一种基于自组织神经网络的火灾预测方法
【技术领域】
[0001] 本发明属于火灾预警技术领域，具体涉及一种基于自组织神经网络的火灾预测方 法。
【背景技术】
[0002] 随着经济的不断发展，人们生活水平的提高，在商厦、酒店、宾馆、KTV等大型娱乐 场所的人员流动是越来越大，如果一旦发生火灾，后果不堪设想。但目前火灾监控系统存在 以下几点不足：①采用的传感器单一，误报和漏报率高，且不能及时的检测到火灾初期环境 参数的变化；②连接方式大多为有线连接，容易老化、腐蚀，不易维修和更换；③采用预测 模型大多基于静态的网络，然而静态学习算法计算能力弱，实时性差，精度不高，不能满足 非线性函数的，影响系统的整体性能；④大多出系统为单一的预警系统或控制系统，没有很 好的实现预警和联动控制的结合，降低了对火灾的控制能力的控制水平。因此，对应的火灾 预测方法也是存在诸多问题。
【发明内容】
[0003] 本发明的目的在于：针对现有的火灾预测方法，提供一种基于自组织神经网络的 火灾预测方法，能够及时发现火灾隐患，并加以控制，实时性好，可靠性高，稳定性强。
[0004] 为了实现上述目的，本发明采用的技术方案为：
[0005] 一种基于自组织神经网络的火灾预测方法，包括以下步骤：
[0006] 步骤1 :在上位机内建立基于自组织神经网络的火灾发生概率预估模型；
[0007] 步骤2:在所设的监控点处安装传感器组，并采集环境参数，并将采集的实时数据 通过路由器传输到上位机；
[0008] 步骤3 :上位机将接收的数据输入到火灾发生概率预估模型中，获得当前环境下 对应的火灾概率值，并判定是否存在火情；
[0009] 步骤4 :将火情信息传输到联动控制器，驱动联动灭火装置，进而实现报警和自动 灭火。
[0010] 作为优选，步骤1中用神经网络自组织结构设计方法对火灾过程中的一氧化碳 CO、烟雾指数、火焰指数、温度T数据进行建模，预测下一时刻火灾发生概率，其中，自组织 结构设计方法为动态增删减法，具体步骤如下：
[0011] 步骤11:采集标准无火、标准明火以及标准阴燃火条件下的监控点环境参数，获 得若干组数据；
[0012] 步骤12 :对数据进行归一化处理，剔除异常数据，并利用主元分析法对数据进行 标准化处理，获取建立模型的数据组；
[0013] 步骤13:建立神经网络模型，初始结构为M-N-1，初始权值为随机值，其中， Xl，x2，…，xM表示神经网络的输入，即温度T、CO、烟雾指数、火焰指数；yd表示神经网络 的期望输出，即火灾概率值；共有k个训练样本，设第t个训练样本为Xl(t)，x2(t)，… ，Xl (t)，yd (t)，贝Ij用第t个训练样本训练神经网络时，隐含层第j个神经元的输出表示为：
输出f，f为sigmoid函数，其形式为：
[0016] 隐含层神经元输出和神经网络输出的关系为：
[0018] 其中，< 为输出层权值，y为神经网络的实际输出；
[0019] 定义误差函数为
[0021] 步骤14 :根据采集的实时数据，实现网络结构的动态调整；
[0022] 步骤15 :根据预测精度，对网络结构进行训练，计算评价误差Em:
[0024] 其中，Et为神经网络训练至第t步时的误差，第一次的训练误差为Elp，己为自适应 训练步长：
[0026] 其中，y>l，AEmax= |E〇p_Elp| ;
[0027] 步骤16 :根据步骤105得到的训练步长对神经网络再次进行训练并跳转至步骤 104,重复执行步骤104-106,直到满足误差要求，最后得到室内火灾生概率预估模：
[0029] 作为进一步优选，步骤14中，网络结构的动态调整，计算隐含层神经元的全局显 著性指数，利用动态增-减法实现网络结构的自组织，具体步骤如下：
[0030] 步骤141 :计算隐含层每个神经元的全局显著性指数0S，公式如下：
[0032] 其中，OS』为隐含层第j个神经元的全局显著性指数；k为隐含层神经元个数；SIGj 为隐含层第j个神经元的显著性指数，计算公式如下；
[0034] 其中，M为输入层神经元个数；wj"为神经网络训练终止时输入层第i个神经元与 隐含层第j个神经元之间的连接权值；为神经网络训练初始时输入层第i个神经元与 隐含层第j个神经元之间的连接权值；〇」为隐含层第j个神经元输出的方差；
[0035] 步骤142 :网络结构的自组织，即隐含层神经元的增删减；
[0036] 如果隐含层第j个神经元的全局显著性指数满足条件时，则增加H隐含层节点数， 其中H= 3或H= 2 ;
[0038] 其中，Op02为设定的增长阈值，增加的隐含层神经元的权值调整如下：
ffl ffi
[0040] 其中，表示新增隐含层神经元与输入层第i个神经元之间的连接权值；Wy 表示新增隐含层神经元与输出层神经元之间的连接权值;Wij表示输入层第i个神经元和隐 含层第j个神经元之间的权值表示隐含层第j个神经元和输出层神经元之间的权值；am 的选择服从均值为〇,方差为1的高斯分布。
[0041] 如果隐含层第j个神经元全局显著性较低，满足
[0042] OSj^ Re
[0043] 则将第j个神经元删除，其中，Re为设定的删减阈值。
[0044] 作为优选，利用无线连接完成监控节点采集的数据与上位机的连接，并利用训练 好的模型实现数据的分析，并得到当前火灾发生率的预估值，判断室内环境情况，即明火、 阴燃火。
[0045] 作为优选，根据火灾判断情况，连接触动节点，实现对联动控制器的控制，并根据 室内情况，启动联动灭火装置，完成火情的处理。
[0046] 由于采用了上述技术方案，本发明的有益效果是：
[0047] 本发明的一种基于自组织神经网络的火灾预测方法，采用多个传感器，利用传感 器组实现环境参数的采集，减少了误报和漏报概率，提高了对明火、阴燃火的判断能力；采 用无线路由实现出线的无线传输，避免了布线和维修难的问题，降低了计算机存储空间；采 用隐含层节点增-减法现实了网络结构的动态调整，提高了对火灾信号的适应能力和实时 处理能力，提高了数据的正确性；配合ARM联动控制系统，对发生的明火、阴燃火进行实时 处理，并实现准确定位、GIS显示、报警和自动灭火，很好的实现了远程控制，提高了系统整 体的可靠性和实时性。
【附图说明】
[0048] 图1是本发明的神经网络结构框图。
[0049] 图2是本发明的火灾预测系统结构框图。
[0050] 图3是本发明的火灾预测方法流程图。
【具体实施方式】
[0051] 参照图1-3,本发明的一种基于自组织神经网络的火灾预测方法，包括以下步骤：
[0052] 步骤1 :在上位机内基于自组织神经网络建立火灾发生概率预估模型；
[0053] 步骤2 :在所设的监控点处安装传感器组，并采集环境参数，并将采集的实时数据 通过路由器传输到上位机；
[0054] 步骤3 :上位机将接收的数据输入到火灾发生概率预估模型中，获得当前环境下 对应的火灾概率值，并判定是否存在火情；
[0055] 步骤4:将火情信息传输到联动控制器，驱动联动灭火装置，进而实现报警和自动 灭火。
[0056] 具体地，步骤1中用神经网络自组织结构设计方法对火灾过程中的CO、烟雾指数、 火焰指数、温度数据进行建模，预测下一时刻火灾发生概率，其中，自组织结构设计方法为 动态增删减法，具体步骤如下：
[0057] 步骤11 :在标准实验室环境下，利用传感器分别采集标准无火、明火和阴燃火条 件下CO、T、烟雾指数、火焰指数数据；
[0058] 步骤12 :利用数据归一化方法剔除异常数据，方法如下；
[0060] 其中，i火灾过程中采集的样本组数，即环境参数的组数；j为该组样本中第j个环 境指标，Xij为第i组环境参数的第j个火灾参数指标，.为第j个环境参数指标的均值， Sjj为环境参数xj的标准差；
[0061] 利用主元分析法对归一化数据后的数据进行标准化处理，归一化后的样本数据 按列组成原始数据矩阵，X= 得到数据矩阵x的协方差矩阵s，矩阵s的特征 根依次排列为AX2多...X 〇,与其对应的单位正交特征向量组成的矩阵（即负荷 矩阵）为1 = [/^乙2,...，1/,_|,:将矩阵叉分解成主成分的分矩阵1'，负荷矩阵1的外积加上 残差项E，即
[0062]x=TLt+E=T1L1t+T2L2t+LTqLqT+E
[0063] 若累计方差贡献率
，则认为该环境参数与火灾发生 率相关性高，可作为模型建立的辅助变量。经过主元分析后，得到模型的输入变量。
[0064] 步骤13 :建立神经网络模型，初始结构为M-N-1，初始权值为随机值，其中， Xl，x2，…，xM表示神经网络的输入，即温度T、一氧化碳CO、烟雾指数、火焰指数；yd表示神经 网络的期望输出，即火灾概率值；共有k个训练样本，设第t个训练样本为^(〇，12(〇，~ ，Xl (t)，yd⑴，贝1」用第t个训练样本训练神经网络时，隐含层第j个神经元的输出表示为：
输出f，f为sigmoid函数，其形式为：
[0067] 隐含层神经元输出和神经网络输出的关系为：
[0069] 其中，<为输出层权值，y为神经网络的实际输出；
[0070] 定义误差函数为
[0072] 步骤14:根据采集的实时数据，实现网络结构的动态调整；