模糊聚类分析在火灾早期探测系统中的应用.pdfVIP

模糊聚类分析在火灾早期探测系统中的应用 龚 雪 (安徽建筑工业学院，合肥安徽 230601) 摘 要：针对基于阀值的传统火灾探测算法在外界干扰下 ②用当前的聚类中心V“ 计算隶属度函数U“州 。 易频繁误报或漏报，以及响应时间过长等缺点，提出了采用模 模糊C均值聚类算法就是反复修改聚类中心和进 糊聚类分析的方法，对火灾早期的过程特征参数进行模糊聚类 行分类的过程，当算法收敛时就得到了各类的聚类中 划分。实验证明，该方法不但可以准确、可靠地进行火灾探测， 心以及各个样本对于各类的隶属度值，从而完成了模 还可以提前火灾报警时间。 糊聚类划分。 关键词：模糊C均值聚类算法；火灾早期探测；模式识别 中图分类号：X924，TP273．4 文献标志码：A 文章编号：1009—0029(2008)O1—0052—03 1 引 言 火灾是一个复杂的物理化学变化过程。在火灾的 发生、发展过程中，其变化规律具有确定性和随机性。 “真火灾”和“虚假火灾”的界限不分明，难以用简单的 判据进行判断。 传统的火灾探测算法采用阈值为火灾判别标准， 但阈值易受到随机干扰、环境变化等因素的影响，使火 灾探测器易产生误报和漏报。另外，阈值的选择通常会 使火灾响应时间集中在火灾中后期，难以对早期火灾 进行准确报警。 图1 FCM算法流程图 采用模糊聚类的方法建立火灾数据样本，对“真火 3 模糊聚类应用于火灾探测 灾”和“虚假火灾”类别的不确定性进行描述，对火灾早 通过对火灾早期过程特征的提取，CO和CO。体 期的过程特征参数进行模糊聚类划分，可以有效地提 积分数比值以及比值上升速率可以对真、假火灾发生、 高火灾报警的准确率，提前火灾报警的时间。 发展的过程进行较全面的描述。因此，将CO和CO。体 2 模糊C均值聚类算法的原理 积分数比值和比值上升速率作为火灾早期模糊聚类的 模糊c均值聚类算法是由隶属度确定每个数据点 特征参数。具体算法描述如下： 属于某个聚类的程度的一种聚类算法。根据加权广义 (1)选择 个具有典型代表性的CO和CO。体积分 欧氏权距离平方和最小的原理，建立全体样本对全体 数比值和比值上升速率作为数据样本，并输入； 类别(聚类中心)加权广义欧氏权距离平方和最小为目 (2)应用模糊c均值聚类方法，通过不断优化迭代 标函数的非线性规划模型。模糊c均值算法流程如图 计算真火灾和虚假火灾这两个模式的最佳聚类中心； 1所示，具体步骤如下： (3)输入待识别样本； (1)给定数据集X={z ，z2，…， )CR。( 为数据 (4)计算样本属于各个模式的隶属程度； 个数)，以及聚类类别数C和 ，f∈{2，3，…， 一1)， (5)通过最大隶属度原则和阈值原则对样本进行 ∈[1，。。]；设定迭代停止阈值e，设置迭代计数器z一0， 识别和归类； 初始化模糊划分矩阵U“ 一 u ] ∈Mfc。 (6)继续识别其它样本或结束。 (2)重复以下步骤，直至各样本的隶属度值稳定： 在模糊均值聚类算法中，加权指数 对聚类效果 ①用当前的隶属度函数计算或更新各类的聚类 有重要影响，合适的 值具有抑制噪声、平滑隶属函数 中心V“ ； 等功能。然而，如何选择一个最佳 值尚无理论指导，