一種基于自組織神經(jīng)網(wǎng)絡的火災預測方法
【技術領域】
[0001] 本發(fā)明屬于火災預警技術領域，具體涉及一種基于自組織神經(jīng)網(wǎng)絡的火災預測方 法。
【背景技術】
[0002] 隨著經(jīng)濟的不斷發(fā)展，人們生活水平的提高，在商廈、酒店、賓館、KTV等大型娛樂 場所的人員流動是越來越大，如果一旦發(fā)生火災，后果不堪設想。但目前火災監(jiān)控系統(tǒng)存在 以下幾點不足：①采用的傳感器單一，誤報和漏報率高，且不能及時的檢測到火災初期環(huán)境 參數(shù)的變化；②連接方式大多為有線連接，容易老化、腐蝕，不易維修和更換；③采用預測 模型大多基于靜態(tài)的網(wǎng)絡，然而靜態(tài)學習算法計算能力弱，實時性差，精度不高，不能滿足 非線性函數(shù)的，影響系統(tǒng)的整體性能；④大多出系統(tǒng)為單一的預警系統(tǒng)或控制系統(tǒng)，沒有很 好的實現(xiàn)預警和聯(lián)動控制的結合，降低了對火災的控制能力的控制水平。因此，對應的火災 預測方法也是存在諸多問題。

【發(fā)明內容】

[0003] 本發(fā)明的目的在于：針對現(xiàn)有的火災預測方法，提供一種基于自組織神經(jīng)網(wǎng)絡的 火災預測方法，能夠及時發(fā)現(xiàn)火災隱患，并加以控制，實時性好，可靠性高，穩(wěn)定性強。
[0004] 為了實現(xiàn)上述目的，本發(fā)明采用的技術方案為：
[0005] 一種基于自組織神經(jīng)網(wǎng)絡的火災預測方法，包括以下步驟：
[0006] 步驟1 :在上位機內建立基于自組織神經(jīng)網(wǎng)絡的火災發(fā)生概率預估模型；
[0007] 步驟2:在所設的監(jiān)控點處安裝傳感器組，并采集環(huán)境參數(shù)，并將采集的實時數(shù)據(jù) 通過路由器傳輸?shù)缴衔粰C；
[0008] 步驟3 :上位機將接收的數(shù)據(jù)輸入到火災發(fā)生概率預估模型中，獲得當前環(huán)境下 對應的火災概率值，并判定是否存在火情；
[0009] 步驟4 :將火情信息傳輸?shù)铰?lián)動控制器，驅動聯(lián)動滅火裝置，進而實現(xiàn)報警和自動 滅火。
[0010] 作為優(yōu)選，步驟1中用神經(jīng)網(wǎng)絡自組織結構設計方法對火災過程中的一氧化碳 CO、煙霧指數(shù)、火焰指數(shù)、溫度T數(shù)據(jù)進行建模，預測下一時刻火災發(fā)生概率，其中，自組織 結構設計方法為動態(tài)增刪減法，具體步驟如下：
[0011] 步驟11:采集標準無火、標準明火以及標準陰燃火條件下的監(jiān)控點環(huán)境參數(shù)，獲 得若干組數(shù)據(jù)；
[0012] 步驟12 :對數(shù)據(jù)進行歸一化處理，剔除異常數(shù)據(jù)，并利用主元分析法對數(shù)據(jù)進行 標準化處理，獲取建立模型的數(shù)據(jù)組；
[0013] 步驟13:建立神經(jīng)網(wǎng)絡模型，初始結構為M-N-1，初始權值為隨機值，其中， Xl，x2，…，xM表示神經(jīng)網(wǎng)絡的輸入，即溫度T、CO、煙霧指數(shù)、火焰指數(shù)；yd表示神經(jīng)網(wǎng)絡 的期望輸出，即火災概率值；共有k個訓練樣本，設第t個訓練樣本為Xl(t)，x2(t)，… ，Xl (t)，yd (t)，貝Ij用第t個訓練樣本訓練神經(jīng)網(wǎng)絡時，隱含層第j個神經(jīng)元的輸出表示為：
輸出f，f為sigmoid函數(shù)，其形式為：
[0016] 隱含層神經(jīng)元輸出和神經(jīng)網(wǎng)絡輸出的關系為：
[0018] 其中，< 為輸出層權值，y為神經(jīng)網(wǎng)絡的實際輸出；
[0019] 定義誤差函數(shù)為
[0021] 步驟14 :根據(jù)采集的實時數(shù)據(jù)，實現(xiàn)網(wǎng)絡結構的動態(tài)調整；
[0022] 步驟15 :根據(jù)預測精度，對網(wǎng)絡結構進行訓練，計算評價誤差Em:
[0024] 其中，Et為神經(jīng)網(wǎng)絡訓練至第t步時的誤差，第一次的訓練誤差為Elp，己為自適應 訓練步長：
[0026] 其中，y>l，AEmax= |E〇p_Elp| ;
[0027] 步驟16 :根據(jù)步驟105得到的訓練步長對神經(jīng)網(wǎng)絡再次進行訓練并跳轉至步驟 104,重復執(zhí)行步驟104-106,直到滿足誤差要求，最后得到室內火災生概率預估模：
[0029] 作為進一步優(yōu)選，步驟14中，網(wǎng)絡結構的動態(tài)調整，計算隱含層神經(jīng)元的全局顯 著性指數(shù)，利用動態(tài)增-減法實現(xiàn)網(wǎng)絡結構的自組織，具體步驟如下：
[0030] 步驟141 :計算隱含層每個神經(jīng)元的全局顯著性指數(shù)0S，公式如下：
[0032] 其中，OS』為隱含層第j個神經(jīng)元的全局顯著性指數(shù)；k為隱含層神經(jīng)元個數(shù)；SIGj 為隱含層第j個神經(jīng)元的顯著性指數(shù)，計算公式如下；
[0034] 其中，M為輸入層神經(jīng)元個數(shù)；wj"為神經(jīng)網(wǎng)絡訓練終止時輸入層第i個神經(jīng)元與 隱含層第j個神經(jīng)元之間的連接權值；為神經(jīng)網(wǎng)絡訓練初始時輸入層第i個神經(jīng)元與 隱含層第j個神經(jīng)元之間的連接權值；〇」為隱含層第j個神經(jīng)元輸出的方差；
[0035] 步驟142 :網(wǎng)絡結構的自組織，即隱含層神經(jīng)元的增刪減；
[0036] 如果隱含層第j個神經(jīng)元的全局顯著性指數(shù)滿足條件時，則增加H隱含層節(jié)點數(shù)， 其中H= 3或H= 2 ;
[0038] 其中，Op02為設定的增長閾值，增加的隱含層神經(jīng)元的權值調整如下：
ffl ffi
[0040] 其中，表示新增隱含層神經(jīng)元與輸入層第i個神經(jīng)元之間的連接權值；Wy 表示新增隱含層神經(jīng)元與輸出層神經(jīng)元之間的連接權值;Wij表示輸入層第i個神經(jīng)元和隱 含層第j個神經(jīng)元之間的權值表示隱含層第j個神經(jīng)元和輸出層神經(jīng)元之間的權值；am 的選擇服從均值為〇,方差為1的高斯分布。
[0041] 如果隱含層第j個神經(jīng)元全局顯著性較低，滿足
[0042] OSj^ Re
[0043] 則將第j個神經(jīng)元刪除，其中，Re為設定的刪減閾值。
[0044] 作為優(yōu)選，利用無線連接完成監(jiān)控節(jié)點采集的數(shù)據(jù)與上位機的連接，并利用訓練 好的模型實現(xiàn)數(shù)據(jù)的分析，并得到當前火災發(fā)生率的預估值，判斷室內環(huán)境情況，即明火、 陰燃火。
[0045] 作為優(yōu)選，根據(jù)火災判斷情況，連接觸動節(jié)點，實現(xiàn)對聯(lián)動控制器的控制，并根據(jù) 室內情況，啟動聯(lián)動滅火裝置，完成火情的處理。
[0046] 由于采用了上述技術方案，本發(fā)明的有益效果是：
[0047] 本發(fā)明的一種基于自組織神經(jīng)網(wǎng)絡的火災預測方法，采用多個傳感器，利用傳感 器組實現(xiàn)環(huán)境參數(shù)的采集，減少了誤報和漏報概率，提高了對明火、陰燃火的判斷能力；采 用無線路由實現(xiàn)出線的無線傳輸，避免了布線和維修難的問題，降低了計算機存儲空間；采 用隱含層節(jié)點增-減法現(xiàn)實了網(wǎng)絡結構的動態(tài)調整，提高了對火災信號的適應能力和實時 處理能力，提高了數(shù)據(jù)的正確性；配合ARM聯(lián)動控制系統(tǒng)，對發(fā)生的明火、陰燃火進行實時 處理，并實現(xiàn)準確定位、GIS顯示、報警和自動滅火，很好的實現(xiàn)了遠程控制，提高了系統(tǒng)整 體的可靠性和實時性。
【附圖說明】
[0048] 圖1是本發(fā)明的神經(jīng)網(wǎng)絡結構框圖。
[0049] 圖2是本發(fā)明的火災預測系統(tǒng)結構框圖。
[0050] 圖3是本發(fā)明的火災預測方法流程圖。
【具體實施方式】
[0051] 參照圖1-3,本發(fā)明的一種基于自組織神經(jīng)網(wǎng)絡的火災預測方法，包括以下步驟：
[0052] 步驟1 :在上位機內基于自組織神經(jīng)網(wǎng)絡建立火災發(fā)生概率預估模型；
[0053] 步驟2 :在所設的監(jiān)控點處安裝傳感器組，并采集環(huán)境參數(shù)，并將采集的實時數(shù)據(jù) 通過路由器傳輸?shù)缴衔粰C；
[0054] 步驟3 :上位機將接收的數(shù)據(jù)輸入到火災發(fā)生概率預估模型中，獲得當前環(huán)境下 對應的火災概率值，并判定是否存在火情；
[0055] 步驟4:將火情信息傳輸?shù)铰?lián)動控制器，驅動聯(lián)動滅火裝置，進而實現(xiàn)報警和自動 滅火。
[0056] 具體地，步驟1中用神經(jīng)網(wǎng)絡自組織結構設計方法對火災過程中的CO、煙霧指數(shù)、 火焰指數(shù)、溫度數(shù)據(jù)進行建模，預測下一時刻火災發(fā)生概率，其中，自組織結構設計方法為 動態(tài)增刪減法，具體步驟如下：
[0057] 步驟11 :在標準實驗室環(huán)境下，利用傳感器分別采集標準無火、明火和陰燃火條 件下CO、T、煙霧指數(shù)、火焰指數(shù)數(shù)據(jù)；
[0058] 步驟12 :利用數(shù)據(jù)歸一化方法剔除異常數(shù)據(jù)，方法如下；
[0060] 其中，i火災過程中采集的樣本組數(shù)，即環(huán)境參數(shù)的組數(shù)；j為該組樣本中第j個環(huán) 境指標，Xij為第i組環(huán)境參數(shù)的第j個火災參數(shù)指標，.為第j個環(huán)境參數(shù)指標的均值， Sjj為環(huán)境參數(shù)xj的標準差；
[0061] 利用主元分析法對歸一化數(shù)據(jù)后的數(shù)據(jù)進行標準化處理，歸一化后的樣本數(shù)據(jù) 按列組成原始數(shù)據(jù)矩陣，X= 得到數(shù)據(jù)矩陣x的協(xié)方差矩陣s，矩陣s的特征 根依次排列為AX2多...X 〇,與其對應的單位正交特征向量組成的矩陣（即負荷 矩陣）為1 = [/^乙2,...，1/,_|,:將矩陣叉分解成主成分的分矩陣1'，負荷矩陣1的外積加上 殘差項E，即
[0062]x=TLt+E=T1L1t+T2L2t+LTqLqT+E
[0063] 若累計方差貢獻率
，則認為該環(huán)境參數(shù)與火災發(fā)生 率相關性高，可作為模型建立的輔助變量。經(jīng)過主元分析后，得到模型的輸入變量。
[0064] 步驟13 :建立神經(jīng)網(wǎng)絡模型，初始結構為M-N-1，初始權值為隨機值，其中， Xl，x2，…，xM表示神經(jīng)網(wǎng)絡的輸入，即溫度T、一氧化碳CO、煙霧指數(shù)、火焰指數(shù)；yd表示神經(jīng) 網(wǎng)絡的期望輸出，即火災概率值；共有k個訓練樣本，設第t個訓練樣本為^(〇，12(〇，~ ，Xl (t)，yd⑴，貝1」用第t個訓練樣本訓練神經(jīng)網(wǎng)絡時，隱含層第j個神經(jīng)元的輸出表示為：
輸出f，f為sigmoid函數(shù)，其形式為：
[0067] 隱含層神經(jīng)元輸出和神經(jīng)網(wǎng)絡輸出的關系為：
[0069] 其中，<為輸出層權值，y為神經(jīng)網(wǎng)絡的實際輸出；
[0070] 定義誤差函數(shù)為
[0072] 步驟14:根據(jù)采集的實時數(shù)據(jù)，實現(xiàn)網(wǎng)絡結構的動態(tài)調整；