智能控制在火灾监测预警系统设计应用.docVIP

智能控制在火灾监测预警系统设计应用摘要：降低火灾报警系统的误报率、漏报率，对减少人身安全及财产的损失至关重要。本文根据火灾产生的复杂性，特殊性，将模糊神经网络应用在火灾探测系统中，智能化处理探测到的信息，提出模糊神经网络的结构及设计方案。用Matlab仿真结果证明模糊神经网络的应用可以明显的提高了火灾探测系统的灵活性. 关键词：火灾探测 模糊神经网络 智能 Matlab 根据燃烧对象，火灾分为A，B，C，D四种。A类火灾为固体可燃物引发的火灾，亦是最常见的燃烧对象；B类火灾为液体可燃物火灾；C类火灾为气体可燃物火灾；D类火灾为可燃金属火灾。火灾发生后蔓延速度极快，燃烧产生大量CO2，CO1等大量气体及烟雾，并伴随光、热，损失将不可估计。对待火灾，我们应采取“防消结合，预防为主”。火灾探测技术的应用便担任着前锋的作用，有效的提高探测器的灵敏度成为一个重大课题。本为将采用智能型报警系统，做早期发现和通报火灾，研究模糊神经网络的应用。 1.火灾探测系统 探测器是自定报警系统中的最重要部分。随着火灾的发生，火灾初期可燃物燃烧产生大量烟雾（S）和CO2，CO1等大量气体（G），火灾达到全火焰时温度（T）急剧上升，并伴随着光（L）和热（H）。因此在图书馆设感温探测器，感烟探测器，气体探测器及感光探测器。由于感烟探测器动作较早，可探测到70%以上的火灾，因此使用较为普遍。 2.模糊神经网络的结构设计 2.1 模糊神经网络的应用 模糊神经网络（Fuzzy Neural Network，简称FNN）是全部或部分采用模糊神经元所构成的一种可处理模糊信息的神经网络系统，也是现代热门研究是技术，是模糊控制与神经网络控制的有机结合，博采众长，以长补拙[1]。其特点是利用模糊逻辑较强的结构性知识表达能力和神经网络强大的自学能力与定量数据的直接处理能力，在温度、烟雾、气体、光等信号处理上，提高火灾探测的准确度、加快火情识别速度，使火灾报警信号处理更具逻辑性、可靠性，直接指导消防控制室的操作和应用，在火灾报警系统中发挥良好的作用。 2.2 模糊控制规则设计[2-3] 模糊控制规则可根据火灾发生可能性大小分为不可能即NP，可能性小即PS，一定发生即PB三种。隐层的温度隶属度生成函数采用三角函数： （ x - a）/（ b - a） a x b μ（x） = （ x - c）/ （ b - c） b x c 图1 隶属度函数 2.3神经网络模型 本文给出一个3层前馈网络结构，如图2所示。设输入信号为s：烟雾；g：CO2气体；t：温度；l：光；输入信号为第一层，含3个神经元；第二层为模糊层，设为9个节点，第三层为输出层，有3个节点，表示无火、火小和火灾发生。 图2 BP前馈网络模型 3.算法及Matlab 网络仿真 3.1 算法 本文采用反向传播算法，学习训练过程由正向信号传输和反向误差传播组成。当正向传输的实际输出与期望输出不符合时，转入误差反向传播。 输出误差逐层反向传播到隐层再到输入层。误差分给各层所有节点单元，获得各层单元的误差信号，且将该信号作为修正各单元权值的根据。通过不断的调整权值，训练到误差符合要求为止。 因此可知，设输入向量为X；隐层输出向量为Y；输出层输出向量为O；期望输出向量为T；输出层至隐层的权值矩阵为V；隐层至输入层权值为W。隐层，输出层的转换函数分别采用双曲正切S型函数tansig和S型对数函数logsig。 定义网络的输出误差函数为均方误差函数 E=1/2（T-O）2. 将输出误差函数展开到隐层，在展开到输入层，并通过调节权值和阈值改变误差E，从而减小误差。即： 对于输出层，设Y，δ0为输出层的误差信号，则输出层的权值调整△V=η（δ0YT） T； 对于输入层，设X，δy为隐含层的误差信号，则隐含层的权值调整为△W=η（δyXT） T， η为学习率，在0～1间取值，这里取值0.1。 具体算法步骤：①初始化，对所有权值赋予任意小量，并对阈值设定初值；②给定训练数据集，即提供向量X和期望输出Y；③计算实际输出y；④调整权值，按误差方向传播方向，从输出接点返回到隐层修正权值；⑤返回第②步重复计算，直至误差满足要求为止[4]。 3.2 Matlab 网络仿真 模糊规则层设9个节点，输出层有3个节点。用新浪天气给出的郑州市2012年8月1日到8月4日的天气，归一化处理：温度/100℃，加上天气特征值（0代表晴天，0.5代表阴天，1代表雨天），有4组数据。并将8月4日天气数据作为导师信号。打开Matlab的编辑，输入newff（）创建前向BP网络，使用神经元上的传递函数tansig（）及tansig（），建立一个训练函数使用