程文彬，杜磊，劉依依

（1. 電子科技大學(xué)中山學(xué)院機(jī)械電子工程學(xué)院，廣東 中山 528400；2. 電子科技大學(xué)機(jī)械電子工程學(xué)院，四川 成都 611731；3. 東莞理工學(xué)院城市學(xué)院，廣東 東莞 523419）

無(wú)線多傳感器數(shù)據(jù)融合的家庭火災(zāi)檢測(cè)系統(tǒng)設(shè)計(jì)

程文彬1，杜磊2，劉依依3

（1. 電子科技大學(xué)中山學(xué)院機(jī)械電子工程學(xué)院，廣東 中山 528400；2. 電子科技大學(xué)機(jī)械電子工程學(xué)院，四川 成都 611731；3. 東莞理工學(xué)院城市學(xué)院，廣東 東莞 523419）

針對(duì)現(xiàn)有火災(zāi)檢測(cè)系統(tǒng)常出現(xiàn)的誤報(bào)警和漏報(bào)警情況以及傳統(tǒng)的有線火災(zāi)檢測(cè)系統(tǒng)布線復(fù)雜、成本高、靈活性差等缺點(diǎn)，設(shè)計(jì)了一套基于無(wú)線多傳感器數(shù)據(jù)融合的家庭火災(zāi)檢測(cè)系統(tǒng)，檢測(cè)廚房設(shè)備、電器線路或電器設(shè)備老化等造成的火災(zāi)安全隱患。詳細(xì)介紹了多傳感器融合算法的設(shè)計(jì)、火災(zāi)檢測(cè)系統(tǒng)硬件框架和軟件實(shí)現(xiàn)等。仿真結(jié)果表明，該方案具有準(zhǔn)確度高、靈活性強(qiáng)的特點(diǎn)。

多傳感器數(shù)據(jù)融合；火災(zāi)檢測(cè)；CC1101；神經(jīng)網(wǎng)絡(luò)；模糊控制；STM32F407

1 引言

隨著我國(guó)經(jīng)濟(jì)的飛速發(fā)展、人民生活水平的提高以及生活安全意識(shí)的增長(zhǎng)，防火已經(jīng)成為人們非常關(guān)心的問(wèn)題[1]。據(jù)新華社報(bào)道，近年來(lái)中國(guó)每年發(fā)生火災(zāi)數(shù)量幾十萬(wàn)次，傷亡人員達(dá)到幾千人，直接造成的財(cái)產(chǎn)損失達(dá)幾十億元。然而，目前市場(chǎng)上的火災(zāi)檢測(cè)裝置大多利用單一的傳感器來(lái)進(jìn)行檢測(cè)，這種檢測(cè)裝置常出現(xiàn)誤報(bào)警或者漏報(bào)警情況；同時(shí)傳統(tǒng)的有線傳輸方式不僅導(dǎo)線布局麻煩、成本高，而且靈活性差，不便于擴(kuò)展和維修。

針對(duì)現(xiàn)如今火災(zāi)檢測(cè)普遍遇到的問(wèn)題，本文設(shè)計(jì)了一套基于無(wú)線多傳感器融合技術(shù)的家庭火災(zāi)檢測(cè)系統(tǒng)?？紤]到家庭內(nèi)部網(wǎng)絡(luò)低成本、近距離、低復(fù)雜度等需求，選用433 MHz射頻通信技術(shù)，它是一種簡(jiǎn)單而成熟的無(wú)線通信技術(shù)，其傳輸距離較遠(yuǎn)、穿透性強(qiáng)、功耗低、成本低，適合用于數(shù)據(jù)量不是很大、成本敏感的家庭火災(zāi)檢測(cè)網(wǎng)絡(luò)[2]。近年來(lái)，研究者們利用人工智能技術(shù)融合多個(gè)傳感器的數(shù)據(jù)，進(jìn)行火災(zāi)自動(dòng)檢測(cè)。如參考文獻(xiàn)[3,4]采用神經(jīng)網(wǎng)絡(luò)算法對(duì)火災(zāi)進(jìn)行檢測(cè)，參考文獻(xiàn)[5]利用模糊控制算法來(lái)檢測(cè)火災(zāi)，但是由于火災(zāi)信號(hào)具有時(shí)變性，難以用精確的數(shù)學(xué)模型進(jìn)行描述，因此，利用單一的神經(jīng)網(wǎng)絡(luò)算法或模糊控制算法很難準(zhǔn)確有效地對(duì)火災(zāi)進(jìn)行檢測(cè)。本文將神經(jīng)網(wǎng)絡(luò)和模糊控制以串聯(lián)的方式有機(jī)地結(jié)合起來(lái)，利用神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)造模糊系統(tǒng)，用模糊規(guī)則對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練進(jìn)行指導(dǎo)，用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自適應(yīng)能力來(lái)調(diào)整模糊規(guī)則和隸屬函數(shù)。

2 火災(zāi)檢測(cè)系統(tǒng)硬件框架

火災(zāi)檢測(cè)系統(tǒng)硬件框架如圖1所示，主要包括數(shù)據(jù)融合中心和火災(zāi)信息采集終端。針對(duì)火災(zāi)發(fā)生初期的一些特點(diǎn)：一般先產(chǎn)生大量的煙霧和CO（carbon monoxide，一氧化碳）氣體，同時(shí)伴隨著溫度的升高，因此選用溫度傳感器、煙霧傳感器和CO傳感器作為火災(zāi)檢測(cè)信息采集終端[3]。通過(guò)將傳感器采集的信息利用433 MHz射頻網(wǎng)絡(luò)傳送至由主控芯片 STM32F407和相關(guān)外設(shè)模塊構(gòu)成的數(shù)據(jù)融合中心進(jìn)行處理，在數(shù)據(jù)融合中心模塊上嵌入相應(yīng)的多傳感器數(shù)據(jù)融合算法，對(duì)傳送來(lái)的數(shù)據(jù)進(jìn)行融合處理，從而做出決策。當(dāng)有火災(zāi)發(fā)生時(shí)，開(kāi)啟聲光報(bào)警，并向小區(qū)安保人員管理部門(mén)發(fā)送報(bào)警求救信息，同時(shí)向業(yè)主發(fā)送短信提示，倘若均未及時(shí)回應(yīng)，則自動(dòng)撥打“119”電話進(jìn)行處理。

圖1 火災(zāi)檢測(cè)報(bào)警系統(tǒng)硬件框架

2.1 數(shù)據(jù)融合中心

數(shù)據(jù)融合中心主要用來(lái)收發(fā)傳感器端的數(shù)據(jù)，將接收的數(shù)據(jù)信息進(jìn)行融合處理，根據(jù)處理后得到的決策結(jié)果做出相應(yīng)的動(dòng)作。圖2所示為數(shù)據(jù)融合處理中心的硬件框架，主控芯片選用的是STM32F407ZGT6，該芯片SRAM高達(dá)192 KB，工作主頻為168 MHz，具有豐富的外部資源，可以滿足設(shè)計(jì)需求。以太網(wǎng)接口模塊選用的芯片是DM9000AE，它是一款完全集成并符合成本效益的單芯片快速以太網(wǎng) MAC控制器，它有一個(gè)一般處理接口、一個(gè)10/100 Mbit/s自適應(yīng)的PHY和DWORD值的SRAM，具備成本低、速度快的優(yōu)點(diǎn)，適合目前對(duì)嵌入式系統(tǒng)功耗低、性能高的要求。無(wú)線射頻通信模塊選用的是TI公司的CC1101，它是一款低功耗、集成度高、多通道的無(wú)線芯片，可設(shè)置的ISM頻段與SRD頻段為315 MHz、433 MHz、868 MHz 和915 MHz，空中傳輸速率最高可達(dá)500 kBaud，并且CC1101與MCU的采用 4線制的 SPI（serial peripheral interface，串行外設(shè)接口）。GSM（global system for mobile communication，全球移動(dòng)通信系統(tǒng)）模塊選用的是SIM900A，可以實(shí)現(xiàn)SMS、數(shù)據(jù)、語(yǔ)音與信息的傳輸。

圖2 數(shù)據(jù)融合處理中心硬件框架

2.2 火災(zāi)信息采集終端

火災(zāi)信息采集終端主要實(shí)現(xiàn)環(huán)境數(shù)據(jù)的采集以及數(shù)據(jù)的發(fā)送，圖3所示為火災(zāi)信息采集終端模塊結(jié)構(gòu)框架，由輔助微處理器STM8S105K4、CC1101無(wú)線射頻模塊、溫度傳感器、煙霧傳感器、CO傳感器以及電源等組成。其中，溫度傳感器選用的是DS18B20，其具有抗干擾能力強(qiáng)、使用方便、精度高等優(yōu)點(diǎn)，且不需要模擬數(shù)據(jù)輸出轉(zhuǎn)換。對(duì)于煙霧和CO，則利用MQ-2和MQ-7傳感器進(jìn)行監(jiān)測(cè)。傳感器采集到的信息借助微處理器和無(wú)線射頻傳輸模塊將其傳送到數(shù)據(jù)融合中心進(jìn)行解析處理，從而判斷出火災(zāi)發(fā)生的概率。其中考慮到處理傳感器終端的信息量不大，選擇 8 bit的STM8S105K4作為傳感器終端的微處理器，該8 bit單片機(jī)默認(rèn)主頻2 MHz，滿足終端設(shè)備數(shù)據(jù)處理、狀態(tài)控制等需求，且具有UART和SPI，方便與傳感器和無(wú)線射頻模塊CC1101的連接。

圖3 傳感器終端模塊結(jié)構(gòu)框架

3 數(shù)據(jù)融合結(jié)構(gòu)與融合算法

3.1 數(shù)據(jù)融合結(jié)構(gòu)

圖4所示為火災(zāi)檢測(cè)數(shù)據(jù)融合的結(jié)構(gòu)框架。整個(gè)火災(zāi)檢測(cè)過(guò)程從傳感器采集端開(kāi)始，將傳感器采集到的環(huán)境數(shù)據(jù)進(jìn)行預(yù)處理，然后進(jìn)行本地決策，根據(jù)本地決策的結(jié)果決定是否將傳感器采集終端的數(shù)據(jù)傳送到由神經(jīng)網(wǎng)絡(luò)和模糊控制有機(jī)結(jié)合的數(shù)據(jù)融合中心，最后根據(jù)數(shù)據(jù)融合中心的決策結(jié)果得到火災(zāi)發(fā)生的概率。

3.1.1 預(yù)處理

根據(jù)不同傳感器采集到的火災(zāi)數(shù)據(jù)信號(hào)，分別對(duì)其進(jìn)行放大、濾波和A/D轉(zhuǎn)換，然后對(duì)數(shù)據(jù)信號(hào)進(jìn)行歸一化處理，從而防止小數(shù)值被大數(shù)值淹沒(méi)而影響網(wǎng)絡(luò)的校正。

3.1.2 本地決策

在家庭環(huán)境中，火災(zāi)事件是一個(gè)偶然事件，大部分情況下傳感器端都是在正常情況下采集數(shù)據(jù)。因此，當(dāng)采集到的3種傳感器數(shù)據(jù)均為正常范圍內(nèi)數(shù)據(jù)時(shí)，為了減小系統(tǒng)功耗和主控芯片負(fù)擔(dān)，則不需要將傳感器采集到的環(huán)境數(shù)據(jù)通過(guò)無(wú)線射頻模塊傳到數(shù)據(jù)融合中心，做進(jìn)一步處理分析，這相比于將傳感器采集到的數(shù)據(jù)實(shí)時(shí)地傳輸數(shù)據(jù)融合中心進(jìn)行處理而言，大大減小了系統(tǒng)功耗。

圖4 數(shù)據(jù)融合結(jié)構(gòu)框架

3.2 數(shù)據(jù)融合算法

火災(zāi)發(fā)生過(guò)程中存在含糊性、不精確性和復(fù)雜性，且沒(méi)有成熟的檢測(cè)數(shù)學(xué)模型。因此，單純地依靠神經(jīng)網(wǎng)絡(luò)或模糊控制都存在一定的局限性，不能達(dá)到最理想的辨識(shí)效果。模糊控制和神經(jīng)網(wǎng)絡(luò)都屬于不需要數(shù)學(xué)公式建模的信息處理方法，其中模糊控制是利用專家經(jīng)驗(yàn)來(lái)建立模糊集、隸屬函數(shù)和模糊推理規(guī)則，但由于專家知識(shí)的局限性及環(huán)境的可變性，任何一個(gè)專家都無(wú)法得到一個(gè)最佳的規(guī)則或最優(yōu)的隸屬度函數(shù)，而神經(jīng)網(wǎng)絡(luò)則擅長(zhǎng)于在海量數(shù)據(jù)中尋找特定的模式，可以用神經(jīng)網(wǎng)絡(luò)來(lái)辨別因果關(guān)系，通過(guò)在輸入和輸出數(shù)據(jù)中找出模式而生成模糊邏輯規(guī)則，這兩種技術(shù)具有一定的互補(bǔ)性[6]。

3.2.1 BP神經(jīng)網(wǎng)絡(luò)

將經(jīng)過(guò)本地決策后的傳感器終端采集到的數(shù)據(jù)傳入事先訓(xùn)練好的BP（back propagation）神經(jīng)網(wǎng)絡(luò)中，從而得到明火概率、陰燃火概率和無(wú)火概率。圖5所示為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，分為輸入層、隱藏層和輸出層。其中，輸入層的3個(gè)節(jié)點(diǎn)分別為溫度信號(hào)、煙霧濃度信號(hào)和 CO濃度信號(hào)；隱藏層設(shè)置有7個(gè)節(jié)點(diǎn)；以明火概率、陰燃火概率和無(wú)火概率作為輸出層的3個(gè)節(jié)點(diǎn)。

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

樣本訓(xùn)練學(xué)習(xí)過(guò)程[9]具體實(shí)現(xiàn)如下：設(shè)輸入的數(shù)目為I，其中任意一個(gè)用i表示；隱藏層記為J，包含J個(gè)神經(jīng)元，其中任意一個(gè)神經(jīng)元用j表示，對(duì)應(yīng)的閾值用θj表示；輸出層記為K，其中任意一個(gè)用k表示，對(duì)應(yīng)的閾值用θk。輸入層與隱藏層之間的權(quán)值記為wij，表示從輸入層第i個(gè)神經(jīng)元輸出到隱藏層第 j個(gè)神經(jīng)元之間的權(quán)值；隱藏層與輸出層之間的權(quán)值記為wjk。神經(jīng)元的輸入記為u，輸出記為v，所有的神經(jīng)元傳遞函數(shù)均為Sigmoid函數(shù)。訓(xùn)練樣本集為X=[X1,X2,…,XN]，其中任意一個(gè)訓(xùn)練樣本Xm都是一個(gè)I維矢量，即Xm=[Xm1,Xm2,…,XmI]，m=1,2,…,N；期望響應(yīng)為tm=[tm1,tm2,…,tmK]T，實(shí)際輸出為Ym=[Ym1,Ym2,…,YmK]T，設(shè) n為迭代次數(shù)，權(quán)值、閾值和實(shí)際輸出都是n的函數(shù)。首先初始化所有的權(quán)值和閾值，然后開(kāi)始訓(xùn)練網(wǎng)絡(luò)。

隱藏層第j個(gè)神經(jīng)元的輸入為：

輸出為：

輸出層第k個(gè)神經(jīng)元輸入為：

輸出（即網(wǎng)絡(luò)輸出）為：

輸出層第k個(gè)神經(jīng)元的輸出誤差為：

輸出層的所有神經(jīng)元的誤差能量總和為：

誤差與信號(hào)相反，從后向前傳播，在反向傳播過(guò)程中，逐層修正權(quán)值和偏差。

隱藏層節(jié)點(diǎn)與輸出層節(jié)點(diǎn)之間的權(quán)值和閾值的修正如下。

BP算法中，權(quán)值的調(diào)整量與相對(duì)于期望響應(yīng)的誤差能量對(duì)權(quán)值的偏微分大小成正比，符號(hào)相反，則此偏微分的值為：

由誤差能量定義以及各變量之間的關(guān)系可知：

則此偏微分的值為：

定義局部梯度為：

根據(jù)梯度下降學(xué)習(xí)規(guī)則，wjk(n)的修正量為：

其中，η為學(xué)習(xí)步長(zhǎng)，則wjk(n)的迭代值為：

而閾值θk的修正計(jì)算式為：

輸入層節(jié)點(diǎn)與隱藏層節(jié)點(diǎn)之間的權(quán)值的修正如下。

同理：

則輸入層與隱藏層的權(quán)值為：

而閾值θj的修正計(jì)算式為：

一直重復(fù)上述步驟對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到滿足輸出層所有誤差總能量E(n)＜ε為止。

3.2.2 模糊控制

將通過(guò)BP神經(jīng)網(wǎng)絡(luò)得到的結(jié)果信息作為模糊控制的輸入，進(jìn)行進(jìn)一步的融合處理，從而提高火災(zāi)探測(cè)的精確度。模糊控制的融合結(jié)構(gòu)框架如圖6所示，BP神經(jīng)網(wǎng)絡(luò)的輸出作為模糊控制的輸入，然后通過(guò)模糊化、模糊邏輯推理和去模糊化得到火災(zāi)發(fā)生的概率，需要注意的是，當(dāng)判斷出的火災(zāi)發(fā)生概率＞0.75或＜0.25時(shí)比較好判斷火災(zāi)情況，但是概率在0.5左右時(shí)，就很難準(zhǔn)確判斷火災(zāi)情況。而火災(zāi)發(fā)生的早期，即陰燃階段，煙霧是一個(gè)重要的信號(hào)量?？紤]到干擾信號(hào)會(huì)引起較大的誤差輸出，但一般時(shí)間較短，為了盡快發(fā)現(xiàn)火災(zāi)，需要提高火災(zāi)的抗干擾能力和檢測(cè)的精確度，在模糊控制的決策輸出引入了煙霧持續(xù)時(shí)間函數(shù) d(n)[11,12]，其中，其中，u[]為單位階躍函數(shù)，Tm為判斷門(mén)限，可根據(jù)具體情況設(shè)定，當(dāng)煙霧持續(xù)時(shí)間超過(guò)預(yù)先設(shè)定的門(mén)限值Tm，則d(n)累加，否則d(n)=0。

圖6 模糊邏輯推理融合結(jié)構(gòu)框架

模糊化：輸入量被限制在[0,1]區(qū)間內(nèi)，將輸入量明火概率、陰燃火概率和無(wú)火概率進(jìn)行模糊化，分為4個(gè)模糊級(jí)：無(wú)（W）、小（X）、中（Z）和大（D），模糊集的隸屬函數(shù)采用高斯函數(shù)。

模糊邏輯推理：模糊規(guī)則是模糊邏輯推理的核心，并且模糊推理系統(tǒng)采用Mamdani方法，推理規(guī)則是基于信號(hào)特征之間的實(shí)際關(guān)系，根據(jù)實(shí)際火災(zāi)的需求以及專家領(lǐng)域經(jīng)驗(yàn)知識(shí)得到了64條模糊規(guī)則。

去模糊化：為了將由模糊規(guī)則輸出的模糊集轉(zhuǎn)化為精確的數(shù)值，需要對(duì)模糊集進(jìn)行去模糊化，由于重心法運(yùn)算簡(jiǎn)單且考慮全面，故采用重心法進(jìn)行去模糊化操作。

決策輸出：當(dāng)決策輸出概率＞0.75或＜0.25時(shí)，分別可判斷為有火災(zāi)和無(wú)火災(zāi)情況，而當(dāng)輸出概率介于兩者之間時(shí)，若 d(n)＞0，則可判斷為有火災(zāi)；若d(n)=0，輸出警告信號(hào)，需要延時(shí)Tm再進(jìn)行判斷。

4 火災(zāi)檢測(cè)系統(tǒng)軟件實(shí)現(xiàn)

火災(zāi)檢測(cè)系統(tǒng)主要包括傳感器采集終端模塊和數(shù)據(jù)融合處理中心模塊兩大部分。傳感器環(huán)境數(shù)據(jù)采集終端模塊主要實(shí)現(xiàn)溫度、煙霧含量和CO含量的數(shù)據(jù)采集、處理與分析以及數(shù)據(jù)的無(wú)線傳輸；數(shù)據(jù)融合處理中心模塊主要實(shí)現(xiàn)對(duì)環(huán)境數(shù)據(jù)采集終端數(shù)據(jù)的接收、處理、融合與決策。

4.1 傳感器采集終端實(shí)現(xiàn)

傳感器采集到的溫度、煙霧濃度和 CO濃度數(shù)據(jù)通過(guò)串口傳輸?shù)轿⒖刂破鬟M(jìn)行預(yù)處理，將處理后的數(shù)據(jù)結(jié)果與各對(duì)應(yīng)傳感器預(yù)先設(shè)置好的閾值進(jìn)行比較，當(dāng)傳感器采集到的環(huán)境值大于預(yù)先通過(guò)專家經(jīng)驗(yàn)設(shè)置好的閾值，并且維持了一段時(shí)間，判斷為警告狀態(tài)，則調(diào)用數(shù)據(jù)傳輸子程序，將采集到的溫度、煙霧和 CO信息通過(guò)無(wú)線射頻模塊 CC1101傳送給數(shù)據(jù)融合中心進(jìn)行進(jìn)一步的處理；相反，倘若3種傳感器采集到的值均小于各自對(duì)應(yīng)的閾值，則不作任何處理，判斷為正常狀態(tài)并繼續(xù)對(duì)環(huán)境進(jìn)行監(jiān)測(cè)，這樣大大減少整個(gè)系統(tǒng)的功耗和負(fù)擔(dān)，具體流程如圖7所示。

圖7 傳感器環(huán)境數(shù)據(jù)采集模塊程序流程

4.2 數(shù)據(jù)融合中心實(shí)現(xiàn)

數(shù)據(jù)融合處理中心是火災(zāi)檢測(cè)系統(tǒng)的核心，圖8所示為數(shù)據(jù)融合處理中心的程序流程，當(dāng)接收到無(wú)線傳感器環(huán)境數(shù)據(jù)采集終端傳送來(lái)的3種傳感器的信息時(shí)，利用預(yù)先在主控芯片上移植好的數(shù)據(jù)融合算法對(duì)3種傳感器的數(shù)據(jù)信息進(jìn)行融合處理，從而判斷是否處于火災(zāi)狀態(tài)，當(dāng)判斷為發(fā)生火災(zāi)時(shí)，控制中心調(diào)用報(bào)警子程序，向小區(qū)安保部門(mén)和用戶發(fā)送報(bào)警信息，倘若未在一段時(shí)間內(nèi)收到相應(yīng)人員的響應(yīng)，則直接撥打“119”電話，并發(fā)送語(yǔ)言報(bào)警信號(hào)，告訴消防局火災(zāi)發(fā)生的具體位置。

圖8 數(shù)據(jù)融合中心程序流程

5 測(cè)試仿真與分析

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)主要依據(jù)現(xiàn)有國(guó)內(nèi)外的標(biāo)準(zhǔn)、國(guó)內(nèi)外核心期刊以及碩士學(xué)位論文的數(shù)據(jù)。從中選取了40組典型的樣本數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，樣本數(shù)據(jù)包括不同燃燒物的燃燒情況，其中包括20組明火數(shù)據(jù)、10組陰燃數(shù)據(jù)和10組無(wú)火數(shù)據(jù)。然后，將學(xué)習(xí)率設(shè)為0.5，目標(biāo)誤差為0.01，利用 MATLAB工具進(jìn)行網(wǎng)絡(luò)的仿真訓(xùn)練和測(cè)試。圖9所示為L(zhǎng)evenberg-Marquardt算法下訓(xùn)練的結(jié)果。

圖9 神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線

表1為BP神經(jīng)網(wǎng)絡(luò)部分的仿真結(jié)果。

表1 神經(jīng)網(wǎng)絡(luò)部分仿真結(jié)果

同樣使用MATLAB模糊邏輯工具箱進(jìn)行仿真測(cè)試，并建立起64組模糊規(guī)則，選取6組火災(zāi)數(shù)據(jù)進(jìn)行測(cè)試，其中包括陰燃火和明火，測(cè)試結(jié)果見(jiàn)表2。從表2中可以看出，實(shí)際輸出與期望輸出不大，其中最大誤差的百分比也只有 2.2%，滿足火災(zāi)檢測(cè)的要求。表2中的數(shù)值都是經(jīng)過(guò)歸一化的。

表2 模糊邏輯仿真結(jié)果

6 結(jié)束語(yǔ)

火災(zāi)發(fā)生過(guò)程具有復(fù)雜性和不確定性的特點(diǎn)，且很難建立起數(shù)學(xué)模型，所以為了提高火災(zāi)檢測(cè)系統(tǒng)的精準(zhǔn)性，本文通過(guò)將 BP神經(jīng)網(wǎng)絡(luò)和模糊邏輯推理技術(shù)以串聯(lián)的方式結(jié)合來(lái)判斷火災(zāi)發(fā)生的概率，正是利用模糊邏輯推理技術(shù)和神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)的互補(bǔ)性，從而提高了整個(gè)報(bào)警系統(tǒng)的精準(zhǔn)性。這相對(duì)于現(xiàn)如今利用單傳感器對(duì)火災(zāi)進(jìn)行檢測(cè)與判斷而言，大大提高了火災(zāi)檢測(cè)的精準(zhǔn)性。仿真測(cè)試結(jié)果顯示，該火災(zāi)檢測(cè)系統(tǒng)具有良好的穩(wěn)定性與準(zhǔn)確性。在未來(lái)的研究工作中，主要會(huì)加強(qiáng)對(duì)火災(zāi)檢測(cè)算法的研究，提高家居環(huán)境的安全性，減少不必要的損失。

[1] JIANG L, JIN J X, WANG Y X. Multi-sensor fireproof alarm system[C]//International Conference on Applied Superconductivity and Electromagnetic Devices, Dec 14-16, 2011, Sydney, NSW, Australia. New Jersey: IEEE Press, 2011: 248-251.

[2] 葛陽(yáng), 李大剛. 智能家居433 MHz射頻通信協(xié)議棧設(shè)計(jì)與網(wǎng)關(guān)實(shí)現(xiàn)[J]. 電信科學(xué), 2015, 31(9): 130-136. GE Y, LI D G. Design of 433 MHz communication protocol and implementation of gateway in intelligence home[J]. Telecommunications Science, 2015, 31(9): 130-136.

[3] LIANG Y H, TIAN W M. Multi-sensor fusion approach for fire alarm using BP neural network[C]//International Conference on Intelligent Networking and Collaborative Systems, Sept 7-9, 2016, Ostrawva, Czech Republic. New Jersey: IEEE Press, 2016: 7-9.

[4] JIANG L, JIN J X, WANG Y X. Multi-sensor fireproof alarm system[C]//International Conference on Applied Superconductivity and Electromagnetic Devices, Dec 14-16, 2011, Sydney,NSW, Australia. New Jersey: IEEE Press, 2011: 248-251.

[5] 谷建榮, 杜成寶. 模糊控制技術(shù)在模擬量火災(zāi)報(bào)警系統(tǒng)中的應(yīng)用[J]. 原子能科學(xué)技術(shù), 2000, 34(5): 439-444. GU J R, DU C B. Application of control in the analogue fire alarm system[J]. Atomic Energy Science and Technology, 2000, 34(5): 439-444.

[6] 趙庶旭, 黨建武, 張振海, 等. 神經(jīng)網(wǎng)絡(luò)—理論、技術(shù)、方法及應(yīng)用[M]. 北京: 中國(guó)鐵道出版社, 2013. ZHAO S X, DANG J W, ZHANG Z H, et al. Neural network-theory, technology, method and application[M]. Beijing: China Railway Press, 2013.

[7] 朱凱, 王正林. 精通 MATLAB神經(jīng)網(wǎng)絡(luò)[M]. 北京: 電子工業(yè)出版社, 2010. ZHU K, WANG Z L. Proficient in MATLAB neural networks[M]. Beijing: Electronics Industry Press, 2010.

[8] 龔利英. 基于模糊神經(jīng)網(wǎng)絡(luò)的智能家居防火系統(tǒng)研究[D].廣州: 華南理工大學(xué), 2012. GONG L Y. Study on the smart household fire prevention system based on fuzzy-neural network[D]. Guangzhou: South China University of Technology, 2012.

[9] 吳龍標(biāo), 方俊, 謝啟源. 火災(zāi)探測(cè)與信息處理[M]. 北京: 化學(xué)工業(yè)出版社, 2006. WU L B, FANG J, XIE Q Y. Fire detection and information processing[M]. Beijing: Chemical Industry Press, 2006.

Design of home fire detection system based on wireless multi-sensor data fusion

CHENG Wenbin1, DU Lei2, LIU Yiyi3
1. School of Mechatronics Engineering, Zhongshan Institute, University of Electronic Science and Technology of China, Zhongshan 528400, China 2. School of Mechatronics Engineering, University of Electronic Science and Technology of China, Chengdu 611731, China 3. City College of Dongguan University of Technology, Dongguan 523419, China

Aiming at the shortcomings of false alarm and leakage alarm in the existing fire detection system and the complicated wiring, high cost and poor flexibility of the traditional wired fire detection system, a set of home fire detection system based on wireless multi-sensor data fusion was designed, to detect the fire safety hazards caused by kitchen equipment aging, electrical wiring aging or electrical equipment aging. The design of multi-sensor data fusion algorithm, fire detection system hardware framework and software implementation were described in detail. The simulation results show that the scheme has the characteristics of high accuracy and flexibility.

multi-sensor data fusion, fire detection, CC1101, neural network, fuzzy control, STM32F407

TP393

：A

10.11959/j.issn.1000-0801.2017231

程文彬（1965-），男，電子科技大學(xué)中山學(xué)院機(jī)械電子工程學(xué)院副教授，主要研究方向?yàn)橛?jì)算機(jī)應(yīng)用及物聯(lián)網(wǎng)工程。

杜磊（1991-），男，電子科技大學(xué)機(jī)械電子工程學(xué)院碩士生，主要研究方向?yàn)槲锫?lián)網(wǎng)智能家居。

劉依依（1986-），女，東莞理工學(xué)院城市學(xué)院講師，主要研究方向?yàn)閼?yīng)用數(shù)學(xué)、密碼安全。

2017-05-24；

：2017-07-25

杜磊，695742727@qq.com