基于人工智能技術(shù)的火災(zāi)探測信息融合系統(tǒng)

1、基于人工智能技術(shù)的火災(zāi)探測信息融合系統(tǒng)摘要：針對傳統(tǒng)火災(zāi)探測方法存在的智能程度低、誤報率高等問題，提出將人工智能數(shù)據(jù)融合技術(shù)應(yīng)用于火災(zāi)探測中，并針對火情信號固有的特點(diǎn)，采用3層數(shù)據(jù)融合結(jié)構(gòu)，對由專家系統(tǒng)提取的火災(zāi)經(jīng)驗(yàn)概率和由神經(jīng)網(wǎng)絡(luò)系統(tǒng)提取的火災(zāi)數(shù)據(jù)概率特征，用模糊系統(tǒng)進(jìn)行進(jìn)一步的融合，最終得到火災(zāi)概率。最后選取中國標(biāo)準(zhǔn)明火、標(biāo)準(zhǔn)陰燃火和典型干擾下的火情信號進(jìn)行計算機(jī)仿真實(shí)驗(yàn)，取得了滿意的結(jié)果。0引言由于單元探測技術(shù)所采用的單一參數(shù)火災(zāi)探測器(包括閾值觸發(fā)式和模擬量式)對火災(zāi)特征信號響應(yīng)靈敏度的不均勻性，導(dǎo)致它對實(shí)際火災(zāi)的探測能力受到了限制。例如感溫探測器只對明火產(chǎn)生的溫升敏感，對陰燃火不敏感

2、，而且也不能區(qū)分引起溫度上升的熱量是火災(zāi)產(chǎn)生的還是空調(diào)或烹飪蒸汽產(chǎn)生的；又如目前常用的光電感煙探測器是一種對一般火情均有較高靈敏度的火災(zāi)傳感器，且對陰燃火有極好的探測效果，但對燃燒產(chǎn)生的不可見煙(粒徑小于0.4m)或出現(xiàn)明火的黑煙不敏感6。正因?yàn)槿绱耍两袢匀粵]有一種單一參數(shù)火災(zāi)探測器能有效地探測各類火情，火警誤報時有發(fā)生?？梢哉f，由誤報警造成的一系列損失現(xiàn)已成為一個不容忽視的社會問題，引起各界人士的重視。鑒于單元火災(zāi)探測技術(shù)已無法滿足現(xiàn)實(shí)火災(zāi)報警的需要，一種嶄新的多元信息融合探測技術(shù)悄然興起。多元信息融合火災(zāi)探測系統(tǒng)不是原有單一參數(shù)火災(zāi)探測器的簡單組合，而是實(shí)施多元同步探測，根據(jù)不同類型的火

3、災(zāi)參數(shù)，應(yīng)用智能算法，對多傳感器的火災(zāi)參數(shù)進(jìn)行融合，以判斷是否存在火災(zāi)危險。它克服了單個傳感器測量的局限，有效地提高了辨別真實(shí)與虛假火災(zāi)的能力。進(jìn)行信息融合的算法很多，如經(jīng)典推理法、貝葉斯方法、卡爾曼濾波等。該文采用3層多傳感器融合結(jié)構(gòu)，將溫度信號、煙霧濃度和CO濃度做為火災(zāi)探測信號，采用專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)分別提取火災(zāi)經(jīng)驗(yàn)特征和數(shù)據(jù)擬合特征；采用模糊系統(tǒng)為決策層，對上述兩種特征進(jìn)行融合，最終得到火災(zāi)信號。系統(tǒng)具有自適應(yīng)、自學(xué)習(xí)等特點(diǎn)，可消除由單傳感器失效或外來干擾引起的誤報或漏報1、2。1 基于數(shù)據(jù)融合的火災(zāi)探測原理1.1 火災(zāi)探測信號的特征 根據(jù)表現(xiàn)形式，火災(zāi)可分為慢速陰燃火、明火、快速火焰

4、等種類。每一種火焰的早期特征具有不同的表現(xiàn)形式，因此反映火災(zāi)的各種信號也呈現(xiàn)出不同的特征。由于火災(zāi)事件很偶然，觀察數(shù)據(jù)極少，因此火災(zāi)信號是事先未知的或不能確定的信號。通過對火災(zāi)機(jī)理的分析，可以知道環(huán)境溫度、煙霧濃度、CO含量、H2含量等均能反映火災(zāi)的進(jìn)程，大量實(shí)驗(yàn)觀察表明，這些參量及其變化率與火災(zāi)的狀態(tài)存在著一定的映射關(guān)系。但是利用傳感器得到的上述物理量信號并不只隨火情而變化，環(huán)境中如氣候、濕度、灰塵、電子噪聲和人為的其他活動及傳感器的安裝位置都可能引起信號的變化，而且這種變化的特征往往與火情特征相似，因此火災(zāi)檢測與其他典型的信號檢測相比是一種十分困難的信號檢測問題3。1.2基于數(shù)據(jù)融合的火災(zāi)

5、探測系統(tǒng)原理數(shù)據(jù)融合技術(shù)具有提高目標(biāo)參量測量精度，消除干擾量影響，克服自身時漂老化等優(yōu)點(diǎn)。系統(tǒng)采用并行的分布式數(shù)據(jù)融合結(jié)構(gòu)，其結(jié)構(gòu)如圖1所示4。在火災(zāi)數(shù)據(jù)融合系統(tǒng)中有信息層、特征層和決策層。信息層主要進(jìn)行數(shù)據(jù)的采集、處理；特征層對來自傳感器的信息進(jìn)行特征提??；決策層充分利用特征層所提取的測量對象的各類特征信息，采用適當(dāng)?shù)娜诤霞夹g(shù)實(shí)現(xiàn)最終的決策。為全面、有效地監(jiān)控火情信息，火災(zāi)探測系統(tǒng)常設(shè)置多種傳感器。在火災(zāi)監(jiān)測現(xiàn)場，選何種火情參數(shù)作為探測量，選多少個傳感器進(jìn)行探測是火災(zāi)探測中的一個重要因素?？紤]到一般情況下，CO在空氣中的含量極低，只有燃燒發(fā)生時才使空氣中CO的含量急劇增加；同時在火災(zāi)發(fā)生時，

6、又往往伴有溫度的升高和煙霧濃度的增大。所以火災(zāi)探測系統(tǒng)采用監(jiān)測CO的含量、環(huán)境溫度和煙霧濃度的變化來完成火災(zāi)的探測。信息層中局部決策器采用單傳感器探測的分析算法?；鹎榘l(fā)生時通常在較短時間內(nèi)伴隨著較大的溫升和CO、煙霧濃度的急劇增加，因此采用速率檢測算法，當(dāng)被測信號的速率變化連續(xù)超過某一門限達(dá)到一定次數(shù)時即可確認(rèn)為有效火情信號。 定義累加函數(shù)a(k)為第i種多次累加采樣值Xi(k1)與Xi(k)的差值之和 個輸出為1時，則表示某一種火災(zāi)監(jiān)測信號出現(xiàn)非平穩(wěn)變化，將此非平穩(wěn)變化作為有效火情信號輸入融合中心，完成信息層的處理。特征層采用專家系統(tǒng)特征器和神經(jīng)網(wǎng)絡(luò)特征器來完成火災(zāi)特征的提取。專家系統(tǒng)特征器

7、的核心是專家數(shù)據(jù)庫。在數(shù)據(jù)庫中保存了大量由火災(zāi)實(shí)驗(yàn)所得到的火災(zāi)關(guān)鍵數(shù)據(jù)，通過數(shù)據(jù)庫的查詢，提取火災(zāi)信號的經(jīng)驗(yàn)特征。對于在專家數(shù)據(jù)庫中已經(jīng)存在的火災(zāi)信號數(shù)據(jù)，由專家特征器提取的火災(zāi)經(jīng)驗(yàn)特征概率具有較高的準(zhǔn)確性。但對于在數(shù)據(jù)庫中無法查 詢到的數(shù)據(jù)，火災(zāi)專家特征器無法給出準(zhǔn)確的火災(zāi)概率?？紤]到火災(zāi)探測的非結(jié)構(gòu)性特點(diǎn)及信號與火災(zāi)概率之間的映射關(guān)系，采用神經(jīng)網(wǎng)絡(luò)提取信號的火災(zāi)數(shù)據(jù)擬合特征。3個火災(zāi)探測信號溫度、煙霧和CO濃度由局部決策器送入特征層，得到一個相應(yīng)的火災(zāi)經(jīng)驗(yàn)特征概率O1；同時進(jìn)入具有趨勢反饋的神經(jīng)網(wǎng)絡(luò)特征器，得到信號的數(shù)據(jù)擬合特征概率O2。O1與O2同時送到模糊推理融合系統(tǒng)進(jìn)行進(jìn)一步的融合，

8、最終得出火災(zāi)發(fā)生概率5、6。2基于神經(jīng)網(wǎng)絡(luò)的火災(zāi)數(shù)據(jù)融合算法2.1特征器算法由于火災(zāi)的形成是一個漸變的過程，單一的門限設(shè)定報警要么容易延遲報警(閾值過高)，要么容易引起誤報(閾值過低)。因此，必須將火災(zāi)對象作為一個過程，進(jìn)行連續(xù)地而不是孤立地分析?；谶@種思想，將“反饋”思想引入神經(jīng)網(wǎng)絡(luò)特征器，將神經(jīng)網(wǎng)絡(luò)當(dāng)前輸出趨勢反饋回神經(jīng)網(wǎng)絡(luò)的輸入端，如圖2所示，F(xiàn)Pf(y)是神經(jīng)網(wǎng)絡(luò)的火災(zāi)預(yù)報輸出趨勢反饋信號。當(dāng)火警發(fā)生時，由于煙霧、溫度和CO信號的連續(xù)上升趨勢，使得神經(jīng)網(wǎng)絡(luò)的輸出不斷增大。隨之增大的網(wǎng)絡(luò)趨勢信號反饋到網(wǎng)絡(luò)的輸入端，進(jìn)一步增大網(wǎng)絡(luò)的輸出，從而達(dá)到提早報警的目的。由于干擾信號具有脈沖幅度大

9、、持續(xù)時間極短的特性，故選擇具有一定積分效果的趨勢反饋抑制干擾信號，從而達(dá)到降低誤報警的目的。 趨勢反饋信號FPf(O2)定義如下： 對于第k個采樣點(diǎn)， 式中O2(k)為神經(jīng)網(wǎng)絡(luò)的第k次輸出；j(j1，2，jn)為jn個分級的分界系數(shù)；j為趨勢反饋函數(shù)的各級變化量；m為積分長度。當(dāng)本次網(wǎng)絡(luò)輸出與前次網(wǎng)絡(luò)輸出的差值在一給定范圍內(nèi)，認(rèn)為系統(tǒng)是穩(wěn)定的，此時趨勢反饋信號FP值保持不變，從而使網(wǎng)絡(luò)的輸出趨向于不變；當(dāng)差值超過了一定的范圍，那么根據(jù)網(wǎng)絡(luò)輸出的上升或下降趨勢、幅度，反饋趨勢FP值相應(yīng)增大一個j或減小一個j，從而使得網(wǎng)絡(luò)的輸出做出相應(yīng)的變化7。2.2神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)擬合火災(zāi)特征提取算法 神經(jīng)網(wǎng)絡(luò)火

10、災(zāi)特征器采用3層前饋誤差反傳神經(jīng)網(wǎng)絡(luò)(BP網(wǎng)絡(luò))，采用變步長的BP學(xué)習(xí)算法，通過調(diào)整網(wǎng)絡(luò)權(quán)值、閾值，使得網(wǎng)絡(luò)實(shí)際輸出與期望輸出的誤差均方值最小。輸入層的4個量分別為歸一化的煙霧信號S、歸一化的溫度信號T、歸一化的CO含量信號C、網(wǎng)絡(luò)反饋趨勢信號FP；中間層選取3個節(jié)點(diǎn)。輸出層有一個神經(jīng)元，對應(yīng)神經(jīng)網(wǎng)絡(luò)火災(zāi)數(shù)據(jù)擬合概率O2。輸入層和中間層的權(quán)值矩陣為W1，中間層和輸出層的權(quán)值矩陣為W2。根據(jù)已知的經(jīng)驗(yàn)數(shù)據(jù)，選取樣本，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。為使訓(xùn)練具有完備性，要求訓(xùn)練樣本包括那些變化比例較大、在細(xì)節(jié)上描述的樣本點(diǎn)，或最大、最小值樣本點(diǎn)所在的區(qū)域。根據(jù)上述原則，選取20個訓(xùn)練模式對 以上述20個訓(xùn)練樣

11、本對，采用變步長的BP學(xué)習(xí)算法，經(jīng)過367次訓(xùn)練，神經(jīng)網(wǎng)絡(luò)的誤差收斂狀況如圖3所示。圖中實(shí)線為誤差曲線，最終誤差為104。 訓(xùn)練后的網(wǎng)絡(luò)權(quán)值、閾值矩陣為3模糊推理融合系統(tǒng)為了進(jìn)一步提高系統(tǒng)識別率、降低誤報率，決策層采用模糊推理技術(shù)，對火災(zāi)經(jīng)驗(yàn)概率O1和火災(zāi)數(shù)據(jù)擬合概率O2進(jìn)行模糊推理，最終輸出火災(zāi)概率。由于火災(zāi)信號是一種漸變信號，信號的大小與信號存在的時間都直接影響火災(zāi)發(fā)生的判定。因此，將火災(zāi)概率持續(xù)時間作為模糊推理系統(tǒng)的輸入變量，能夠進(jìn)一步降低系統(tǒng)誤報警。 火災(zāi)概率持續(xù)時間T定義如下： 其中，Td為報警門限閾值，取Td0.5。O(x)為專家系統(tǒng)查詢所得經(jīng)驗(yàn)概率O1或神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)概率O2。

12、當(dāng)O1或O2的輸出火災(zāi)概率任一個超過報警門限Td時，則開始計時，否則不計時。系統(tǒng)中火災(zāi)經(jīng)驗(yàn)概率O1、火災(zāi)數(shù)據(jù)概率O2的模糊化均分成3個模糊集：正大(PB)、正中(PM)和正小(PB)，火災(zāi)概率持續(xù)時間T和最終輸出火災(zāi)概率uD模糊化分成2個模糊集：正大(PB)和正小(PS)，并采用正態(tài)分布函數(shù)建立這些模糊集的隸屬函數(shù)。采用Mamdani的MinMaxCOA法進(jìn)行模糊推理，加權(quán)平均進(jìn)行反模糊化，則準(zhǔn)確的火災(zāi)概率輸出量為： 4仿真實(shí)驗(yàn)以木柴明火火災(zāi)情況、棉繩陰燃火火災(zāi)情況和廚房干擾環(huán)境下的煙霧濃度、溫度和CO含量參數(shù)作為仿真數(shù)據(jù)，以圖1和圖2所示的系統(tǒng)結(jié)構(gòu)為火災(zāi)探測系統(tǒng)，以3層融合結(jié)構(gòu)和融合算法進(jìn)行

13、系統(tǒng)仿真實(shí)驗(yàn)，仿真實(shí)驗(yàn)結(jié)果：火災(zāi)專家經(jīng)驗(yàn)概率O1、火災(zāi)數(shù)據(jù)概率O2、模糊推理系統(tǒng)最終輸出火災(zāi)概率uD(p)以及按中國標(biāo)準(zhǔn)明火SH4期望概率與系統(tǒng)輸出之間的誤差參數(shù)如表1所示。由上述實(shí)驗(yàn)結(jié)果可知，系統(tǒng)不僅能夠準(zhǔn)確檢測木柴明火和棉繩陰燃火火警，對于一些普通火災(zāi)探測方法無法避免誤報的強(qiáng)干擾信號，均有很好的探測效果。5結(jié)束語該文提出的網(wǎng)絡(luò)反饋趨勢信號算法，將控制論中的反饋思想引入實(shí)際算法中，較好地解決了“提早報警”與“降低誤報警”之間的矛盾；充分利用了神經(jīng)網(wǎng)絡(luò)和模糊推理兩種智能技術(shù)各自的優(yōu)點(diǎn)，并將其結(jié)合起來。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)能夠準(zhǔn)確、迅速地判 定火警，同時大大降低系統(tǒng)的誤報警，有較強(qiáng)的抗干擾性。參考文獻(xiàn)1pfister G.Multisensor/multicriteria fir