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：
[0073] 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：
[0075] 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；
[0077] 其中，M为输入层神经元个数；wf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；
[0078] 步骤142 :网络结构的自组织，即隐含层神经元的增删减；
[0079] 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 ;
[0081] 其中，Op 02为设定的增长阈值，增加的隐含层神经元的权值调整如下：
[0083] 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；Wj 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。
[0084] 如果隐含层第j个神经元全局显著性较低，满足
[0085] OSj^Re
[0086] 则将第j个神经元删除，其中，Re为设定的删减阈值。
[0087] 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:
[0089] 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，5为自适应 训练步长：
[0091]其中，y>l，AE-= |E0p_Elp| ;
[0092] 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：
[0094] 利用无线连接b完成监控节点a采集的数据与上位机c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。根据火灾判断情况，连接触动节点d，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。具体过程如下：
[0095] (1)数据的采集、处理和传输，在中国标准实验火SH1-SH4实验规则下，分别采集 标准无火、标准明火以及标准阴燃火条件下的室内环境参数，得到若干组室内环境数据，并 进行标准化处理，以作为室内火灾发生概率预估模型的建模数据样本，并利用Zigbee实现 与上位机的无线连接；
[0096] (2)模型的建立和动态调整：在上位机内利用神经网络建立火灾发生率的预估模 型，输入分别为温度T、一氧化碳CO、火焰指数和烟雾指数，输出为火灾发生率；模型的动态 调整方法为神经网络结构增-减法，算法具体如下：
[0097] ①创建一个初始结构为4-2-1的前馈神经网络，如图1，权值采用随机赋值的方 法，初次训练算法为梯度下降法，训练样本为160组，预测样本为64组，初始训练步数AT 选择1000 ;
[0098] ②判断误差E是否满足终止条件，若满足则转步骤⑨；否则转向步骤③；
[0099] ③计算隐含层每个神经元的全局显著性；
[0100] ④判断显著性指数是否满足增长条件，如果满足则转向步骤⑤，并对增-删减时 间间隔AT进行动态调整；否则转向步骤⑦；
[0101] ⑤隐含层神经元对应增加，并调整节点的输入输出权值；
[0102] ⑥对网络进行再次训练，并判断误差E是否满足终止条件，如果满足则转向步骤 ⑨；否则，转向步骤⑦；
[0103] ⑦判断显著性指数是否满足删除条件，如果满足则转向步骤⑧；否则，转向步骤 ②；
[0104] ⑧删除多余的隐含层节点，对应的权值置0 ;
[0105] ⑨神经网络训练结束；
[0106] (3)判断当前室内环境的火灾发生率，若为明火或阴燃火，则转到步骤（4)，如图 3,否则在上位机进行显示正常；
[0107] (4)利用A/D转换器对火灾型号进行转换，输出数字信号，利用联动控制器将信号 接入到ARM处理器中，实现火灾节点的定位和GIS的显示，启动报警装置。同时，利用ARM 处理器将信息反馈到联动控制系统中，由联动控制器触动灭火装置。
【主权项】
1. 一种基于自组织神经网络的火灾预测方法，其特征在于，包括w下步骤： 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； 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； 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； 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。2. 根据权利要求1所述的火灾预测方法，其特征在于，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C0、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： 步骤11 ;采集标准无火、标准明火W及标准阴燃火条件下的监控点环境参数，获得若 干组数据； 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； 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，Xi，X2,… ，Xm表示神经网络的输入，即温度T、C0、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xi(t)，X, (t)，…，xi(t)，yda)，则 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：其中，疋为神经网络的输入，>吃/为输入层权值，为隐含层第./个神经元的 输出f，f为sigmoid函数，其形式为；隐含层神经元输出和神经网络输出的关系为：其中，为输出层权值，y为神经网络的实际输出； 定义误差函数为步骤14 ;根据采集的实时数据，实现网络结构的动态调整； 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: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EIP, 0为自适应训 练步长：其中，丫〉1，AEmax= |E〇p-Eip| ; 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：3.根据权利要求2所述的火灾预测方法，其特征在于，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： 步骤141 ;计算隐含层每个神经元的全局显著性指数OS，公式如下：其中，OSj.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；其中，M为输入层神经元个数；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；0j.为隐含层第j个神经元输出的方差； 步骤142 ;网络结构的自组织，即隐含层神经元的增删减； 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 ;其中，〇1、化为设定的增长阔值，增加的隐含层神经元的权值调整如下：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；wji表示 新增隐含层神经元与输出层神经元之间的连接权值;Wu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；Wj.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0,方差为1的高斯分布。 如果隐含层第j个神经元全局显著性较低，满足OSj《Re 则将第j个神经元删除，其中，Re为设定的删减阔值。4. 根据权利要求1所述的火灾预测方法，其特征在于：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。5. 根据权利要求4所述的火灾预测方法，其特征在于：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。
【专利摘要】本发明公开了一种基于自组织神经网络的火灾预测方法，包括以下步骤：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；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；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；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。本发明的一种基于自组织神经网络的火灾探测方法，采用隐含层节点增-减法实现了网络结构的动态调整，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。
【IPC分类】G08B31/00, G08B17/00
【公开号】CN104933841
【申请号】CN201510218608
【发明人】雷丽霞, 颜帮全, 吕政宝, 李佛关
【申请人】重庆三峡学院
【公开日】2015年9月23日
【申请日】2015年4月30日