０の各発生量
から得た火災判定値の非火災教師信号の時間変化を示
す。図１０は非火災の例として、非火災であっても煙が
大量に発生し、現在設置している火災感知器が発報して
しまうような、魚をガスコンロで調理したときの発熱量
Ｑｆ，発煙量Ｑsmk 及びＣＯガス発生量Ｑcoの時間変化
を示している。このような非火災時の各発生量につい
て、図７の場合と同様に、各発生量に対するメンバシッ
プ関数に基づいた火災判定値の各成分の生成と合成を行
うと、図１１に示す非火災の火災判定値の教師信号の時
間変化を得ることができる。
ネットワークの学習に使用する非火災における各発生量
の時間変化を示したもので、図１１に図１０の各発生量
から得た火災判定値の非火災教師信号の時間変化を示
す。図１０は非火災の例として、非火災であっても煙が
大量に発生し、現在設置している火災感知器が発報して
しまうような、魚をガスコンロで調理したときの発熱量
Ｑｆ，発煙量Ｑsmk 及びＣＯガス発生量Ｑcoの時間変化
を示している。このような非火災時の各発生量につい
て、図７の場合と同様に、各発生量に対するメンバシッ
プ関数に基づいた火災判定値の各成分の生成と合成を行
うと、図１１に示す非火災の火災判定値の教師信号の時
間変化を得ることができる。
【００５１】そこで本発明にあっては、図６に示した火
災時の各成分の入力信号とその教師信号である図７の火
災判定値を時系列的に図２のニューラルネットワークに
投入し、バックプロパゲーション法により学習を行っ
た。同時に、図１０に示す非火災時の各成分と図１１の
非火災時の教師信号を時系列的に図２のニューラルネッ
トワークに投入して、非火災の学習を行った。
災時の各成分の入力信号とその教師信号である図７の火
災判定値を時系列的に図２のニューラルネットワークに
投入し、バックプロパゲーション法により学習を行っ
た。同時に、図１０に示す非火災時の各成分と図１１の
非火災時の教師信号を時系列的に図２のニューラルネッ
トワークに投入して、非火災の学習を行った。
【００５２】図１２はこのニューラルネットワークの学
習における学習回数と教師信号に対するネットワーク出
力として得られる信号との偏差を示したグラフ図であ
り、中間層３０のユニット数を５〜１０の範囲で変えて
学習を１０００回まで行ったときの状態を示している。
図１２から明らかなように、偏差は中間層３０のユニッ
ト数によらず、ほぼ同じ値を示しており、同様の学習効
果が得られていることが判る。この図１２の学習結果に
あっては、中間層のユニット数を７ユニットとした場合
に、学習回数が１０００回のときの偏差が最小となった
ことから、図２の中間層３０の中間ユニット３６の数は
７ユニットとする。
習における学習回数と教師信号に対するネットワーク出
力として得られる信号との偏差を示したグラフ図であ
り、中間層３０のユニット数を５〜１０の範囲で変えて
学習を１０００回まで行ったときの状態を示している。
図１２から明らかなように、偏差は中間層３０のユニッ
ト数によらず、ほぼ同じ値を示しており、同様の学習効
果が得られていることが判る。この図１２の学習結果に
あっては、中間層のユニット数を７ユニットとした場合
に、学習回数が１０００回のときの偏差が最小となった
ことから、図２の中間層３０の中間ユニット３６の数は
７ユニットとする。
【００５３】図１３は火災判定及び非火災判定の学習が
済んだ図２のニューラルネットワークを検証するため
に、火災現象の例としてカーテンを燃焼させたときの各
発生量の時間変化を示している。この図１３に示すカー
テン燃焼時の各発生量を図２の学習済みのニューラルネ
ットワークに投入すると、図１４に示す火災判定値の時
間変化を得ることができた。
済んだ図２のニューラルネットワークを検証するため
に、火災現象の例としてカーテンを燃焼させたときの各
発生量の時間変化を示している。この図１３に示すカー
テン燃焼時の各発生量を図２の学習済みのニューラルネ
ットワークに投入すると、図１４に示す火災判定値の時
間変化を得ることができた。
【００５４】図１３の時間０はカーテンの下部に着火し
た時刻を示しており、着火後、約４５秒から各発生量は
上昇を始め、約５５秒後には発熱量Ｑｆは全ての人が危
険と感じる２５［ｋＷ］を越えている。発煙量Ｑsmk も
同様に、６７秒後に全ての人が危険と感ずる０．２［ｇ
／ｓ］を越えている。これに対し、図１４のニューラル
ネットワークから出力された火災判定値は着火から約７
０秒後に火災判定値は１．０を示し、危険な状態と判断
していることが判る。
た時刻を示しており、着火後、約４５秒から各発生量は
上昇を始め、約５５秒後には発熱量Ｑｆは全ての人が危
険と感じる２５［ｋＷ］を越えている。発煙量Ｑsmk も
同様に、６７秒後に全ての人が危険と感ずる０．２［ｇ
／ｓ］を越えている。これに対し、図１４のニューラル
ネットワークから出力された火災判定値は着火から約７
０秒後に火災判定値は１．０を示し、危険な状態と判断
していることが判る。
【００５５】また、図１３において、カーテンがほぼ燃
え尽き燻焼状態となった約７５秒後にＣＯガス発生量Ｑ
coは約２．６［ｇ／ｓ］に達している。このとき発熱量
Ｑｆ及び発煙量Ｑsmk は共に減少しているが、その値は
依然として大きいので、図１４によるニューラルネット
ワークの火災判定値は依然として危険な状態にあること
を示す１．０を示す結果となっている。
え尽き燻焼状態となった約７５秒後にＣＯガス発生量Ｑ
coは約２．６［ｇ／ｓ］に達している。このとき発熱量
Ｑｆ及び発煙量Ｑsmk は共に減少しているが、その値は
依然として大きいので、図１４によるニューラルネット
ワークの火災判定値は依然として危険な状態にあること
を示す１．０を示す結果となっている。
【００５６】図１５は学習済みの図２のニューラルネッ
トワークの非火災判断の検証に用いる非火災時の各発生
量の時間変化を示す。即ち図１５は、非火災であっても
火災現象と誤認し易い、ガスコンロによる焼鳥を調理し
たときの各発生量の変化を示しており、このような非火
災の各発生量の時系列信号を図２の学習済みのニューラ
ルネットワークに投入すると、図１６に示す火災判定値
の時間変化を得ることができた。
トワークの非火災判断の検証に用いる非火災時の各発生
量の時間変化を示す。即ち図１５は、非火災であっても
火災現象と誤認し易い、ガスコンロによる焼鳥を調理し
たときの各発生量の変化を示しており、このような非火
災の各発生量の時系列信号を図２の学習済みのニューラ
ルネットワークに投入すると、図１６に示す火災判定値
の時間変化を得ることができた。
【００５７】図１５の焼鳥の調理にあっては、ガスコン
ロの熱により発熱量Ｑｆは約８［ＫＷ］まで上昇してい
るが、発煙量Ｑsmk 及びＣＯガス発生量Ｑcoは若干上昇
するものの、その値は小さい。このときの図１６に示す
ニューラルネットワークが出力する火災判定値は発熱量
Ｑｆの影響を受けて大きく変動しているが、図１３及び
図１４に示したカーテンの燃焼の場合と比べると判定値
は小さく、火災とは判断していないことが明らかであ
る。
ロの熱により発熱量Ｑｆは約８［ＫＷ］まで上昇してい
るが、発煙量Ｑsmk 及びＣＯガス発生量Ｑcoは若干上昇
するものの、その値は小さい。このときの図１６に示す
ニューラルネットワークが出力する火災判定値は発熱量
Ｑｆの影響を受けて大きく変動しているが、図１３及び
図１４に示したカーテンの燃焼の場合と比べると判定値
は小さく、火災とは判断していないことが明らかであ
る。
【００５８】次にセンサにパルス的な入力が入ったこと
を想定し、一例として図１７に示す非火災状態でのパル
ス的な入力を想定して図２の学習済みのニューラルネッ
トワークで火災判定を行った。図１７にあっては、各発
生量を１秒間のパルス的な変化としている。即ち、図１
７のパルス入力は発熱量Ｑｆ，発煙量Ｑsmk 及びＣＯガ
ス発生量Ｑcoの各成分毎にパルス的に入力したもので、
例えば発熱量Ｑｆを例にとると、１番目のパルスは火災
判定値１．０となる閾値の３０％の振幅入力、２番目の
パルスは閾値の７０％のパルス入力、３番目のパルスは
閾値に一致する１００％の振幅入力の場合である。この
点は残りの発煙量Ｑsmk 及びＣＯガス発生量Ｑcoについ
ても同様に、閾値の３０％、７０％及び１００％と振幅
を増加させた場合のパルス入力としている。
を想定し、一例として図１７に示す非火災状態でのパル
ス的な入力を想定して図２の学習済みのニューラルネッ
トワークで火災判定を行った。図１７にあっては、各発
生量を１秒間のパルス的な変化としている。即ち、図１
７のパルス入力は発熱量Ｑｆ，発煙量Ｑsmk 及びＣＯガ
ス発生量Ｑcoの各成分毎にパルス的に入力したもので、
例えば発熱量Ｑｆを例にとると、１番目のパルスは火災
判定値１．０となる閾値の３０％の振幅入力、２番目の
パルスは閾値の７０％のパルス入力、３番目のパルスは
閾値に一致する１００％の振幅入力の場合である。この
点は残りの発煙量Ｑsmk 及びＣＯガス発生量Ｑcoについ
ても同様に、閾値の３０％、７０％及び１００％と振幅
を増加させた場合のパルス入力としている。
【００５９】図１７に示すパルス的な各発生量の入力に
対し、ディレイラインを入力層にもたない従来のニュー
ラルネットワークによる火災判定値は図１８（ａ）に示
すようになる。一方、入力層にディレイラインをもつ図
２の本発明のニューラルネットワークにあっては、図１
８（ｂ）に示す火災判定値が得られた。図１８（ａ）の
ディレイラインをもたないことで時間的概念を導入して
いない従来のニューラルネットワークにあっては、各発
生量のパルス入力の振幅の増加に伴って火災判定値もほ
ぼ同等に増加しており、パルス入力に対する抑制効果が
ないことが判る。尚、４〜６の発煙量Ｑsmk と７〜９の
ＣＯガス発生量Ｑcoに対する火災判定値については、発
熱量に対する重み係数を大きくとっていることから、火
災判定値の割合は低い値に制限されている。
対し、ディレイラインを入力層にもたない従来のニュー
ラルネットワークによる火災判定値は図１８（ａ）に示
すようになる。一方、入力層にディレイラインをもつ図
２の本発明のニューラルネットワークにあっては、図１
８（ｂ）に示す火災判定値が得られた。図１８（ａ）の
ディレイラインをもたないことで時間的概念を導入して
いない従来のニューラルネットワークにあっては、各発
生量のパルス入力の振幅の増加に伴って火災判定値もほ
ぼ同等に増加しており、パルス入力に対する抑制効果が
ないことが判る。尚、４〜６の発煙量Ｑsmk と７〜９の
ＣＯガス発生量Ｑcoに対する火災判定値については、発
熱量に対する重み係数を大きくとっていることから、火
災判定値の割合は低い値に制限されている。
【００６０】これに対し、図１８（ｂ）に示す入力層に
ディレイラインを設けることで時間的概念を導入した本
発明のニューラルネットワークにあっては、火災判定に
占める割合の大きい発熱量Ｑｆのパルス入力を示す１〜
３番目のパルスについて、火災判定値が十分に抑制され
ており、パルス的な入力に対しては応答しない良好な結
果が得られている。
ディレイラインを設けることで時間的概念を導入した本
発明のニューラルネットワークにあっては、火災判定に
占める割合の大きい発熱量Ｑｆのパルス入力を示す１〜
３番目のパルスについて、火災判定値が十分に抑制され
ており、パルス的な入力に対しては応答しない良好な結
果が得られている。
【００６１】更に本発明のニューラルネットワークにあ
っては、火災を示すパルス入力、即ち各発生量の振幅及
びパルス幅が増加した場合には、パルス入力であっても
危険な状態である火災判定値１．０の火災判断を得るこ
とができる。図１９は発熱量Ｑｆのパルス入力につい
て、パルス振幅とパルス幅を増加させたときの本発明の
ニューラルネットワークによる火災判定値の変化を示し
た３次元グラフ図である。図１９から明らかなように、
発熱量Ｑｆを示すパルス入力の振幅及び幅の増加に伴っ
て、縦軸に示す火災判定値が明らかに１．０に向かって
上昇している。
っては、火災を示すパルス入力、即ち各発生量の振幅及
びパルス幅が増加した場合には、パルス入力であっても
危険な状態である火災判定値１．０の火災判断を得るこ
とができる。図１９は発熱量Ｑｆのパルス入力につい
て、パルス振幅とパルス幅を増加させたときの本発明の
ニューラルネットワークによる火災判定値の変化を示し
た３次元グラフ図である。図１９から明らかなように、
発熱量Ｑｆを示すパルス入力の振幅及び幅の増加に伴っ
て、縦軸に示す火災判定値が明らかに１．０に向かって
上昇している。
【００６２】図２０は発煙量Ｑsmk のパルス振幅及びパ
ルス幅の増加に対する本発明のニューラルネットワーク
による火災判定値の変化を示した３次元グラフ図であ
る。更に、図２１はＣＯガス発生量Ｑcoのパルス入力に
おけるパルス振幅及びパルス幅に対する本発明のニュー
ラルネットワークによる火災判定値の変化を示した３次
元グラフ図である。
ルス幅の増加に対する本発明のニューラルネットワーク
による火災判定値の変化を示した３次元グラフ図であ
る。更に、図２１はＣＯガス発生量Ｑcoのパルス入力に
おけるパルス振幅及びパルス幅に対する本発明のニュー
ラルネットワークによる火災判定値の変化を示した３次
元グラフ図である。
【００６３】図２０及び図２１から明らかなように、発
煙量Ｑsmk 及びＣＯガス発生量Ｑcoについては、火災判
定値に占める度合を低めに抑えているため、パルス振幅
及びパルス幅の増加に対し、ある程度の火災判定値の増
加が得られる結果となっている。このように本発明にお
いては、発熱量Ｑｆ、発煙量Ｑsmk 、ＣＯガス発生量Ｑ
coとそれぞれの微分量と時間的変化に基づいて総合的に
ニューラルネットワークで火災判定を行っているので、
パルス的入力であっても火災に伴うパルス振幅及びパル
ス幅の増加に対し確実に火災と判断することができる。
煙量Ｑsmk 及びＣＯガス発生量Ｑcoについては、火災判
定値に占める度合を低めに抑えているため、パルス振幅
及びパルス幅の増加に対し、ある程度の火災判定値の増
加が得られる結果となっている。このように本発明にお
いては、発熱量Ｑｆ、発煙量Ｑsmk 、ＣＯガス発生量Ｑ
coとそれぞれの微分量と時間的変化に基づいて総合的に
ニューラルネットワークで火災判定を行っているので、
パルス的入力であっても火災に伴うパルス振幅及びパル
ス幅の増加に対し確実に火災と判断することができる。
【００６４】更に本発明は火災判定装置に用いるニュー
ラルネットワークを例にとるものであったが、図２及び
図３に示した入力層にディレイラインを設けた階層型ニ
ューラルネットワークは火災判定に限定されず、時系列
的な一群のデータからある結果を判定する場合にそのま
ま適用でき、従来、考えられているフィードバック型の
ニューラルネットワークに比べ、時間的概念、即ち時系
列としての過去の経歴を含めた判断処理に最適なネット
ワークを構築することができる。従って、本発明の入力
層にディレイラインを備えたニューラルネットワーク
は、その用途に限定されないことは明らかである。
ラルネットワークを例にとるものであったが、図２及び
図３に示した入力層にディレイラインを設けた階層型ニ
ューラルネットワークは火災判定に限定されず、時系列
的な一群のデータからある結果を判定する場合にそのま
ま適用でき、従来、考えられているフィードバック型の
ニューラルネットワークに比べ、時間的概念、即ち時系
列としての過去の経歴を含めた判断処理に最適なネット
ワークを構築することができる。従って、本発明の入力
層にディレイラインを備えたニューラルネットワーク
は、その用途に限定されないことは明らかである。
【００６５】また、火災判定に用いた本発明のニューラ
ルネットワークにおけるディレイラインの段数、入力ラ
インの数、中間ユニットの数、等は必要に応じて定めら
れ、実施例に示された数値で限定されないことは勿論で
ある。この点はディレイラインの遅延時間Ｔについても
同様である。また本発明のニューラルネットワークの学
習に使用する入力信号及び教師信号を作るための火災デ
ータとして、木材、ウレタンホーム、布切れで構成され
ている椅子を複合材料として燃焼させているが、このネ
ットワーク学習のデータ収集に使用する複合材料として
は、実際の火災の状況を想定した複合材料を使用するこ
とが望ましい。
ルネットワークにおけるディレイラインの段数、入力ラ
インの数、中間ユニットの数、等は必要に応じて定めら
れ、実施例に示された数値で限定されないことは勿論で
ある。この点はディレイラインの遅延時間Ｔについても
同様である。また本発明のニューラルネットワークの学
習に使用する入力信号及び教師信号を作るための火災デ
ータとして、木材、ウレタンホーム、布切れで構成され
ている椅子を複合材料として燃焼させているが、このネ
ットワーク学習のデータ収集に使用する複合材料として
は、実際の火災の状況を想定した複合材料を使用するこ
とが望ましい。
【００６６】即ち、最適な形態にあっては、火災を監視
している部屋で主に使用されている材料から複合材料を
作って燃焼させ、この燃焼で得られた各発生量とその教
師信号でニューラルネットワークを学習すれば、その部
屋の火災状況に合わせた最適な火災判定が可能となる。
更にまた、本発明で使用するニューラルネットワークに
ついては、ハードウェアで構成してもよいしソフトウェ
アで構成してもよい。
している部屋で主に使用されている材料から複合材料を
作って燃焼させ、この燃焼で得られた各発生量とその教
師信号でニューラルネットワークを学習すれば、その部
屋の火災状況に合わせた最適な火災判定が可能となる。
更にまた、本発明で使用するニューラルネットワークに
ついては、ハードウェアで構成してもよいしソフトウェ
アで構成してもよい。
【００６７】
【発明の効果】以上説明してきたように本発明によれ
ば、時間的概念を導入したニューラルネットワークによ
る火災判定を人間の火災に対する判断に近い、より正確
な判断結果が得られ、また、非火災については誤った火
災判定が確実に回避できる。また、時間的概念を導入し
た階層型ニューラルネットワークにより、従来、非火災
としてのパルス的な入力を火災と判定していたものが、
非火災のパルス入力による火災判定が十分に抑制でき、
一方、火災に伴うパルス振幅及びパルス幅の増加に対し
ては確実に火災判定が得られ、パルス入力についても火
災と非火災を正確に区別することが可能となる。
ば、時間的概念を導入したニューラルネットワークによ
る火災判定を人間の火災に対する判断に近い、より正確
な判断結果が得られ、また、非火災については誤った火
災判定が確実に回避できる。また、時間的概念を導入し
た階層型ニューラルネットワークにより、従来、非火災
としてのパルス的な入力を火災と判定していたものが、
非火災のパルス入力による火災判定が十分に抑制でき、
一方、火災に伴うパルス振幅及びパルス幅の増加に対し
ては確実に火災判定が得られ、パルス入力についても火
災と非火災を正確に区別することが可能となる。
【００６８】更に、時間的概念を導入した階層型ニュー
ラルネットワークの学習方法として、木材、ウレタンホ
ーム、布切れ等の複合材料を燃焼させたネットワーク入
力信号とその教師信号を生成して学習させることで、適
切な学習回数の段階で偏差が許容できる値以下に収束で
き、時間的概念を導入したニューラルネットワークの火
災判定機能を確実に作り出すことができる。
ラルネットワークの学習方法として、木材、ウレタンホ
ーム、布切れ等の複合材料を燃焼させたネットワーク入
力信号とその教師信号を生成して学習させることで、適
切な学習回数の段階で偏差が許容できる値以下に収束で
き、時間的概念を導入したニューラルネットワークの火
災判定機能を確実に作り出すことができる。
【００６９】更にまた本発明にあっては、入力層にディ
レイラインを用いた階層型ニューラルネットワークとす
ることで、時系列的な物理量の変化から物事を判断す
る、あらゆる用途に最適な時間的概念を導入した階層型
ニューラルネットワークを構築でき、これによって、従
来、時系列信号の取扱いが適切にできなかった階層型ニ
ューラルネットワークの活用範囲を大きく広げることが
期待される。
レイラインを用いた階層型ニューラルネットワークとす
ることで、時系列的な物理量の変化から物事を判断す
る、あらゆる用途に最適な時間的概念を導入した階層型
ニューラルネットワークを構築でき、これによって、従
来、時系列信号の取扱いが適切にできなかった階層型ニ
ューラルネットワークの活用範囲を大きく広げることが
期待される。
【図１】本発明の全体構成を示したブロック図
【図２】図２のニューラルネットワークを示した説明図
【図３】図２の入力層の詳細を示した説明図
【図４】ニューラルネットワークの学習原理の説明図
【図５】階層型ニューラルネットワークの原理説明図
【図６】本発明の火災判定の教師データの作成に用いる
複合材料（椅子）の燃焼で得た各発生量の時間変化を示
したグラフ図
複合材料（椅子）の燃焼で得た各発生量の時間変化を示
したグラフ図
【図７】図６の火災データから作成した教師信号の時間
変化を示したグラフ図
変化を示したグラフ図
【図８】本発明の教師信号の作成に使用する発熱量に対
する危険度のメンバシップ関数を示したグラフ図
する危険度のメンバシップ関数を示したグラフ図
【図９】本発明の教師信号の作成に使用する発煙量に対
する危険度のメンバシップ関数を示したグラフ図
する危険度のメンバシップ関数を示したグラフ図
【図１０】本発明の非火災判定の教師データの作成に用
いる非火災データとしての各発生量の時間変化を示した
グラフ図
いる非火災データとしての各発生量の時間変化を示した
グラフ図
【図１１】図６の非火災データから作成した非火災判定
の教師信号の時間変化を示したグラフ図
の教師信号の時間変化を示したグラフ図
【図１２】本発明によるニューラルネットワークの中間
層ユニット数を変えて学習を行った際の学習回数に対す
る教師信号との偏差を示したグラフ図
層ユニット数を変えて学習を行った際の学習回数に対す
る教師信号との偏差を示したグラフ図
【図１３】カーテンの燃焼による火災時の各発生量の時
間変化を示したグラフ図
間変化を示したグラフ図
【図１４】図１３の火災データを学習済みのニューラル
ネットワークに投入して得た火災判定値の時間変化を示
したグラフ図
ネットワークに投入して得た火災判定値の時間変化を示
したグラフ図
【図１５】非火災として焼鳥を調理した場合の各発生量
の時間変化を示したグラフ図
の時間変化を示したグラフ図
【図１６】図１５の非火災データを学習済みのニューラ
ルネットワークに投入して得た火災判定値の時間変化を
示したグラフ図
ルネットワークに投入して得た火災判定値の時間変化を
示したグラフ図
【図１７】パルス的に入力する非火災データとしての各
発生量を示した説明図
発生量を示した説明図
【図１８】ニューラルネットワークに図１７のパルス的
入力を与えた時の火災判定値の変化を示した説明図
入力を与えた時の火災判定値の変化を示した説明図
【図１９】最も重みが大きい発熱量のパルス的入力のパ
ルス幅とパルス振幅に対する火災判定値の変化を示した
３次元グラフ図
ルス幅とパルス振幅に対する火災判定値の変化を示した
３次元グラフ図
【図２０】重みが小さい発煙量のパルス的入力のパルス
幅とパルス振幅に対する火災判定値の変化を示した３次
元グラフ図
幅とパルス振幅に対する火災判定値の変化を示した３次
元グラフ図
【図２１】重みが小さいＣＯガス発生量のパルス的入力
のパルス幅とパルス振幅に対する火災判定値の変化を示
した３次元グラフ図
のパルス幅とパルス振幅に対する火災判定値の変化を示
した３次元グラフ図
１０：センサ部 １２：温度センサ １４：煙センサ １６：ＣＯガスセンサ １８：数学モデル演算部 ２０：環境係数重み付け部 ２２：正規化部 ２４：ニューラルネットワーク ２６：火災判断部 ２８：入力層 ３０：中間層 ３２：出力層 ３４：入力ユニット ３５：ディレイライン ３６：中間ユニット ３８：出力ユニット
───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平４−86995（ＪＰ，Ａ) 特開 平２−195497（ＪＰ，Ａ) 特開 平４−697（ＪＰ，Ａ) 特開 平２−156397（ＪＰ，Ａ) (58)調査した分野(Int.Cl.7，ＤＢ名) G08B 17/00 G06F 15/18 560
Claims (8)
- 【請求項１】火災に伴う複数種類の物理的現象の変化を
示す複数の検出信号を正規化して出力する入力処理部
と、 入力層、中間層および出力層の各ユニットを完全結合し
て構成され、前記入力層に入力処理部からの信号を遅延
させる遅延部を設け、所定の入力信号と教師信号を用い
て火災判定の学習が施されたニューラルネットワーク
と、 該ニューラルネットワークの火災判定信号に基づいて火
災警報、機器制御などの火災対応判断を行う火災判断部
と、を備えたことを特徴とする火災判定装置。 - 【請求項２】請求項１記載の火災判定装置に於いて、前
記入力処理部は、温度を検出する温度センサ、煙による
減光率を検出する煙センサ、およびＣＯガスの濃度を検
出するＣＯガスセンサを備えたセンサ部と、検出温度か
ら発熱量、煙の減光率から発煙量、およびＣＯガス濃度
からＣＯガスの発生量を演算し、更にそれぞれの微分値
を演算する数学モデル演算部と、該数学モデル演算部で
求めた発熱量、発煙量、およびＣＯガス発生量、並びに
それぞれの微分値を正規化して前記ニューラルネットワ
ークに並列的に出力する正規化部とを備えたことを特徴
とする火災判定装置。 - 【請求項３】請求項２記載の火災判定装置に於いて、前
記入力処理部は、更に、前記数学モデル演算部で求めた
発煙量およびＣＯガス発生量と各々の微分値に、警戒区
域の使用目的に応じた所定の環境係数による重み付けを
行なって前記正規化部に出力する環境係数重み付け部を
設けたことを特徴とする火災判定装置。 - 【請求項４】請求項１記載の火災判定装置に於いて、前
記ニューラルネットワークの入力層に設けた遅延部は、
前記正規化部から並列的に供給される複数の正規化信号
を信号ごとに入力して複数段階に亘り遅延させる遅延ラ
インを有し、該遅延ラインの各遅延段ごとに入力ユニッ
トを設けて前記中間層の中間ユニットに各遅延信号を重
み係数を介して結合することで供給することを特徴とす
る火災判定装置。 - 【請求項５】請求項１乃至４記載の火災判定装置に設け
たニューラルネットワークの学習方法に於いて、 適宜の部材を火災を想定して燃焼させたときの時間的に
変化する発熱量、発煙量およびＣＯガス発生量、更にそ
れぞれの微分値を検出する火災信号生成過程と、 該火災信号生成過程で得られた前記各発生量ごとに、人
が危険と感じる度合を示す所定のメンバシップ関数に従
って火災判定値を決め、各発生量ごとの火災判定値を合
成して時間的に変化する火災判定教師信号を生成する火
災教師信号生成過程と、 適宜の部材を非火災を想定して燃焼させたときの時間的
に変化する発熱量、発煙量およびＣＯガス発生量、更に
それぞれの微分値を検出する非火災信号生成過程と、 該非火災信号生成過程で得られた各発生量ごとに、人が
危険と感じる度合を示す所定のメンバシップ関数に従っ
て火災判定値を決め、各発生量ごとの火災判定値を合成
して時間的に変化する非火災教師信号を生成する非火災
教師信号生成過程と、 前記火災を示す各発生量と火災教師信号の組および前記
非火災を示す各発生量と非火災教師信号の組を前記ニュ
ーラルネットワークに投入して学習させる学習過程と、
を備えたことを特徴とするニューラルネットワークの学
習方法。 - 【請求項６】請求項５記載のニューラルネットワークの
学習方法に於いて、前記火災データ生成過程にあって
は、木材、ウレタンホーム、布などの通常火災で燃焼が
予想される複数種類の材料を含む複合材料を燃焼させる
ことを特徴とするニューラルネットワークの学習方法。 - 【請求項７】請求項５記載のニューラルネットワークの
学習方法に於いて、前記火災および非火災教師信号生成
過程にあっては、発熱量に対する火災判定値の重み付け
を大きくして火災教師信号および非火災教師信号を生成
したことを特徴とするニューラルネットワークの学習方
法。 - 【請求項８】入力層、中間層および出力層の各ユニット
を重み係数を介して結合して構成された階層型ニューラ
ルネットワークに於いて、 前記入力層に、入力信号を複数段階に遅延させる入力ラ
インごとに設けた遅延手段と、該遅延手段の各遅延段の
出力を入力して前記中間層のユニットに遅延信号を結合
により供給する複数の入力ユニットを設けたことを特徴
とする階層型ニューラルネットワーク。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5115475A JP3032402B2 (ja) | 1993-05-18 | 1993-05-18 | 火災判定装置及びニューラルネットワークの学習方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5115475A JP3032402B2 (ja) | 1993-05-18 | 1993-05-18 | 火災判定装置及びニューラルネットワークの学習方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH06325270A JPH06325270A (ja) | 1994-11-25 |
| JP3032402B2 true JP3032402B2 (ja) | 2000-04-17 |
Family
ID=14663457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5115475A Expired - Fee Related JP3032402B2 (ja) | 1993-05-18 | 1993-05-18 | 火災判定装置及びニューラルネットワークの学習方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3032402B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111127811A (zh) * | 2019-12-25 | 2020-05-08 | 上海船舶电子设备研究所(中国船舶重工集团公司第七二六研究所) | 火灾早期探测报警系统和方法 |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3900804B2 (ja) * | 2000-07-31 | 2007-04-04 | ホーチキ株式会社 | 火災ガス漏れ警報器 |
| JP4634689B2 (ja) * | 2002-07-31 | 2011-02-16 | アドバンス・デザイン株式会社 | フレーム監視システム |
| US8248253B2 (en) | 2008-04-21 | 2012-08-21 | Honeywell International Inc. | Fire detector incorporating a gas sensor |
| JP5572339B2 (ja) * | 2009-07-03 | 2014-08-13 | 富士重工業株式会社 | オンラインリスク認識システム |
| JP6862144B2 (ja) * | 2016-10-27 | 2021-04-21 | ホーチキ株式会社 | 監視システム |
| JP6857007B2 (ja) * | 2016-10-24 | 2021-04-14 | ホーチキ株式会社 | 火災監視システム |
| WO2018079400A1 (ja) * | 2016-10-24 | 2018-05-03 | ホーチキ株式会社 | 火災監視システム |
| JP6968530B2 (ja) * | 2016-11-29 | 2021-11-17 | ホーチキ株式会社 | 火災監視システム |
| JP6849411B2 (ja) * | 2016-11-29 | 2021-03-24 | ホーチキ株式会社 | 監視システム |
| WO2018116966A1 (ja) | 2016-12-21 | 2018-06-28 | ホーチキ株式会社 | 火災監視システム |
| JP6791800B2 (ja) * | 2017-04-05 | 2020-11-25 | 株式会社日立製作所 | 計算機システム及び再帰型ニューラルネットワークを用いた演算方法 |
| CN109063247B (zh) * | 2018-06-26 | 2023-04-18 | 西安工程大学 | 基于深度信念网络的滑坡灾害预报方法 |
| JP7286311B2 (ja) * | 2018-12-19 | 2023-06-05 | 清水建設株式会社 | 火災検出装置、火災検出方法、及びプログラム |
| JP6788165B2 (ja) * | 2019-02-27 | 2020-11-25 | ホーチキ株式会社 | 火災検知器及び火災検知方法 |
| JP7408290B2 (ja) * | 2019-03-28 | 2024-01-05 | ホーチキ株式会社 | 火災監視システム |
| CN110322659A (zh) * | 2019-06-21 | 2019-10-11 | 江西洪都航空工业集团有限责任公司 | 一种烟雾检测方法 |
| KR102455803B1 (ko) * | 2020-09-29 | 2022-10-17 | 민준규 | 화재 감지 장치 및 방법 |
| CN113435105A (zh) * | 2021-05-25 | 2021-09-24 | 杭州申弘智能科技有限公司 | 一种基于烟感检测的火灾预警系统及方法 |
| 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 |
| CN116271667B (zh) * | 2023-05-12 | 2023-08-04 | 陕西开来机电设备制造有限公司 | 一种矿用皮带机电控防灭火系统 |
-
1993
- 1993-05-18 JP JP5115475A patent/JP3032402B2/ja not_active Expired - Fee Related
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111127811A (zh) * | 2019-12-25 | 2020-05-08 | 上海船舶电子设备研究所(中国船舶重工集团公司第七二六研究所) | 火灾早期探测报警系统和方法 |
| CN111127811B (zh) * | 2019-12-25 | 2022-02-08 | 上海船舶电子设备研究所(中国船舶重工集团公司第七二六研究所) | 火灾早期探测报警系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH06325270A (ja) | 1994-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3032402B2 (ja) | 火災判定装置及びニューラルネットワークの学習方法 | |
| Campbell | Production, verification, and priming of multiplication facts | |
| CA2178779C (en) | Apparatus and method for discrimination of fire types | |
| JPH07248778A (ja) | 適応フィルタの係数更新方法 | |
| JP7408290B2 (ja) | 火災監視システム | |
| CN113920673B (zh) | 一种室内火情智能监测方法及系统 | |
| US8203456B2 (en) | Fire detecting system and weight correcting method performed thereby | |
| CN109918304B (zh) | 一种快速高路径覆盖率测试用例生成方法 | |
| Sendi et al. | Systematic validation of disease models for pharmacoeconomic evaluations | |
| CN118014055A (zh) | 模型的训练方法及装置、电子设备和存储介质 | |
| CN103593610B (zh) | 基于计算机免疫的间谍软件自适应诱导与检测方法 | |
| Silva et al. | Application of Levenberg-Marquardt method to the training of spiking neural networks | |
| JP2003162778A (ja) | 火災警報システム | |
| Takagi et al. | Proposal for a framework for optimizing artificial environments based on physiological feedback | |
| Gomathy et al. | Network intrusion detection using genetic algorithm and neural network | |
| JP2994088B2 (ja) | 火災検出装置 | |
| Meacham | The use of artificial intelligence techniques for signal discrimination in fire detection systems | |
| JP2756276B2 (ja) | 火災警報装置 | |
| JP2009277086A (ja) | 生活支援報知システム | |
| Potworowski | An exploration of the notion of objectivity in Hans Urs von Balthasar | |
| JP7403018B1 (ja) | 火災シミュレーションシステム | |
| JP2889382B2 (ja) | 火災報知装置 | |
| JP2021057710A5 (ja) | ||
| JPH04365194A (ja) | 火災報知装置 | |
| Pei et al. | Research on data fusion system of fire detection based on neural-network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080210 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090210 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100210 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110210 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110210 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120210 Year of fee payment: 12 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130210 Year of fee payment: 13 |
|
| LAPS | Cancellation because of no payment of annual fees |