火灾探测的数据融合技术.docx

火灾探测的数据融合技术

随着信息科学技术的发展，在20世纪七八十年代产生了数据融合技术。这一技术把多种传感器获得的数据进行“融合处理”，可以得到比任何单一传感器所获得数据更多的有用信息。数据融合处理的对象不仅是数据，也包括图像、音频、符号等，于是形成了一种共识的概念，谓之“多源信息融合”。简单地说，多源信息融合是指对多个载体内的信息进行综合处理以达到某一目的。近年来信息融合在众多领域内得到了广泛的发展。在火灾探测的应用领域，这一技术首先需要对探测器信息进行有效处理；其次利用数据融合算法对多种探测器的信息进行综合归纳和判断。采用数据融合技术有助于降低误判率并提高早期火灾预警的灵敏度和可靠性。

火灾探测信息处理算法

火灾具有随机性规律：从总体上来看，火灾的发生原因、发生形式、发生环境、可燃物种类、分布等诸多因素是不确定的。所以，火灾探测与其它典型的信号检测相比是一种十分困难的信号检测问题。很难直接运用于火灾的确定性数学模型对其特征参量进行分析识别。严格说来火灾探测是一种非结构问题。目前火灾探测普遍存在的并尚未完全解决的问题是：可得到的信号都是随机信号，它们的统计特征随时间或环境变化而变化，而需要被探测的情况（火灾），却极少出现，探测器几乎总是在输出正常情况下的信号；当探测信号的背景噪声很强时，其特征有时与需要被探测的信号极其相似，易于产生误报。因此，对于火灾探测系统，如何利用火灾探测信息的处理算法对火灾特征进行准确的分析识别是一个重要的问题。

火灾探测算法

直观算法

直观算法是最早使用和实际运用最多的一种方法。通常它仅对单传感器信号进行处理，通过对环境信息和典型的火灾信号的物理检测并转换为电信号，直接处理信号幅值来完成火灾探测。通常有两种形式：固定门限的识别方法和信号变化率的识别方法。前者设定一个固定阈值，探测到的信号超过该阈值一段时间后，判断是火灾。而后者根据探测到的信号的变化快慢来决定是否有火灾发生。

系统算法

试图将信号的特征用完整的数学式来描述的方法称为系统法。该类算法把采集的信号作为参数输入数学模型，用数学公式对它进行分析辨别，输出分析结果，以此判别火灾或非火灾。

统计检测算法

利用火灾信号的统计特性，将信号的统计检测方法应用于火灾探测信号处理之中，由此产生了火灾信号的统计检测算法。其中之一是功率谱火灾检测算法，这一类算法将火灾信号

认为是非平稳的随机过程，对这类随机信号用信号的二次统计方法来处理。

图象处理算法

计算机数字图像处理系统对图像中可能存在的火焰进行识别，给出存在火焰的可能性，在火焰监测子系统中，分别根据火焰的四个特征(即颜色、扰动、火焰局部形态、颜色分布)进行图像处理。或者根据悬浮的烟气颗粒数目、尺寸分布、烟气浓度及其湍流效应等火灾图像探测的重要影响因素，分析烟气的多参数特征，实现基于烟气多参数特征的火灾图像探测方法。

模糊理论算法

由于火灾信号的不确定性，获得信息的模糊性，因此出现了基于模糊理论的探测方法。将探测器监测的火灾参数变成模糊变量，即将其模糊化，形成前提模糊变量，作为模糊推理的输入，为模糊判断做准备。根据各前提模糊变量的模糊逻辑关系进行推理，判断该前提模糊变量能否构成结论模糊变量，即能否达到输出要求，也就是指探测器传来的火灾参数模糊化后是否满足火灾报警这一模糊集合的要求。将模糊推理得到的结论模糊变量变成确定量输出，即将模糊推理得到的这一结论模糊变量变成真实火警这一确定量输出。

神经网络算法

火灾探测是一种非结构性的问题，当前处理非结构性问题最有效的方法是人工神经网络。由于它的自学习功能，使探测系统能够适应环境的变化；它的容错能力又提高了系统的可靠性；其并行处理功能加快了系统探测速度，而且网络不需要固定的算法，因此神经网络算法是一种很有前途的火灾探测技术。

火灾探测算法的实现方式

火灾探测信息处理算法在模拟量火灾探测系统中十分重要。火灾探测信息处理算法的实现方式也是不可忽视的问题，它直接关系到火灾探测系统的响应速度、可靠性、兼容性、维护和升级及成本等性能指标。因此，在研究火灾探测算法时，需对其实现方式进行分析，从而使所得到的火灾探测算法性能最佳。火灾探测算法的实现方式可分为以下三种：集中式、探测器式和分布式。

集中式信息处理方式

集中式信息处理是指信息处理算法软件设置在火灾报警控制器中的微处理器内，探测器本身不具有信息处理功能，仅是一个纯粹的火灾传感器，探测器随时将采集到的信号传递给控制器，控制器对这些信号分别进行处理，根据处理结果输出报警或非报警信息，因此称为集中式信息处理方法。

探测器信息处理方式

探测器信息处理是将信息处理算法软件设置在探测器中的微处理器内，探测器不再是纯粹的传感器，而是集信号采集与信息处理于一身的智能火灾探测器。探测器不再需要向控制器传送传感信息，只需传送火灾或