（通信与信息系统专业论文）基于模糊神经网络的智能火灾报警系统研究.pdf

哈尔滨工程大学硕士学位论文 摘要 将探测器的输出信号模糊化后送入神经网络进行处理，采用三层前馈 b p 神经网络结构，用b p 算法进行网络参数的训练，然后由模糊逻辑判决 火灾和非火灾。采用c + + 进行仿真。 本文首先阐述了模糊系统和神经网络在火灾探测中的应用依据，并对 模糊控制、神经网络以及模糊神经网络的发展和原理等进行综述。本文采 用模糊神经网络用于火灾探测中不仅能将模糊系统与神经网络的仿人思维 的功能与处理非线性结构的共同特点发挥出来，而且还能各取所长，共生 互补。 应用多层前馈网络构造模糊变量隶属函数和模糊推理控制模型，使神 经网络不再表现为黑箱式映射，其所有节点和参数都具有模糊系统等价意 义。将模糊规则与隶属度函数用神经网络表现出来，利用神经网络的自学 习特性实现隶属度函数和模糊规则的自动提取，可优化调整隶属函数，并 且模糊系统也弥补了神经网络运算速度慢的缺点，因此将其用于火灾探测 会具有较低的误报率、较高的可靠性和较强的环境适应能力。 同时，本文还提出了模糊神经网络用于火灾探测中的模型结构，详细 介绍了模糊神经网络的设计过程与算法，并对模糊神经网络进行训练，得 到较为满意的结果，证明了将模糊神经网络应用于火灾探测的思想是完全 符合实际要求的。 关键词：火灾探测；b p 神经网络；模糊系统 哈尔滨工程大学硕士学位论文 a b s t r a c t p u tt h e s i g n a i o fd e t e c t o r ，a f t e r f u z z y t r e a t m e n tl o a d st h e n e u r a l n e t w o r k a d o p tt h r e ef l o o ra h e a db p n e u r a ln e t w o r ks t r u c t u r e ，u s eb pa r i t h m e t i c t r a i n i n gn e t w o r kp a r a m e t e r , t h e n8 i v ef i r eo rn of i r e a d o p tc + + s i m u l a t i o n i tf i r s te x p a t i a t e so nt h eb a s i so fa p p l y i n gf u z z yn e u r a ln e t w o r ki nf i r e d e t e c t i o n 。i ta l s os u m m a r i z e st h ed e v e l o p m e n ta n dt h ep r i n c i p l eo f f u z z yc o n t r o l s y s t e m ，n e u r a ln e t w o r ka n df u z z yn e u r a ln e t w o r k t h ef u z z ys y s t e ma n dt h e n e u r a ln e t w o r kh a v et h ea b i l i 哆o fa p e r yt h o u g h t t h e yc a na l s od e a lw i t h n o n - l i n e a r i t ) rc o n f i g u r a t i o n t h ea p p l i c a t i o no ff u z z yn e u r a ln e t w o r ki nf i r ed e t e c t i o nc a no x e nt h e c h a r a c t e r i s t i ci nc o m m o no f t h ef u z z ys y s t e ma n dt h en e u r a ln e tw o r k w h e nt h e f u z z ys y s t e mi sc o m b i n e dw i t hn e u r a ln e t w o r k ，f u z z yr u l e sa n ds u b j e c t i o n f u n c t i o nc a nb ee x h i b i t e db yt h en e u r a ln e t w o r ka n db ep i c k e du pt h r o u g h s e l f - s t u d yt t a i to fn e u r a ln e t w o r k m o r e o v e r , f u z z ys y s t e mc a na l s om a k eu pt h e s h o r t c o m i n go fs l o wo p e r a t i o n a lr a t eo ft h en e u r a ln e t w o r k s of u z z yn e u r a l n e t w o r ki nf i r ed e t e c t i o nw i l lh a v el o w e rm i s i n f o r m a t i o nr a t e ，h i g h e rs e c u r i t y a n ds t r o n g e re n v i r o n m e n t a la d a p t i v ec a p a b i l i t y t h et h e s i sa l s oi n t r o d u c e st h ec o n s t r u c t i o no ff u z z yn e u r a ln e t w o r k ， e x p o u n d st h ed e s i g nc o u r s ea n dt h ea r i t h m e t i c b e s i d e s ，i tt r a i n st h ef u z z y n e u r a l n e t w o r ka n dg a i n st h es a t i s f y i n gr e s u l t s t l l i sw o r ks h o w st h a tt h et h o u g h ti s f e a s i b l e k e y w o r d s ：f i r ed e t e c t i o n ；b pf u z z ys y s t e m ；n e u r a ln e t w o r k 哈尔滨工程大学 学位论文原创性声明 本人郑重声明：本论文的所有工作，是在导师的指导下， 由作者本人独立完成的。有关观点、方法、数据和文献的引 用已在文中指出，并与参考文献相对应。除文中己注明引用 的内容外，本论文不包含任何其他个人或集体已经公开发表 的作品成果。对本文的研究作出重要贡献的个人和集体，均 已在文中以明确方式标明。本人完全意识到本声明的法律结 果由本人承担。 作者( 签字) ： 日期：伽7 年l 月7 1 日 ， 哈尔滨工程大学硕士学位论文 第1 章绪论 安全是人类生存和发展的基本条件，安定的环境是人类一切社会活动、 经济活动、科学研究活动的首要问题。因此，安全已成为人类文明、经济 发展、社会进步、安居乐业的象征，是人类研究的永恒课题。财富的大量 产生，人口的急剧增加，城市化进程的加快，导致人口和财富的高度集中。 新材料、新工艺的应用，使火灾造成的损失和影响越来越大。而火灾又是 一种发生频率最高的常见灾害。因此，火灾的预防和扑救就越来越受到国 家的高度重视和人们的广泛关注。世界上火灾自动探测技术已经有1 0 0 多 年的历史。综观这1 0 0 多年人类开发火灾自动报警系统的过程，可以看到 其发展方向。 1 1 火灾自动报警系统技术的发展历史和方向 1 8 9 0 年英国人研制成功感温式火灾探测器，开创了火灾自动探测报警 技术的纪元。从1 9 世纪4 0 年代到2 0 世纪4 0 年代1 2 】，感温探测器一直占据 主导地位。火灾自动报警系统处于初级发展阶段。这一时期探测器的主要 类型有：定温探测器、差温探测器和差定温组合式探测器。由于感温式探 测器的灵敏度较低，探测火灾的速度比较慢，尤其对阴燃火灾往往不响应， 因此，它一直无法较好地实现火灾早期报警要求。 从2 0 世纪4 0 年代到7 0 年代，离子型感烟探测器登上历史舞台。火灾 蔓延往往始于烟雾，感烟探测技术使人类在实现火灾早期报警方面向前迈 进一大步，立e , p 弓l 起人们重视并得到广泛应用。至1 9 7 0 年，整个欧洲已经 安装了近百万只。可以说，在这一时期，离子型感烟探测器以绝对优势占 据市场。 7 0 年代末，由于离子型感烟探测器的放射性问题、抗干扰能力以及稳 定性差误报率高等问题，一种更新的光电式感烟探测器得到大力研制和发 1 哈尔滨工程大学硕士学位论文 展，取得长足进展，并逐渐打破离子型感烟探测器的垄断局面。一般认为， 离子型感烟探测器更适合侦测焰火，而光电式探测器对缓慢的阴燃火比较 敏感。 从8 0 年代开始至今，总线制火灾自动报警系统蓬勃兴起。总线制的最 大优势在于施工开通简单以及能精确报警定位。随着模拟量可寻址技术的 出现，火灾探测技术进入智能化时代。微处理器、计算机及智能技术的最 新发展，更使得智能化模拟量报警系统得以实现应用，特别是一些人工智 能算法的引入，使火灾自动探铡报警技术发生了一场革命。 综上所述，智能化是整个火灾报警系统发展的必然趋势。 1 2 探测算法的研究发展过程 2 0 世纪9 0 年代前期，火灾探测器绝大多数采用接触式，其火灾探测 算法可归纳为： 1 阀值法 阀值法是一种最简便、应用最普遍的火灾探测算法。此方法是设置一 个( 或若干) 判断阀值，一旦检测到所探测的火灾物理信号超过判断阀值， 就发出火灾报警。 2 过程法 人们注意到早期火灾是一个发展过程，相应各物理特征参量也表现出 一定的发展规律。传感器把现场监测到的物理量信号的变化传送给计算机， 计算机将这种信号变化历程与事先存储的、由模拟实验得到的火灾信号变 化历程进行比较，做出火灾是否发生的判断，再根据这种判断决定是否给 出火灾报警信号。 9 0 年代后，火灾探测算法与人工智能、自动控制技术和信号处理等技 术广泛融合，推动其自身的发展。 人工智能技术的应甩 2 哈尔滨工程大学硕士学位论文 自从y o l 【a y m a ( 日本) 【3 】【4 】和s n 出a l l i s h i ( 日本) 【5 1 把神经网络和模 糊逻辑应用到火灾探测技术之后，它们已经成为提高现有探测系统性能的 利器。火灾探测系统不再单纯依靠开关量信号，而是反映火灾特征的模拟 量。神经网络的自学习能力使系统能适应环境变化，其容错能力又提高了 系统可靠性。国内外此方面的论文很多，m i l k e 2 a 1 6 】、吴龙标p 捌、何建华等 人【1o 】在这方面做了很多工作。模糊算法的应用使得神经网络输出处理也难 以判断的数据进行再加工，进一步提高报警的准确性。 人工智能与其它技术的融合 火灾探测技术在与其它技术的融合中得到不断发展。 在统计方法上，t h o m a sj m c a v o yc ta l i l2 j 提出一种基于统计的火灾 算法，它可以提高传统感烟探测器的准确度，尤其对阴燃火有良好的嫡应。 杨宗凯提出复合偏置滤波算法，应用单个火灾信号或综合两种信号特 征计算信号超过预定门限的持续时间，有效克服干扰信号。 王殊提出复合特定趋势算法。能够根据信号的稳定值识别复合信号位 于稳定值上方的正方向变化和稳定值下方的负方向变化趋势。在趋势判断 函数中引入判别门限，有效克服了随机噪声干扰。 另外，r i c h a r dw b u k o w s k ic t a l 提出了根据实际火灾的计算模型与 探测器信号进行匹配来判断火灾的新方法。 在火灾探测的基础研究上，将持续发展的方向有：如何预知现有探测 扑救系统的非理想的实际状况下的性能、如何区分与火灾现象具有相同或 相似产物的背景源、加热和燃烧状况下材料行为、如何探测低浓度的热解 或燃烧产物( 光、热、烟气) 等。 1 3 火灾探测技术研究的未来发展趋势 在探测应用技术方面，以下几个方面将进一步发展 1 其它领域豹新技术引发火灾探测技术的新途径； 哈尔滨工程大学硕士学位论文 2 多元复合探测和多判据探测【1 3 j ，其中尤以气体复合探测器为代表； 3 激光技术在火灾探铡中的应用。激光图像粒径分群将是一种有效的 火灾非火灾识别方法，激光前向后向散射的应用将极大改善光点激光感烟 探测的性能； 4 模糊逻辑、神经网络算法和其它小波变换的信号处理方法在探测算 法中的引入： 5 火灾探测技术与自动化、现代通信技术、智能大厦技术的进一步结 合，火灾探测系统更趋自动化、开放性和模块化。 1 4 本文的主要工作和章节安排 1 阐述在火灾探测中应用模糊系统和神经网络的主要依据，并介绍了 模糊系统和神经网络各自的特点和相结合的方式与优势所在。 2 详细叙述模糊系统、神经网络各自技术原理和模糊神经网络的构成， 并介绍了基于火灾探测的模糊神经网络的工作原理。 3 以三种不同参数探测器进行同时探测为例，提出了模糊神经网络火 灾探测算法模型的设计方案，并对此模糊神经网络的探测算法模型进行样 本训练，得到训练后的样本数据，并以训练样本值和偏离训练样本值分别 作为网络的输入，验证网络输出的正确性。 第1 章介绍火灾自动报警技术的发展历史、现状，研究火灾探测算法 的发展过程，并指明火灾探测技术未来的发展方向。 第2 章指出火灾探测的基本特征，明确火灾探测这种非线性结构问题 不能用经典数学建模方法分析，需要通过复合探测技术才能做出准确判断。 本章介绍模糊系统和神经网络各自的特点、不足，阐述了模糊系统和神经 网络相结合应用于火灾探测的理论基础，并给出两种技术相结合的模型。 第3 章首先介绍模糊技术的机理，实现模糊逻辑控制采用的方法。然 后阐述神经网络的工作原理。以b p 神经网络为例详细讨论了神经网络的结 4 哈尔滨工程大学硕士学位论文 构算法及学习过程，并提出改进措施。 第4 章设计了基于模糊神经网络的火灾报警系统结构模型，并给出学 习算法，对神经网络各层的节点权系数调整进行论证。设计了模糊神经网 络学习的具体步骤。通过对神经网络的仿真训练，达到了预期目的，证明 设计算法的可行性。 哈尔滨工程大学硕士学位论文 第2 章模糊神经网络在火灾探测中的应用 2 1 火灾探测的基本特征 物质在燃烧过程中，会产生燃烧气体、烟、热、火焰等一些物理现象， 所以火灾的探测，主要是探测物质燃烧过程中产生的各种物理量。为了准 确地预报火警，建立一个有效的火灾对象模型十分必要。但是，由于燃烧 物质的不同，特别是燃烧环境的差异，对应燃烧过程产生的各种物理现象 大相径庭。由传感器采集的火灾参数是事先未知的或不能确定的信号，它 不仅随火灾特征而变化，其它环境变化和电子噪声等都可能引起它的变化。 而且这种变化往往与火灾参数变化特征基本相似。在探测器的安装位置和 人的活动以及环境影响事先无法确定的情况下，无论采用什么样的固定算 法都是不能完全满足要求的。所以火灾探测是一种非线性结构问题，用经 典的数学建模方法很难精确描述它。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，它要求信号处理算法能够适用于难以建模的 非线性结构，适应各种环境的变化，自动调整参数以达到既能快速探测火 灾又有很低的误报警率。 2 2 火灾复合探测技术的应用 到目前为止，火灾探测报警技术已发展成为- f - j 多学科、多专业的综 合应用科学。在建筑、工业、国防和科学技术等各个领域得到广泛应用， 它已成为人类同火灾做斗争的重要手段，在预防火灾、保护国家经济建设 和人民生命财产安全方面发挥了巨大作用。现代火灾报警系统已全面向集 成化、智能化、多功能及总线传输化方向发展。火灾探测技术也开始从单 元探测向多元复合探测过渡。一种新型的多功能、高可靠性的多元复合探 测技术正在蓬勃兴起，并已取得较大进展。 6 哈尔滨工程大学硕士学位论文 现在普遍使用的光电感烟探测器和感温探测器【1 4 】，都有其各自的特点 和局限性。光电感烟探测器是对影响红外线、可见光和紫外电磁波谱区辐 射的吸收或散射的燃烧产物敏感的探测器，其特点是：抗气流干扰比离子 型感烟探测器稳定，环境温度和湿度变化对它的影响较小，对灰白色、粒 径较大的阴燃烟粒子的响应比离子型感烟探测器更灵敏。光电感烟探测器 不仅可以探测一般火情，还对阴燃火有极好的探测效果，只对燃烧产生的 不可见烟( 粒径小于0 4 pm ) 或明火的黑烟容易不报警：但是，两者都不 能区分是火灾的烟还是烹饪蒸汽或香烟的烟雾等，各种灰尘、水气和油雾 等粒子干扰同样对它们产生影响。尽管可以采用信号处理的方法抑制这些 干扰，但很难做到完全消除。感温探测器对阴燃火不敏感，响应速度慢， 不适合于探测早期火情，而且也不能区分是火灾的热还是空调或是烹饪蒸 汽的热。 正由于单元探测技术所采用的单一参数火灾探测器( 包括阀值触发式 和模拟量式) 对火灾特征信号响应灵敏度的不均匀性，导致它对实际火灾 的探测能力受到限制。尽管科研人员为改进和提高火灾探测技术水平进行 了艰苦的努力，使火灾探测器在灵敏度、可靠性和使用性能方面做过许多 技术改进，并取得了可喜成绩。例如，在消除电磁干扰、防虫措施、电子 元件可靠性、防止电流泄漏的涂层技术及无噪声光电感烟探测室等。但是 至今仍然没有一种单一参数火灾探测器能有效探测各类火情，人们要根据 不同的使用场所以及该场所可能会发生的火灾类型来合理选择火灾探测器 的种类。如果选择不当，就容易造成误报或漏报。加之现实中火灾的多样 性，又有较大的偶然性和不稳定性，使早期的火灾现象和虚假火灾现象常 常混杂在一起，很难及时做出准确判断。因此火灾误报率高。可以说，由 于误报警造成的一系列麻烦已成为一个不容忽视的社会问题，引起社会各 界的重视。 所以，单元火灾探测技术已经无法满足现实火灾报警需要，一种崭新 的多元复合探测技术悄然兴起。复合探测需要将多种不同参数类型的探测 哈尔滨工程大学硕士学位论文 信号，同时放在同环境中进行探测后，根据这几种探测信号之间的关系 得出是否发生火灾的结论。而此时，由于其参数的多变性，参数间的耦合 性等不确定因素的存在，对是否发生火灾的判断不能再单纯依靠阀值触发 式和模拟量式了。因为火灾发生时，在不同的使用场所以及该场所可能发 生的火灾类型都是不确定的。所以，这几种探测信号之间也是复杂的非线 性关系，用单一的数学模型很难描述，需要进行综合智能信号处理。而综 合智能信号处理决不是原有单一参数火灾探测器材的简单组合，而是根据 其同时测得的不同类型的火灾模拟量参数，转换成数字信号，然后经过综 合智能算法，以判断是否存在火灾危险。所以，复合探测技术也需要采用 能适用于处理难以建模的非线性结构问题。这样的复合探测算法不但能大 幅度提高可靠辨别真实与虚假火灾的能力，还对不同类型的火灾都具有较 高的灵敏度。 2 3 模糊系统和神经网络的特点 2 3 1 模糊系统的特点 模糊系统是利用模糊逻辑可用自然语言描述入的经验这一得天独厚的 长处，将系统信息经过模糊化处理，通过模糊关系的推理合成，产生相应 的模糊决策。模糊逻辑试图从人的思维特性，即语言和对外界认识的概念 上去研究智能。在应用中，模糊控制系统是以人对被控系统的控制经验来 设计控制器的，故特别适用于那些难以建模或无法建模的被控对象。典型 的模糊控制系统由三个模块构成：模糊化、模糊规则合成推理和模糊判决。 其核心是以自然语言表示的控制规则，易为人们所接受，且构造容易，鲁 棒性强。 模糊控制是基于专家经验和领域知识，通过被控对象的输出误差、误 差变化及模糊关系的推理合成获得控制量，它以规则的方式来存储知识， 运算简单，实时性好。由于使用了模糊信息，对测量噪声的抑制力较强， 哈尔滨工程大学硕士学位论文 因此，鲁棒性较好。但控制系统设计和品质的好坏受人为因素影响较大。 例如，隶属函数的选取、区域的划分和规则的制定等均需要依赖于专家经 验。模糊系统设计中往往包含相当多的经验成分，这使模糊控制系统性能 的优劣在很大程度上取决于设计者的经验与实际情况的符合程度。模糊控 制过程是一种先对变量论域离散、量化，再实施推理、决策的过程。本论 文中将误差反向传播学习算法引入模糊逻辑系统中，从而实现了从观测的 输入，输出数据中归纳出模糊规则，形成了稳定自适应模糊系统的概念，并 提出了一套一般性的设计方法，使模糊系统的性能得到明显改善。 2 3 2 神经网络的特点 神经网络力图从人脑的物理结构上研究人的智慧产生和形成。神经网 络在控制领域受到重视，主要归功于它的非线性映射能力、自学习适应能 力、联想记忆能力、并行信息处理方式及其优良的容错性能。这些特点使 神经网络非常适合于复杂系统的建模与控制，特别是当系统存在不确定因 素时，更体现了神经网络方法的优越性。 神经网络对知识的表达并非通过规则显示的，而是隐含分布在网络结 构的连接权重中。控制时，通过并行分布计算即可产生正确的输出，且其 权值可以通过对样本的训练状态进行物理上的解释，且修正运算量大，降 低了实时性。另外，预先给定的训练样本通常难以覆盖系统所有可能的情 况，往往造成控制器训练不充分，影响系统的控制品质。对在线训练的控 制器，控制初期的品质可能欠佳。 2 3 3 两者的差异 1 信息的获取 神经网络是通过自学习的方式获取知识的，网络的能力是通过反复学 习来实现的，并且神经网络还能自动地从环境中抽取特征，获取知识。模 糊系统是由人主观抽取规则，然后建立规则库来实现的。其不足是无法通 9 啥尔滨工程大学硕士学位论文 过自学习的方式来获取知识。特别是在无任何先验信息的情况下，将无法 建立隶属度函数和规则库。这一点，神经网络系统优越得多。 2 信息的存储与表达 神经网络所处理的信息一般是分布式存储在网络的连接权中。这些知 识在任意输入下通过网络又将在输出端回忆起原来的输入输出关系。 模糊系统是通过规则的形式存储知识的。知识的推理是通过存储的规 则匹配来实现的。神经网络系统的外推能力是由网络的结构决定的。网络 的规模确定，其所具有的推广能力也就确定了。而模糊系统的外推能力是 由建立的规则库来决定的，规则库中包含的人为因素很多。要想获得很好 的外推能力，需要精心选择模糊集隶属度函数和设计每条规则。 3 计算复杂度 神经网络的基本运算包括乘法、加法和指数算子【1 6 1 。为了达到预期的 目标函数值或指定收敛精度，往往需要大量的迭代时间，特别是网络的规 模很大，或面向问题特性没有选择好的情况下，一般要花费很长时间才能 收敛。模糊系统的基本运算是乘法和加法。在建立规则不多的情况下，能 很快达到终止值。所以，在处理速度上，神经网络系统比模糊系统要差。 4 计算精度要求 神经网络系统在网络的规模不受限制和训练时间无限制的情况下，可 以在任意精度上实现问题对象的非线性映射。模糊系统实现的是输入输出 模糊信息的非线性映射。因此。其精度往往要低。所以对计算复杂度低、 要求的精度不高的问题对象，可以使用模糊信息处理的方式来实现。 如上所述，模糊逻辑和神经网络在许多方面具有关联性和互补性。基 于以上分析，上述两类系统的相似性构成了融合的基础，而它们的不同点 又为融合方式的研究提供了可能。 1 0 哈尔滨工程大学硕士学位论文 2 4 火灾探测的智能化技术 增加系统的可靠性，使火灾探测报警智能化，是现代火灾探测报警技 术的发展方向。由于技术、成本等原因的限制，不可能将火灾发生时的各 种物理参数都通过传感器采集进来。因此，必须有一个优化的火灾探测智 能算法，能够根据有限的输入信号，做出准确判断。 如果要识别、控制一个对象，就要建立对象的模型。对象的模型越精 确，识别、控制的效果就越好。在这一点上，传统的识别控制技术与智能 识别、控制技术是一致的。但在如何构造对象模型上，二者有着本质的区 别。 传统的建模方法主要采取数学建模方法。这种方法的基础是将对象分 析得比较透彻、清楚。这就要求对象的结构比较简单，自身的规律特征比 较明显。但实际中的对象大多是比较复杂，一般不可能通过简单的函数关 系式直接进行描述。而智能化技术建模的方法就巧妙得多。它回避对系统 的直接分析，将系统看作是一个黑箱。通过模拟系统的外部特性。确切地 说，就是输入输出环节来模拟实际系统。模糊技术主要是通过隶属函数、 模糊规则来确定对象的输入输出关系。神经网络通过自学习来修正网络的 实际输出与样本之间的误差。 2 4 1 基于模糊逻辑的火灾探测技术 模糊逻辑的最大特征，就是它能将关于辨识对象的经验、知识，表示 成语言变量描述的规则，然后用这些规则去分辨、识别系统。因此，模糊 辨识特别适用于数学模型未知、复杂的非线性系统辨识。从信息观点来看， 模糊辨识是一类规则型的专家系统。 将模糊逻辑应用于火灾探测，首先必须建立对应的输入输出规则关系 库。这里的输入，对应的是传感器模糊化后的信号，输出对应的是火灾发 生的概率。规则库的建立是整个算法的关键。然而，火灾是一个非常复杂 哈尔滨工程大学硕士学位论文 的非线性结构对象。由于燃烧的物质不同、燃烧的环境不同等一系列因素 的影响，即使是人，也无法从有限的数据中总结出所有经验、规律。而模 糊技术最重要的就是模糊规则的建立。只有规则的全面、准确，才能保证 辨识的结果。因此，单纯依靠模糊逻辑，达不到理想的辨识效果。 2 4 2 基于神经网络的火灾探测技术 神经网络最大特点就是它的学习能力。它进一步简化了知识的表达。 定义网络结构后，它可以根据样本数据进行自学习，自我修正偏差，自行 “总结规律”，并将规则隐含在其权值中。 将神经网络应用于火灾探测技术，仅凭借有限的现场数据、实验数据 来构造规则是远远不够的。由于实验的环境与现场的环境是有差别的，而 火灾信号检测是一种特殊类型的信号检测，它不可能多次现场重复实验以 期获得所有状态的样本。因此，单纯依靠神经网络，同样不能达到理想的 效果。 因此，在火灾探测中，单纯依靠模糊逻辑或单纯依靠神经网络都存在 一定的局限性，不能达到很好的辨识效果。所以，将模糊逻辑和神经网络 相结合应用于火灾探测的思想应运而生。 2 5 模糊逻辑和神经网络的结合 神经网络的兴趣在于人脑的微观结构，并通过有自学习、自组织、自 适应功能的神经网络上的非线性并行分散动力学，对无法语言化的模式信 息进行处理。 模糊逻辑则着眼于可用语言和概念表述的人脑的宏观功能。它根据人 为定义的隶属函数和一系列串并行规则，用逻辑推理去处理各种模糊性信 息。 很明显，这两种方法都有它们的优点，也存在不足。把这两种方法相 哈尔滨工程大学硕士学位论文 结合，就可以取长补短，从而产生一种最有效的人工智能研究方法。 一般来说，模糊逻辑用于处理模糊信息，这符合人脑的处理功能。模 糊理论的基本概念就是隶属函数。在表示普通集合时，人们用特征函数说 明普通集合的边界。特征函数只能取离散值的0 或1 。模糊集合则用隶属函 数表示其边界。隶属函数可以取0 1 的连续值。输入的确定性信息可以模 糊化为模糊量，其对应的隶属度值可以作为模式输入，而输出的模糊信息 又可以非模糊化为确定性的信息。因此，如果将神经网络系统与模糊理论 结合起来，形成模糊神经网络系统，可以充分利用两者的优势，获得更佳 的信号处理性能。在这样的系统中，通过神经网络模拟人脑的拓扑结构， 即“硬件”，模糊逻辑系统模拟信息模糊处理的思维能力，即“软件”。模 糊逻辑与神经网络的结合就产生了模糊神经网络 1 q 。 可以说，模糊神经网络汲取了生物控制论的精华，对信息存储与处理 是分布式和并行式的。在这种方式下，各种神经元在信息共享的基础上， 各部分信息相互支持、相互补充，各自独立地从与其输入端相连接的其它 神经元采集输入，并计算其输出，再将其传递给下一层( 或其它) 神经元， 作为它们的一个输入，或作为整个模型的输出，从而赋予整个模型较强的 容错抗错性能和联想能力，使它不会因为部分神经元的损坏而影响整体性 能，也不会因为输入信号受到一定程度的噪声污染而严重歪曲其输出。因 此，模糊神经网络具有鲁棒性。 模糊逻辑系统和人工神经网络结合的途径一般采用主从型结构。 2 5 1 主从型结构 如图2 1 所示。在这种结构中，模糊逻辑系统与人工神经网络一主一次。 通常先由模糊逻辑系统对数据样本进行处理。再由人工神经网络进一步完 善，或者相反。 哈尔滨工程大学硕士学位论文 语 旨 日 变 量 决策结果 图2 1 主从型结构模型 这种情况可以看成是两段推理或串联中的前者作为后者输入信号的预 处理部分。例如，应用神经网络预处理模糊系统的输入数据，可以实现数 据整理聚集和抑制噪声，使获得模糊规则的过程变得容易。主从型结构模 糊神经网络的最大特点是，模糊逻辑系统与人工神经网络相互独立。 陶瓣吲：= ：= 三 ：= ：= = 三h 案瓣 图2 2 串联型结构 根据主从型结构特点，能否将模糊系统和神经网络有机结合起来，让 一种结构融合于另一种结构中。这里，我提出一种构想，让神经网络结构 融合于模糊系统中。为此，提出一种融合型结构。详细设计过程将在后面 介绍。 4 哈尔滨工程大学硕士学位论文 2 5 2 融合型结构 网 络 输 入 图2 3 融合型结构框图 融合系统的主要优点 1 在融合型结构中，模糊逻辑系统与人工神经网络无主次之分，二者 相互融合。用其中一个来实现另一个不能实现或难以实现的功能。神经网 络的联想记忆功能和模糊逻辑的语言表达相互结合； 2 模糊语言的知识表达同神经网络的自学习能力相结合，基于知识表 示分类的在线学习： 赚瘳棚 图2 4 融合型结构 这里对于模糊神经网络的研究，主要以融合型结构为主，并且体现以 哈尔滨工程大学硕士学位论文 下三个方面： ( 1 ) 模糊推理技术加快神经网络学习速度，然后用此神经网络来构造 高性能的模糊逻辑系统； ( 2 ) 用神经网络提取模糊规则，使模糊逻辑系统也具有一定程度的“自 学习”能力。 ( 3 ) 实现模糊逻辑推理而输入量和权值都为精确值的神经网络。 火灾探测算法应用模糊逻辑和神经网络理论的优势 1 光电、感温、c o 气体等多种不同信号输入之间的关系复杂，无法 构建精确的数学模型，而神经网络、模糊逻辑系统都能很好地适用于数学 模型未知的结构： 2 对于火灾探测这种非线性结构问题，人的识别能力最强，而人的判 断是由大脑的神经网络完成。因此，很容易联想到采用类似人的神经网络 处理方法应用于火灾探测中。模糊系统也可以很好地实现仿人思维推理功 能。所以，模糊逻辑系统也被应用于火灾探测中。 2 6 本章小节 本章主要介绍了模糊神经网络的特点。结合火灾探测的基本特征，介 绍了基于模糊逻辑和神经网络的火灾探测技术，同时对模糊神经网络的结 构进行详细说明。模糊逻辑和神经网络二者取长补短，从而产生一种非常 有效的人工智能研究方法。 哈尔滨工程大学硕士学位论文 第3 章火灾探测的模糊神经网络模型 早期的火灾探测器，是一种单一参数的火灾探测器，对火灾特征信号 响应灵敏度不均匀，导致它对实际火灾探测能力受到限制。所以，采用多 元复合探测是必要的。光电感烟与感温复合探测是最常用的方式。但由于 光电感烟探测方法，各种灰尘、水汽、油雾等粒子干扰同样对它产生影响， 尽管可以采用信号处理的方法抑制这些干扰，但很难做到完全消除。感温 探测器对阴燃火不敏感，响应速度慢，不适合于探测早期火情，而且也不 能区分是火灾的热还是空调或烹饪蒸汽的热。所以，加入c o 气体一起复 合探测效果会更好。因为绝大多数火灾都要产生一氧化碳气体，在燃烧不 充分的火灾早期更是这样，且c o 气体比空气轻，扩散性比烟雾强，特别 是许多常用感烟探测方法的误报源并不产生c o 气体，例如灰尘、水汽和 油雾粒子等。因此，将c o 传感器引入火灾探测，是一种比较理想的早期 火灾探测方法。而感温探测器的信号采用温度变化趋势作为探测量，这样 就不会发生在我国南方和北方居民室内，由于温度相差悬殊，或同一地区， 随着季节不同，温度也变化很大，从而影响训练样本数据的准确性。 这里采用光电感烟探测、感温探测和c o 气体探测三种探测方式，进 行复合探测。下面分别阐述模糊技术、人工神经网络的算法与机理，以及 火灾探测的模糊神经网络的一般模型。 3 1 模糊逻辑系统 3 ，1 。1 模糊技术发展概况 模糊理论的创始人美国加州大学柏克莱分校的l a z a d c h 教授在1 9 6 5 年发表了关于模糊集的开创性论文。他在研究人类思维和判断过程的建模 中，提出了用模糊集作为定量化的手段。 1 7 哈尔滨工程大学硕士学位论文 1 9 7 4 年，英国q u e e nm a r r yc o l l e g e 的e h m a m d a n i 教授首先将模糊逻 辑应用到蒸汽发动机的压力和速度的控制中，取得了比常规的p i d 控制更 好的效果。随后不久，丹麦的f l s m i t h 公司于1 9 8 0 年成功地将模糊控制 理论应用到水泥窑的自动控制中郾l ，为模糊理论的实际应用开辟了崭新的 前景。 从此以后，模糊理论的应用，特别是在工业控制中的应用，得到了迅 速发展。尤其在日本，地铁自动操作的模糊控制系统、净水工厂药剂投量 的自动控制系统、模糊控制器的硬件、电梯群运行管理系统、全自动模糊 洗衣机、电饭锅等。目前，在日本迅速发展的模糊理论正向欧美延伸。模 糊理论在应用中越来越受到人们肯定。同时，在学术界也受到不同行业专 家的重视。有关模糊理论和应用的杂志、刊物达数十种。 我国模糊控制理论及应用研究始于1 9 7 9 年。至今已有2 0 多年时间。 在理论研究方面已居世界先进水平。 计算机不能象人脑一样进行思维、推理和判断，只有当给定准确信息 后，计算机才能做出相应的判断。但人脑即使只有部分信息，甚至不完全 准确信息的情况下，也能做出判断。计算机要模拟人的思维和判断过程， 就必须将人类的语言中所具有的多义、不确定信息定量表示出来，模糊集 的概念由此而来。其应用主要有以下几个方面。 1 将人的经验、常识等知识用适合计算机的形式表示出来； 2 建立人的感觉、语言表达方式和行动过程模型； 3 模拟人的思维、判断和推理过程； 4 将信息转换成容易被人理解的形式； 5 压缩信息。 模糊规则是定义在模糊集上的规则，可以用来表示专家经验、知识等。 由于模糊规则的表现方式自然，因此，用这种表达方式就比较容易获得专 家的经验。同样，计算机的运算结果能表示成模糊规则的形式，则它也容 易被人理解。 哈尔滨工程大学硕士学位论文 由一组模糊规则构成的模糊系统可代表一个输入、输出映射关系。从 理论上说，模糊系统可以近似任意的连续函数。要表示输入输出的函数关 系，模糊系统除了模糊规则外，还必须有模糊逻辑推理和反模糊化部分。 模糊逻辑推理就是根据模糊关系合成的方法，从数条同时起作用的模糊规 则中，按并行处理方式产生对应输入量的模糊子集。反模糊化过程是将输 出的模糊子集转化为非模糊的数字量。 模糊控制就是应用模糊集合理论，统筹考虑控制策略的一种控制方法。 它具有如下特征：不需要研究对象精确的数学模型，只要求有关控制经验 和知识，鲁棒性强，适用于非线性、时变和大滞后系统的控制。目前，模 糊控制正处于蓬勃发展之中，越来越受到人们的重视，成为智能控制领域 的重要研究方向。 由于模糊系统具有仿人思维能力，所以在火灾探测中，采用模糊控制 可以很好地实现仿人思维推理功能，并且模糊逻辑算法还能较好地协调报 警门限和报警延迟时间之间的关系，可以便火灾报警系统智能化水平大大 提高。m t h u i l l a r d 曾提出了用模糊逻辑判断离子感烟探测器环境条件和信 号趋势的方法【2 5 1 ，能够有效地减少离子感烟探测器的误报率。 3 1 2 模糊技术的机理 模糊辨识是一种不依赖于被辨识对象数学模型的仿人思维辨识技术。 它利用领域专家的先验知识进行近似推理。 模糊辨识的组成部分如图3 1 所示。 1 9 哈尔滨工程大学硕士学位论文 图3 1 模糊辨识系统结构 1 模糊逻辑系统具有许多重要优点 ( i ) 由于其输入、输出均为实型变量，故特别适用于工程应用系统； ( 2 ) 它提供了一种描述专家知识的模糊“i f - t h e n ”一般化模式： ( 3 ) 模糊化、模糊逻辑推理和模糊清晰化的选择有很大的自由度。 因此，当用模糊逻辑系统解决某些特殊问题时，可通过学习的方法， 选取最优的模糊逻辑系统，使之能有效利用数据和语言两类信息。 输入、输出的规范化是指规范化的输入、输出限制在规定的范围内， 以便于辨识的设计和实现。因为辨识系统的输入值一般都不是模糊数，因 此，模糊化的过程就是将输入值转化为模糊量。模糊逻辑推理决定输出量 的一个分布函数。清晰化过程将输出量的分布函数转换成规范化的输出量。 最后，辨识系统将规范化的输出量转换为实际的输出值。 2 模糊辨识系统的设计主要分为以下四个部分 ( 1 ) 输入量、输出量的模糊量化和标定 以输入量之一的烟雾信号浓度为例，首先要定出输入量信号的上下限， 作为误差论域u ，其次，要给出浓度信号的模糊化等级，比如，分成七级， 正大( p b ) 、正中( p m ) 、正小( p s ) 、零( z o ) 、负小( n s ) 、负中( n m ) 、 负大( n b ) 。它们分别是论域u 上的模糊集。然后建立这些模糊集的隶属 函数。隶属函数可选用三角形函数、高斯函数、s i g m o i d 函数等。图3 2 给 出隶属函数为三角形模糊数的图形。 哈尔滨工程大学硕士学位论文 以) ( 汀 图3 2 三角形隶属函数 这里给出的是连续的隶属函数。实际应用中要把论域离散化，每一隶 属函数表现为离散论域上的一组向量。 对于温度信号和c o 气体信号，也可以分别做类似处理。这样，就可 以构造出三组模糊集 a i 、 b i ) 、 c i ，它们分别表示烟雾浓度信号、温度 信号、c o 气体信号的模糊量化等级。 ( 2 ) 建立控制规则表 建立控制规则是设计模糊辨识系统的核心。它们总是以“如果 则”的形式出现。以两个输入( 烟雾浓度信号a ，温度信号b ) 和一 个输出( 火灾概率c ) 的辨识系统为例，其规则一般可表示为： “若a 且b ，则c ”。比如，“若烟雾浓度大，且温度高，则火灾概率 为0 9 ”就是这类规则的例子。控制规则不止是一条，但也不会太多。如果 两个输入均量化为七级，则规则最多有4 9 条。根据现实情况，相同的规则 可以合并，但不允许出现矛盾的规则。 ( 3 ) 建立控制推理关系 每一条辨识规则都是一条模糊语句，所有规则恰好是一组多重复合的 模糊蕴含 9 1 ，按照模糊推理的规定，以第i 条规则对应于推理关系r i ： r ： 4 置q 垤，y ，u置0 ，y ，“) = 4 ( x ) 丑( 力 ) ( 3 - 1 ) 所有n 条规则对应于总的模糊推理关系r ： 2 1 哈尔滨工程大学硕士学位论文 r = u 足= u 4 旦c f ( 3 - 2 ) 忙il = l v x ，y ，“，r ( x ，y ，“) 2 蚤( 4 0 ) 骂( y ) e ( “” 关系r 是所有模糊辨识规则的概括，它决定了模糊辨识系统的性能。 ( 4 ) 生成输入输出规则表 不管采用什么样的数学模型，模糊控制的最后执行是查找规则表。模 糊辨识算法是模糊推理的具体应用。对于任意给定的输入： “若烟雾浓度信号是a ，且温度信号是b ，问输出火灾概率c 如何? 这可以由模糊关系r ，进行模糊推理得到： c = ( 4 f x b o r ( 3 - 3 ) v u u ，c x “) = v ( a ( x ) 曰x 力 r ( x ，y ，“) ) 如此得到c 是辨识论域上的一个模糊集。c ( “) 给出的是各个概率的隶 属度。究竞从中选取哪个概率值，还要对模糊辨识输出进行非模糊化处理， 即模糊判决。最常用的方法有最大隶属度法、重心法。以重心法为例： c ) 3 2 神经网络 3 2 1 神经网络的研究及发展历史 ( 3 4 ) 神经网络是指由大量与生物神经系统的神经细胞相类似的人工神经元 互连而组成的网络，或由大量像生物神经元的处理单元并联互连而成。这 种神经网络具有某些智能和仿人控制功能。它类似于人脑，也具有学习功 哈尔滨工程大学硕士学位论文 能。它对智能控制的发展和应用将产生深远影响。 神经网络的探索性研究始于2 0 世纪4 0 年代。在上世纪5 0 年代末6 0 年代初，神经网络理论在前面探索性工作基础上迎来第一次研究热潮。但 第一次热潮未能持续很久。自6 0 年代末至7 0 年代，神经网络研究经历了 低潮期。进入8 0 年代，神经网络研究又开始复苏。尤其是8 0 年代中期以 来，神经网络的应用研究取得了很大成就。涉及的面非常广泛，如计算机 视觉：语音识别、理解及合成：优化计算；智能控制及复杂系统分析；模 式识别：神经计算机的研制；知识处理；专家系统与人工智能等。涉及的 科学有神经生物学、认识科学、心理学、信息科学、计算机科学、微电子 学、光学及生物电子学等学科。 在火灾探测研究方面，对于火灾探测这种非线性结构问题，人的识别 能力最强。而人的判断是由其大脑的神经网络完成的。因此，联想到采用 类似人的神经网络的处理方法实现火灾探测也就十分自然了。人工神经网 络自8 0 年代复兴以来，以其具有自适应性、学习能力、容错能力和并行处 理等特性而迅速在信息处理领域得到应用，并为火灾信息处理开辟了崭新 的发展途径。y o l ( a y 锄a 采用三层前馈网络和反向传播学习( b p ) 算法， 提出火灾探测的神经网络方法，并分析对光电烟雾信号的斜率、持续时间 和烟雾、温度以及气体信号的情况，网络输出分别对应“火灾概率”、“火 灾危险性”、和“阴燃火可能性”。 在我国，虽然神经网络的研究起步较晚，但发展迅速。在1 9 9 4 年的第 三届中国人工智能联合学术会议上，发表了许多有价值的神经网络理论与 应用方面的论文。 3 2 2 神经网络的机理和学习算法 神经网络是一个并行和分布式的信息处理网络结构。该网络结构一般 由许多个神经元组成。每个神经元有一个单一输出，它可以连接到很多