謝田華，楊祖耀，遲　衛(wèi)

(海軍大連艦艇學(xué)院航海系，遼寧大連116018)

基于BN和ANN聯(lián)合模型的艦船艙室火災(zāi)探測(cè)方法

謝田華，楊祖耀，遲衛(wèi)

(海軍大連艦艇學(xué)院航海系，遼寧大連116018)

摘要:針對(duì)平時(shí)或戰(zhàn)時(shí)火災(zāi)傳感器可能出現(xiàn)的故障或失效問題，基于貝葉斯網(wǎng)絡(luò)(BN)的不確定性推理特性和神經(jīng)網(wǎng)絡(luò)(ANN)良好的非線性映射能力，提出基于二者聯(lián)合模型的艙室火災(zāi)探測(cè)方法，分別在正常、添加隨機(jī)噪聲和傳感器故障條件下對(duì)模型性能進(jìn)行仿真測(cè)試。結(jié)果表明，聯(lián)合模型具有較強(qiáng)的抗干擾能力，在設(shè)定的各種情況下均能正確地判斷火災(zāi)狀態(tài)，具有良好的探測(cè)準(zhǔn)確度與響應(yīng)速度，單次探測(cè)耗時(shí)僅為10 ms，可有效解決艦船艙室火災(zāi)探測(cè)過程信息不確定、不完整和實(shí)時(shí)性要求高的問題。切實(shí)增強(qiáng)艙室火災(zāi)的早期自動(dòng)探測(cè)能力。

關(guān)鍵詞:艙室火災(zāi)探測(cè);貝葉斯網(wǎng)絡(luò);神經(jīng)網(wǎng)絡(luò);聯(lián)合模型

Ship compartment fire detection method based on joint BN and ANN model

XIE Tian-hua，YANG Zu-yao，CHI Wei
(Department of Navigation，Dalian Naval Academy，Dalian 116018，China)

Abstract:To deal with malfunction and failure of fire sensors in peacetime and wartime，a joint model based on Bayesian Network(BN) and Artificial Neural Network(ANN) was put forward on account of BN's characteristic of reasoning uncertain knowledge and ANN's excellent nonlinear mapping ability．Joint Model was separately tested in circumstances with stochastic noises，failures of sensors and nothing abnormal，which monitors ship's diversified environments．Joint Model rightly estimated the fire state with acceptable error in all tested examples，and each detection took 10 ms in average．The results of simulation show that Joint Model has satisfying accuracy and responding speed，and the outstanding ability of anti-jamming，therefore，it is good at estimating fire state in circumstances with uncertain and incomplete information in real time．It can better improve early automatic detection ability to detect ship compartment fire early and automatically．

Key words:compartment fire detection; Bayesian Network; Artificial Neural Network;joint model

0　引言

艦船上艙室眾多，結(jié)構(gòu)復(fù)雜，易燃材料多，發(fā)生火災(zāi)時(shí)如能及時(shí)發(fā)現(xiàn)并撲滅初期小火，有效控制火勢(shì)蔓延，必將極大降低火災(zāi)的危害和影響，因此，艙室火災(zāi)的早期自動(dòng)探測(cè)具有十分重要的意義［1］。

傳統(tǒng)的單一傳感器火災(zāi)探測(cè)方法在響應(yīng)時(shí)間和探測(cè)準(zhǔn)確度方面不能完全滿足現(xiàn)實(shí)需求，因此，近年來出現(xiàn)了多種利用多傳感器數(shù)據(jù)融合進(jìn)行火災(zāi)探測(cè)方法［2］。美國海軍研究實(shí)驗(yàn)室Rose－Pehrsson等人提出“Volume Sensor”的概念，融合多傳感器數(shù)據(jù)用于艦船威脅態(tài)勢(shì)感知，其中包括火災(zāi)探測(cè)，經(jīng)過實(shí)驗(yàn)效果良好，準(zhǔn)確度和響應(yīng)速度與單一傳感器探測(cè)方法相比均有所提高，但是其工程龐大，涉及傳感器種類和數(shù)量眾多，推廣難度較大［3－4］。張德鳳等［5－7］先后提出多傳感器火災(zāi)探測(cè)的神經(jīng)網(wǎng)絡(luò)模型及其改進(jìn)方法，成功降低了漏檢率和誤警率，但無法解決部分傳感器故障或失效等信息不確定、不完整的情況。陳靜等［8］提出將貝葉斯網(wǎng)絡(luò)應(yīng)用于多傳感器火災(zāi)探測(cè)，通過概率分析和推理，成功解決了火災(zāi)過程信息不確定、不完整的問題，但該方法對(duì)傳感器種類的要求較高，同時(shí)在探測(cè)的準(zhǔn)確度方面較其他方法沒有優(yōu)勢(shì)。

由于艦船日常發(fā)生碰撞事故所處的惡劣環(huán)境、風(fēng)浪中航行、戰(zhàn)場(chǎng)打擊等因素，火災(zāi)傳感器很有可能出現(xiàn)故障或失效的情況，因此，必須研究解決傳感器信息不確定、不完整時(shí)的火災(zāi)探測(cè)問題?；诖耍疚奶岢鲇秘?/p>

葉斯網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)的聯(lián)合模型進(jìn)行艦船艙室火災(zāi)探測(cè)。介紹了貝葉斯網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)的構(gòu)建關(guān)鍵過程，以及如何將2種模型聯(lián)合應(yīng)用于多傳感器火災(zāi)探測(cè)，并給出了加隨機(jī)噪聲和傳感器故障情形的仿真和結(jié)果分析。

1　模型基礎(chǔ)和構(gòu)建方法

1.1模型理論基礎(chǔ)

1.1.1貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)(Bayesian Network)是一種表示變量間概率分布及關(guān)系的有向無環(huán)圖(Directed Acyclic Graph，DAG)模型，用來表示和推理不確定性知識(shí)，它將概率論的相關(guān)知識(shí)與圖形理論相結(jié)合，具有較為嚴(yán)格的理論基礎(chǔ)，是智能領(lǐng)域的強(qiáng)有力工具［9］。

一個(gè)標(biāo)準(zhǔn)的貝葉斯網(wǎng)絡(luò)可用數(shù)學(xué)符號(hào)表示為:

式中: S為一個(gè)能表示變量域的DAG; V(包含n個(gè)有限變量Vi)為隨機(jī)變量集合; L為有向邊的集合; P為條件概率分布集。

S和P定義V的聯(lián)合概率分布，根據(jù)條件獨(dú)立的性質(zhì)，聯(lián)合概率分布為:

其中ζ為先驗(yàn)知識(shí)。對(duì)于每個(gè)變量xi，令πi{x1，x2，…，xi－1}是xi的父節(jié)點(diǎn)，{x1，x2，…，xi－1}條件獨(dú)立，則

給定節(jié)點(diǎn)變量集合E為V的子集，查詢節(jié)點(diǎn)變量集合為Q，概率推理在給定證據(jù)E =e時(shí)，計(jì)算條件概率:

1.1.2神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一個(gè)以有向圖為拓?fù)浣Y(jié)構(gòu)，通常簡單稱為神經(jīng)網(wǎng)絡(luò)，它由大量簡單的處理單元(神經(jīng)元)通過廣泛地互相連接而形成的復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)系統(tǒng)是一個(gè)高度復(fù)雜的非線性動(dòng)力學(xué)系統(tǒng)，它通過對(duì)連續(xù)或斷續(xù)式的輸入作狀態(tài)響應(yīng)而進(jìn)行信息處理，雖然每個(gè)神經(jīng)元的結(jié)構(gòu)和功能十分簡單，但由大量神經(jīng)元構(gòu)成的網(wǎng)絡(luò)系統(tǒng)的行為卻是豐富多彩和十分復(fù)雜的［10］。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，其模型多種多樣，其中BP (Back Propagation)網(wǎng)絡(luò)是最具代表性的模型之一，具有結(jié)構(gòu)簡單、可塑性強(qiáng)的優(yōu)點(diǎn)。BP網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射，它利用輸出后的誤差來估計(jì)輸出層的直接前導(dǎo)層的誤差，再用這個(gè)誤差估計(jì)更前一層的誤差，如此一層一層地反傳下去，就獲得了所有其他各層的誤差估計(jì)。

1.2模型構(gòu)建方法

火災(zāi)發(fā)生過程的物化特征主要有溫度升高、煙霧、CO和CO2濃度升高、火焰、燃燒音等，現(xiàn)代艦船普遍裝配的火災(zāi)傳感器主要有溫度傳感器、感煙傳感器、氣體傳感器和圖像傳感器等。為了保證系統(tǒng)有較高的探測(cè)準(zhǔn)確度和響應(yīng)速度，選擇哪些物化特征作為檢測(cè)參量應(yīng)該考慮火災(zāi)發(fā)生后物化特征的顯現(xiàn)時(shí)機(jī)和明顯程度?；馂?zāi)發(fā)生初期，會(huì)產(chǎn)生大量煙霧，CO濃度迅速增大，并且與無火災(zāi)時(shí)相比濃度增大顯著;伴隨著明火的產(chǎn)生，環(huán)境溫度會(huì)迅速升高［11－12］。綜合考慮之后，本文選擇溫度、煙霧和CO濃度作為檢測(cè)參量。

艦船火災(zāi)發(fā)生過程中可能呈現(xiàn)明火和陰燃火2種典型狀態(tài)，再加上平時(shí)的無火狀態(tài)，系統(tǒng)根據(jù)檢測(cè)參量推理判斷，最終輸出發(fā)生無火、陰燃火和明火的概率。

貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，以及模型的驗(yàn)證都需要一定數(shù)量的樣本數(shù)據(jù)，本文依據(jù)GB4715－2005點(diǎn)型感煙火災(zāi)探測(cè)器技術(shù)要求及試驗(yàn)方法［13］，取得SH1木材熱解陰燃火、SH4正庚烷液體(明)火和標(biāo)準(zhǔn)無火數(shù)據(jù)作為樣本，并取得了一定量的偏離樣本數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證。

1.2.1構(gòu)建貝葉斯網(wǎng)絡(luò)

一般而言，構(gòu)建貝葉斯網(wǎng)絡(luò)模型有2種方法:基于專家知識(shí)手工建立和通過案例學(xué)習(xí)自動(dòng)獲取。本文將2種方法結(jié)合:首先，通過對(duì)火災(zāi)機(jī)理和傳感器檢測(cè)量的分析，確定貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)，如圖1所示;然后通過樣本數(shù)據(jù)學(xué)習(xí)獲得模型的相關(guān)參數(shù)。圖1中溫度、CO濃度和煙霧為傳感器檢測(cè)量，因?yàn)閭鞲衅鬏敵鰹檫B續(xù)量，所以它們是連續(xù)節(jié)點(diǎn);無火、陰燃火和明火是離散節(jié)點(diǎn)，且只有2個(gè)值，表示是否發(fā)生。

圖1　貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)Fig.1　Structure of bayesian networks

1.2.2構(gòu)建神經(jīng)網(wǎng)絡(luò)

采用標(biāo)準(zhǔn)的3層BP網(wǎng)絡(luò)。輸入層節(jié)點(diǎn)數(shù)設(shè)為3，分別代表溫度、煙霧和CO濃度;輸出節(jié)點(diǎn)數(shù)設(shè)為3，分別表示無火概率、陰燃火概率和明火概率;隱含層節(jié)點(diǎn)數(shù)受輸入層和輸出層的節(jié)點(diǎn)數(shù)量制約，其選取沒有理論上的指導(dǎo)，主要根據(jù)經(jīng)驗(yàn)公式

初步確定范圍，然后根據(jù)試驗(yàn)結(jié)果確定節(jié)點(diǎn)數(shù)，式中q、r、s分別為隱含層、輸入層和輸出層節(jié)點(diǎn)個(gè)數(shù)。試驗(yàn)發(fā)現(xiàn)，當(dāng)隱含層節(jié)點(diǎn)個(gè)數(shù)為7個(gè)左右時(shí)，訓(xùn)練時(shí)間最短，誤差下降最快。通常情況下，可以在解決問題的基礎(chǔ)上增加1～2個(gè)隱含層節(jié)點(diǎn)，用以加快誤差的下降速度。本文設(shè)計(jì)的隱含層節(jié)點(diǎn)數(shù)最后確定為8個(gè)，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

將樣本中的傳感器數(shù)據(jù)和概率分別作為神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)和期望輸出，進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，經(jīng)過647次迭代后，神經(jīng)網(wǎng)絡(luò)均方誤差達(dá)到設(shè)定的條件，如圖3所示。

圖2　神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2　Structure of artificial neural network

圖3　神經(jīng)網(wǎng)絡(luò)誤差曲線Fig.3　Error curve of artificial neural network

1.2.3構(gòu)建聯(lián)合模型

神經(jīng)網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)相對(duì)復(fù)雜，經(jīng)過適當(dāng)訓(xùn)練后，模型輸出與真實(shí)情況比較接近，但是它的抗干擾能力不強(qiáng)，當(dāng)輸入數(shù)據(jù)含有較大噪聲或者某個(gè)傳感器故障后，神經(jīng)網(wǎng)絡(luò)很難對(duì)火災(zāi)狀態(tài)做出正確的判斷。而貝葉斯網(wǎng)絡(luò)雖然在判斷準(zhǔn)確度上遜色于神經(jīng)網(wǎng)絡(luò)，但是它對(duì)于局勢(shì)的整體判斷能力較強(qiáng)，尤其是在數(shù)據(jù)含噪聲或者傳感器故障的情況下仍然有較好的表現(xiàn)。因此，本文將二者結(jié)合，優(yōu)勢(shì)互補(bǔ)，以解決艦船艙室火災(zāi)探測(cè)過程信息不確定、不完整的問題，同時(shí)在一定程度上保證系統(tǒng)的探測(cè)準(zhǔn)確度和響應(yīng)速度。本文采用加權(quán)平均的方法對(duì)2種網(wǎng)絡(luò)模型進(jìn)行聯(lián)合，同時(shí)，考慮到神經(jīng)網(wǎng)絡(luò)抗干擾能力弱，當(dāng)它的輸出與貝葉斯網(wǎng)絡(luò)相差超過一定閾值時(shí)，對(duì)貝葉斯網(wǎng)絡(luò)的輸出賦予更大的權(quán)重，如式(10)。

其中α1，α2，α3和δ1，δ2的值通過試驗(yàn)確定。

2　仿真及結(jié)果分析

2.1學(xué)習(xí)、訓(xùn)練和驗(yàn)證

利用樣本數(shù)據(jù)進(jìn)行貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，利用偏離樣本數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證，貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)和聯(lián)合模型的性能表現(xiàn)如圖4所示。

由圖4可見，3種模型的實(shí)際輸出與期望輸出基本相符，少數(shù)數(shù)據(jù)有較大偏差;貝葉斯網(wǎng)絡(luò)能正確判斷火災(zāi)狀態(tài)，神經(jīng)網(wǎng)絡(luò)錯(cuò)誤判斷了序號(hào)8的火災(zāi)狀態(tài)，聯(lián)合模型能正確判斷所有的火災(zāi)狀態(tài);更為重要的是，神經(jīng)網(wǎng)絡(luò)和聯(lián)合模型的判斷誤差均小于貝葉斯網(wǎng)絡(luò)，3種模型的平均判斷誤差見表1。

表1　三種模型的平均判斷誤差Tab.1　Average error of three models

由表1可見，聯(lián)合模型對(duì)無火和明火狀態(tài)的平均判斷誤差小于貝葉斯網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)，對(duì)陰燃火狀態(tài)的平均判斷誤差介于二者之間，聯(lián)合模型的平均判斷誤差和神經(jīng)網(wǎng)絡(luò)比較接近，可以認(rèn)為，聯(lián)合模型依靠神經(jīng)網(wǎng)絡(luò)成功控制了誤差。

2.2加噪聲探測(cè)仿真

正常情況下，傳感器的數(shù)據(jù)都含有一的噪聲，為

了測(cè)試模型的抗干擾能力，在原來數(shù)據(jù)的基礎(chǔ)上再加上一定范圍的隨機(jī)噪聲。當(dāng)給CO濃度數(shù)據(jù)加上隨機(jī)噪聲之后，3種模型的性能表現(xiàn)如圖5所示。

圖4　三種模型的比較Fig.4　Comparison of three models

由圖5可見，加上隨機(jī)噪聲后神經(jīng)網(wǎng)絡(luò)的判斷正確率受影響較大，錯(cuò)誤判斷了多個(gè)序號(hào)的火災(zāi)狀態(tài)，而貝葉斯網(wǎng)絡(luò)仍然能正確判斷火災(zāi)狀態(tài)，聯(lián)合模型在其作用下正確判斷了所有火災(zāi)狀態(tài)。3種模型的平均判斷誤差見表2。

表2　加噪聲后3種模型的平均判斷誤差Tab.2　Average error of three models with noise

由表2可看出，聯(lián)合模型對(duì)3種火災(zāi)狀態(tài)的平均判斷誤差均小于貝葉斯網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)，說明聯(lián)合模型通過融合2種網(wǎng)絡(luò)成功控制了誤差。

圖5　加噪聲后3種模型的表現(xiàn)Fig.5　Comparison of three models with noise

2.3傳感器故障探測(cè)仿真

艦船平時(shí)發(fā)生事故或戰(zhàn)時(shí)被武器擊中都有可能造成傳感器故障或失效，此時(shí)，需要考慮聯(lián)合模型能否正確判斷火災(zāi)狀態(tài)。假設(shè)煙霧傳感器故障，輸出為0，3種模型的性能表現(xiàn)如圖6所示。

由圖6可看出，神經(jīng)網(wǎng)絡(luò)的判斷受到較大干擾，出現(xiàn)了較多判斷失誤，而貝葉斯網(wǎng)絡(luò)仍然能正確判斷火災(zāi)狀態(tài)，聯(lián)合模型在其作用下正確判斷了所有火災(zāi)狀態(tài)。3種模型的平均判斷誤差見表3。

由表3可看出，聯(lián)合模型對(duì)3種火災(zāi)狀態(tài)的平均判斷誤差均小于貝葉斯網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)，說明聯(lián)合模型通過融合2種網(wǎng)絡(luò)成功控制了誤差。

表3　傳感器故障后3種模型的平均判斷誤差Tab.3　Average error of three models with failure

圖6　傳感器故障后三種模型的表現(xiàn)Fig.6 Comparison of three models with failure

表4　三種模型的響應(yīng)時(shí)間Tab.4　Response time of three models

由表4可看出，聯(lián)合模型的響應(yīng)時(shí)間約為貝葉斯網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)的總和，處理一組傳感器數(shù)據(jù)的平均響應(yīng)時(shí)間為10 ms，能夠滿足實(shí)時(shí)性要求。

2.5結(jié)果分析

由本文仿真結(jié)果分析可得:貝葉斯網(wǎng)絡(luò)抗干擾能力強(qiáng)，能準(zhǔn)確把握火災(zāi)狀態(tài)，然而判斷概率的誤差較大;神經(jīng)網(wǎng)絡(luò)能比較準(zhǔn)確地判斷火災(zāi)狀態(tài)的概率，但是抗干擾能力弱。聯(lián)合模型結(jié)合了二者的優(yōu)點(diǎn)，既擁有貝葉斯網(wǎng)絡(luò)較強(qiáng)的抗干擾能力，能在加隨機(jī)噪聲和傳感器故障的情況下正確判斷艦船艙室火災(zāi)狀態(tài);同時(shí)它依靠神經(jīng)網(wǎng)絡(luò)成功控制了誤差，并且聯(lián)合模型的響應(yīng)時(shí)間為貝葉斯網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)的總和，響應(yīng)速度能滿足現(xiàn)實(shí)需求。

3　結(jié)語

對(duì)艦船艙室火災(zāi)自動(dòng)探測(cè)技術(shù)的研究一直是國內(nèi)外研究的熱點(diǎn)，對(duì)于保障艦船生命力具有重要意義。本文提出基于貝葉斯網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)聯(lián)合模型的火災(zāi)探測(cè)方法，在加入隨機(jī)噪聲和傳感器故障的情形下測(cè)試了模型的探測(cè)性能，結(jié)果表明，聯(lián)合網(wǎng)絡(luò)模型具有較強(qiáng)的抗干擾能力和良好的探測(cè)準(zhǔn)確度與響應(yīng)速度，可解決艦船艙室火災(zāi)探測(cè)過程信息不確定、不完整和實(shí)時(shí)性要求高的問題。為艦船火災(zāi)識(shí)別技術(shù)的發(fā)展提供了新思路，將聯(lián)合模型應(yīng)用于實(shí)際的艦船艙室火災(zāi)探測(cè)和其他場(chǎng)合，以及對(duì)該模型的改進(jìn)，是進(jìn)一步需要深入研究的方向。

參考文獻(xiàn):

［1］浦金云，金濤，邱金水，等．艦船生命力［M］．北京:國防工業(yè)出版社，2008．

［2］張?chǎng)?，隋金雪，張巖．信息融合技術(shù)在火災(zāi)探測(cè)中的應(yīng)用研究［J］．中國安全科學(xué)學(xué)報(bào)，2011(6) :94－98．

［3］ROSE-PEHRSSON S L，MINOR C P，STEINHURST D A，et al．Volume sensor for damage assessment and situational awareness［J］．Fire Safety Journal，2006，41:301－310．

［4］GOTTUK D T，HARRISON M A，ROSE-PEHRSSON S L，et al．Shipboard evaluation of fire detection technologies for volume sensor development: preliminary results［R］．NRL Letter Report 6180/0282，Chemistry Division，Code 6180，US Naval Research Laboratory，Washington，DC，20375; August 28，2003．

［5］馬憲民，張德鳳．火災(zāi)探測(cè)信息融合的一種新型實(shí)現(xiàn)方法［J］．儀器儀表學(xué)報(bào)，2006(6) :2138－2139．

［6］李光，張鐵壁．多傳感器數(shù)據(jù)融合技術(shù)在火災(zāi)報(bào)警中的應(yīng)用［J］．河北工業(yè)大學(xué)學(xué)報(bào)，2010(8) :35－38．

［7］樊雷松，強(qiáng)彥，等．無線傳感網(wǎng)中基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法［J］．計(jì)算機(jī)工程與設(shè)計(jì)，2014(1) :62－66．

［8］陳靜，付敬奇．貝葉斯網(wǎng)絡(luò)在火災(zāi)報(bào)警系統(tǒng)中的應(yīng)用［J］．儀表技術(shù)，2011(10) :47－51．

［9］史志富，張安．貝葉斯網(wǎng)絡(luò)理論及其在軍事系統(tǒng)中的應(yīng)用［M］．北京:國防工業(yè)出版社，2012．

［10］馬銳．人工神經(jīng)網(wǎng)絡(luò)原理［M］．北京:機(jī)械工業(yè)出版社，2010．

［11］程曉舫，王瑞芳，張維農(nóng)，等．火災(zāi)探測(cè)的原理和方法(上)［J］．中國安全科學(xué)學(xué)報(bào)，1999(2) :24－29．

［12］程曉舫，王瑞芳，張維農(nóng)，等．火災(zāi)探測(cè)的原理和方法(下)［J］．中國安全科學(xué)學(xué)報(bào)，1999(4) :1－5．

［13］GB4715－2005，點(diǎn)型感煙火災(zāi)探測(cè)器［S］．

作者簡介:謝田華(1976－)，男，副教授，主要從事艦船損管和智能決策、軍事航海安全保障等方向的研究。

收稿日期:2015－05－11;修回日期: 2015－06－13

文章編號(hào):1672－7649(2015) 07－0099－05doi:10.3404/j.issn.1672－7649.2015.07.022

中圖分類號(hào):U674．76

文獻(xiàn)標(biāo)識(shí)碼:A