閆　浩，王體春，胡欣欣，謝玉珠（南京航空航天大學機電學院，江蘇南京210016）

基于可拓神經(jīng)網(wǎng)絡(luò)的火災(zāi)探測算法

閆浩，王體春，胡欣欣，謝玉珠
（南京航空航天大學機電學院，江蘇南京210016）

為解決傳統(tǒng)單一傳感器式的火災(zāi)探測器容易造成火災(zāi)報警的漏報和誤報的問題，采用多傳感器信息融合技術(shù)，將溫度、煙霧濃度和CO濃度等多個參數(shù)相結(jié)合，進行綜合分析，對火災(zāi)進行早期預(yù)測。采用可拓神經(jīng)網(wǎng)絡(luò)作為數(shù)據(jù)融合算法，以溫度、煙霧濃度、CO氣體濃度三個物理參量作為輸入，以三種火災(zāi)預(yù)警等級作為輸出。通過仿真分析結(jié)果表明：火災(zāi)正確識別率很高，達到93.9%以上。同時通過與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的對比，表明可拓神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)融合的速度和可靠性上有突出的優(yōu)勢，從而使可拓神經(jīng)網(wǎng)絡(luò)實際應(yīng)用于火災(zāi)早期預(yù)測成為可能。

火災(zāi)探測；多傳感器信息融合；可拓學；可拓神經(jīng)網(wǎng)絡(luò)

0　引言

傳統(tǒng)的火災(zāi)探測算法都是采用基于單一參數(shù)判定的簡單的閾值判定、濾波及斜率計算等［1，2］，存在較高的誤報、漏報率。

多傳感器信息融合技術(shù)具有多個傳感器相互協(xié)同操作的優(yōu)勢，同時將不同信息源的數(shù)據(jù)進行綜合處理，提高了系統(tǒng)的智能化［3］。因此，基于多傳感器信息融合技術(shù)的火災(zāi)探測方法已經(jīng)成為目前火災(zāi)探測領(lǐng)域的主要研究方向［4］。如瑞士Cerberus公司率先開發(fā)出一種基于分布式智能神經(jīng)網(wǎng)絡(luò)算法的火災(zāi)探測器；日本的Okymaa Y運用三層前饋網(wǎng)絡(luò)和反向傳播算法對火災(zāi)中的煙霧、溫度及氣體信號進行處理［5］；王殊、何健華、楊宗凱等人提出使用前饋神經(jīng)網(wǎng)絡(luò)的火災(zāi)探測處理算法、使用神經(jīng)網(wǎng)絡(luò)和模糊邏輯的火災(zāi)探測處理算法［6，7］；陳月提出了基于小波神經(jīng)網(wǎng)絡(luò)的火災(zāi)信息處理算法［8］。

本文將可拓學與神經(jīng)網(wǎng)絡(luò)相結(jié)合，設(shè)計了一種基于可拓神經(jīng)網(wǎng)絡(luò)（extension neural network，ENN）的火災(zāi)信息處理算法［9］。經(jīng)實驗仿真證明，該方法在信息處理速度及精確性上有較大的優(yōu)勢，具有較高的工程應(yīng)用價值。

1　火災(zāi)探測系統(tǒng)模型

應(yīng)用可拓神經(jīng)網(wǎng)絡(luò)進行火災(zāi)探測的系統(tǒng)模型如圖1所示，主要由以下三部分組成：傳感器測量和特征信號的預(yù)處理部分、可拓神經(jīng)網(wǎng)絡(luò)對信號的處理部分以及信號的識別判斷部分。由各傳感器完成溫度、煙霧濃度以及CO濃度的測量。根據(jù)火災(zāi)特征預(yù)先選定P組數(shù)據(jù)組成訓練樣本集，對網(wǎng)絡(luò)進行學習和訓練。

網(wǎng)絡(luò)訓練結(jié)束后，通過權(quán)值變化找出火災(zāi)參數(shù)與傳感器輸入模式之間的映射規(guī)律，即完成針對火災(zāi)特征的學習，自動生成適于火災(zāi)探測模型的隸屬度函數(shù)的參數(shù)，并提取各可拓神經(jīng)網(wǎng)絡(luò)相對作用的權(quán)值。訓練后的可拓神經(jīng)網(wǎng)絡(luò)即可應(yīng)用于實際火災(zāi)探測中。

圖1　火災(zāi)探測系統(tǒng)模型Fig 1　Model for fire detection system

2　可拓神經(jīng)網(wǎng)絡(luò)

2.1可拓神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)

可拓神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。它由兩層網(wǎng)絡(luò)組成，包括輸入層和輸出層。輸入層與輸出層之間的連接采用雙權(quán)值連接的形式［10，11］。輸入層的每個神經(jīng)元分別對應(yīng)多維物元的不同特征，輸出層的神經(jīng)元分別指火災(zāi)的危險等級，在每個輸入層和輸出層的神經(jīng)元之間有兩個連接權(quán)值，一個權(quán)值表示該火災(zāi)階段對應(yīng)某一特征值的下界，另一個權(quán)值表示該火災(zāi)階段對應(yīng)同一特征值的上界。

圖2　可拓神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig 2　Structure diagram of ENN

2.2基于監(jiān)督算法的可拓神經(jīng)網(wǎng)絡(luò)算法

設(shè)訓練模式集合為X=｛X1，X2，…，XNP｝，NP為訓練模式總數(shù)，第i個模式記為，其中，n為特征總數(shù)，學習誤差記為，其中，Nm為總的訓練錯誤數(shù)。具體算法步驟如下：

1）根據(jù)物元理論，建立可拓神經(jīng)網(wǎng)絡(luò)輸入節(jié)點和輸出節(jié)點的權(quán)值的物元模型，如式（3）所示

2）計算每個聚類的初始中心

式中k=1，2，…，nc，j=1，2，…，n。3）讀入第i個訓練模式的第p個樣本。

4）利用可拓距離函數(shù)計算訓練樣本Xpi和第k個聚類的關(guān)聯(lián)度為

式中k=1，2，…，nc。

5）找到k*，滿足EDik*=min｛EDik｝，進入步驟（7）；否

則，進入步驟（6）。

6）更新權(quán)值和聚類中心：

a.更新第p個樣本和k*的聚類中心

b.更新第p個樣本和k*的權(quán)值

式中η為學習率。

7）重復(fù)步驟（3）～步驟（6），直到所有模式訓練完成，則這個學習完成。

8）如果聚類過程收斂，總誤差達到預(yù)先給定的值則訓練完成；否則，返回步驟（3）。

3　Matlab仿真與分析

3.1數(shù)據(jù)處理

為驗證可拓神經(jīng)網(wǎng)絡(luò)模型對火災(zāi)預(yù)測的有效性和可靠性，利用Matlab軟件對其進行訓練和仿真。以國家標準實驗火和火災(zāi)初期的實驗參數(shù)作為神經(jīng)網(wǎng)絡(luò)的訓練樣本集?？赏厣窠?jīng)網(wǎng)絡(luò)的輸入分別為環(huán)境溫度、煙霧濃度以及CO氣體濃度，期望輸出為三種火災(zāi)危險等級：低、中、高。

由于網(wǎng)絡(luò)輸入的物理量各不相同，數(shù)量相差甚遠，所以，必須在網(wǎng)絡(luò)訓練前先將樣本數(shù)據(jù)進行歸一化處理，以防止小數(shù)值信息被大數(shù)值所淹沒，即將輸入信號歸一到［0，1］。取100組實驗數(shù)據(jù)，歸一化后作為網(wǎng)絡(luò)的訓練樣本。部分實驗數(shù)據(jù)如表1所示。

當火災(zāi)概率（P=陰燃火概率+明火概率）大于0.7時，火災(zāi)危險等級為高，即可判定為有火災(zāi)發(fā)生；當火災(zāi)概率小于0.3時，火災(zāi)危險等級為低，即可判定為沒有火災(zāi)發(fā)生。比較難于判定的是火災(zāi)概率在0.5附近的火災(zāi)信息，火災(zāi)發(fā)生的早期，煙霧是很重要的信息。故引入煙霧持續(xù)時間函數(shù)d（n）作為火災(zāi)發(fā)生的判定依據(jù)。

表1　火災(zāi)數(shù)據(jù)學習樣本Tab 1　Learning sample of fire data

3.2網(wǎng)絡(luò)訓練

首先建立三種不同火災(zāi)危險等級的物元模型，即火災(zāi)危險等級分別為低（N1）、中（N2）、高（N3）的物元模型。其特征為三種輸入信號：溫度（c1）、煙霧濃度（c2）和CO濃度（c3），然后根據(jù)樣本數(shù)據(jù)確定物元節(jié)域的范圍，如表2。

表2　火災(zāi)危險等級的物元模型Tab 2　Matter element model for fire hazard level

利用物元模型初始化網(wǎng)絡(luò)權(quán)值，然后按照上述算法進行網(wǎng)絡(luò)訓練，誤差收斂曲線如圖3所示。這里學習速率為0.1。

系統(tǒng)自動分配一定數(shù)據(jù)作為測試數(shù)據(jù)，測試精度曲線如圖4所示。

圖3　誤差收斂曲線圖Fig 3　Error convergence curve

3.3比較分析

為了驗證本文所提方法的優(yōu)越性，將本文方法與文獻［12］中的方法進行對比。文獻［12］采用的是BP神經(jīng)網(wǎng)絡(luò)方法。通過對比可知，可拓神經(jīng)網(wǎng)絡(luò)模型和BP網(wǎng)絡(luò)模型均可以對火災(zāi)進行有效預(yù)警，但是可拓神經(jīng)網(wǎng)絡(luò)模型在網(wǎng)絡(luò)結(jié)構(gòu)上、學習性能上、學習時間上均有較大的改善，如表3所示。在網(wǎng)絡(luò)結(jié)構(gòu)上，BP網(wǎng)絡(luò)模型結(jié)構(gòu)是三層，分別為輸入層、隱含層和輸出層，各層的神經(jīng)元個數(shù)分別為3，8 和3，連接權(quán)值個數(shù)是72；而可拓神經(jīng)網(wǎng)絡(luò)模型只有輸入層和輸出層兩層結(jié)構(gòu)，連接權(quán)值個數(shù)是18個。在學習性能上，可拓神經(jīng)網(wǎng)絡(luò)模型經(jīng)過125步訓練學習誤差收斂到0.0051；BP神經(jīng)網(wǎng)絡(luò)模型經(jīng)過175步學習誤差收斂到0.0069。由此可見，基于可拓神經(jīng)網(wǎng)絡(luò)的火災(zāi)預(yù)警方法不僅滿足實際需要，而且性能得到了提高。

圖4　基于可拓神經(jīng)網(wǎng)絡(luò)的測試精度曲線Fig 4　Test precision curve based on ENN

表3　實驗對比結(jié)果Tab 3　Experimental comparison results

4　結(jié)論

本文詳細描述了可拓神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)、算法過程以及運用該方法的實驗研究。通過實驗對比驗證了該方法的有效性和優(yōu)越性。通過實驗比較可以看出：該方法模型具有設(shè)計簡單易行、結(jié)構(gòu)簡單、收斂快、訓練誤差更小等優(yōu)點，從而大大提高了火災(zāi)預(yù)警系統(tǒng)的性能，為火災(zāi)預(yù)警提供了一種新的方法和思路。

［1］王殊.可變窗信號趨勢算法及其應(yīng)用于火災(zāi)自動探測［J］.華中理工大學學報，1996，24（11）：49-51.

［2］王殊.火災(zāi)自動探測的復(fù)合特定趨勢算法［J］.火災(zāi)科學，1996，5（1）：8-13.

［3］何友，王國宏.多傳感器信息融合及應(yīng)用［M］.北京：電子工業(yè)出版社，2000.

［4］湯正華，王殊.多傳感器多判據(jù)探測器在火災(zāi)探測中的應(yīng)用［J］.傳感器技術(shù)，2001，20（3）：33-38.

［5］Okymaa Y.A primitive study of a fire detection method controlled by artificial neural net［J］.Fire Safety Journal，1991，17（6）：535-553.

［6］楊宗凱，王殊，何建華.一種基于前饋神經(jīng)網(wǎng)絡(luò)的火災(zāi)探測方法［J］.華中理工大學學報，1997，25（2）：5-8.

［7］何建華，楊宗凱，王殊.基于模糊邏輯和神經(jīng)網(wǎng)絡(luò)的智能火災(zāi)探測［J］.華中理工大學學報，1997，25（2）：9-12.

［8］陳月.基于小波神經(jīng)網(wǎng)絡(luò)的智能火災(zāi)探測研究［D］.沈陽：東北大學，2008.

［9］周玉，錢旭，張俊彩，等.可拓神經(jīng)網(wǎng)絡(luò)研究綜述［J］.計算機應(yīng)用研究，2010，27（1）：1-5.

［10］孫佰清，邢愛國，張積賓.可拓神經(jīng)網(wǎng)絡(luò)模型的設(shè)計與實現(xiàn)［J］.哈爾濱工業(yè)大學學報，2006，38（7）：1156-1159.

［11］Wang M H，Hong C P.Extension neural network［C］∥Proc of Int'l Joint Conf on Neural Networks，2003：399-403.

［12］周曉琳.基于神經(jīng)網(wǎng)絡(luò)的多傳感器數(shù)據(jù)融合火災(zāi)預(yù)警系統(tǒng)研究［D］.長春：長春理工大學，2012.

Fire detection algorithm based on extension neural network

YAN Hao，WANG Ti-chun，HU Xin-xin，XIE Yu-zhu
（College of Mechanical and Electrical Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China）

In order to solve problem of failing or false alarm in traditional single sensor type fire detector，multisensor information fusion technology is applied to fire early prediction，it combines temperature，smog concentration and CO concentration together and analyze comprehensively.Extension neural network is used as data fusion algorithm，input values are temperature，smog concentration and CO concentration，and output values are three kinds of fire warning level.Simulation analysis result shows that correct identification rate of fire is in a very high level，which reaches above 93.9%.At the same time，compared with traditional BP neural network，it shows that extension neural network has a prominent advantage in speed of data fusion and reliability，so it is possible to apply extension neural network to fire early prediction.

fire detection；multi-sensor information fusion；extension theory；extension neural network（ENN）

TP18

A

1000—9787（2016）06—0113—04

10.13873/J.1000—9787（2016）06—0113—04

2015—09—25

閆浩（1990-），男，山東棗莊人，碩士研究生，主要研究方向為計算機輔助設(shè)計。