模糊神经网络在火灾探测系统中的应用研究

1、研究与开发模糊神经网络在火灾探测系统中的应用研究付永丽董爱华（河南理工大学电气工程与自动化学院，河南 焦作 454000）摘要 为了降低火灾报警系统的误报率、漏报率，本文根据当今火灾探测的现状和人们对火灾报警系统的要求，结合火灾探测的特点，将模糊神经网络应用于火灾探测系统，对传感器检测到的数据进行智能化处理。本文介绍了模糊神经网络的设计过程和结构，最后通过Matlab仿真证明了该方法的可行性。关键词：模糊神经网络；火灾探测；可靠性；算法A Study on the Application of Fuzzy NeuralNetwork to a Fire Detection SystemFu Y

2、ongli Dong Aihua（School of Electrical Engineering & Automation of Henan Polytechnic University, Jiaozuo, Henan454000）Abstract In order to reduce the rates of alarm error and leakage of the fire alarm system, according to the current status of fire detection and the requirements of fire alarm sys

3、tem, a kind of fuzzy neural network is applied in the fire detection system to process the data detected by sensors intelligently. And the design of this fuzzy neural network and its structure are described in detail. At last, this method is proved to be feasible by the result of Matlab simulation.K

4、ey words：fuzzy neural network；fire detection；reliability；algorithm极作用。1 引言随着我国社会进步和经济的快速发展，人们的生活水平有了很大提高。然而，火灾事故也有增无减。如何防止火灾对社会财富和人身安全造成危害是值得研究的重要课题之一。但是目前现有火灾报警控制系统和其他类型的监控系统一样，存在着可靠性不高的问题，漏报、误报时有发生。为了解决“无灾误报”和“有灾不报”的现状，作者将模糊神经网络用于火灾探测系统中，对提高火灾探测的可靠性进行了大胆探索。模糊推理和神经网络是仿人类思维的智能化技术，已广泛应用于各类故障检测与诊断系统中。

5、因此，将智能化处理技术应用于火灾探测系统研究，将对提高火灾探测的可靠性以及降低火灾报警系统的误报、漏报率具有重要的积2 火灾报警系统基本组成火灾报警系统结构如图1所示，该系统由智能火灾报警集中控制器、区域控制器、探测器及各种输入输出模块组成1。智能火灾探测器安装在现场的各个部位，通过CAN总线和区域控制器相连接。智能火灾探测器将检测到的火灾信号和自身各种状态信号通过CAN总线送往区域控制器。区域控制器经过分析处理之后，对火灾事故发出声光报警信号。同时，区域控制器将收集到的各个火灾传感器信号，通过RS-485通信接口电路送往集中控制器。集中控制器负责管理各个区域控制器，实现报警、楼层动画显示、打

6、印、历史记录、远程报警控制等功能。河南省科技攻关项目（项目编号：0624460012）2008年第2期研究与开发在发生火灾时会引起环境温度上升、产生烟雾、光亮、CO气体等，同时环境温度、烟雾、光亮本身会随着具体环境、季节、昼夜而变化。所以本文把烟雾、温度、CO气体浓度这三种变量作为模糊变量，将这三个传感器的信息融合起来，从中提取有用信息，实现这一过程可用模糊算法。模糊系统是以模糊逻辑为基础，模糊系统的规则集和隶属函数等参数只能靠经验来选择，很难自动调整。但神经网络具有自学习功能2，因此这里采用神经网络构造模糊系统，用神经网络的自学习功能实现模糊系统的自适应性。系统的算法如图2所示。第一层第二层

7、第三层第四层第五层第六层图3 模糊神经网络结构图1 系统结构框图第一层为输入层，用于输入的是3种传感器检测的参量，分别是烟浓度信号、温度信号和CO气体浓度信号。因为输入节点物理量各不相同，数值相差很大。通过模糊神经网络首先将输入量模糊化，使输入量均变换成值域在01范围的隶属度函数。这不仅可以防止小数值被大数值淹没，也能防止因数值相差太大使网络校正进程缓慢。第一层的输出为：Oi1=xi （1）第二层为模糊化层，将各个输入变量分为三个语言变量值，Small（小）、Medium（中）、Large（大）。其隶属函数的表达式如下：12Small：Oij= （2） ij(xcij)1+e(xicij)2M

8、edium：Oij=e2Large：Oij=ij（3） （4）图2 模糊神经网络火灾探测算法此结构的原理如下：首先将模糊规则和隶属度函数用神经网络表示出来，将隶属度函数参数赋给神经网络的权值，生成的神经网络用于实现模糊推理；然后利用现场的训练样本数据，通过误差反向传播算法训练神经网络，修改神经网络的权值即修改了隶属度函数的参数，求得适合于此种现场环境的模糊规则。从神经网络中提取修改后的隶属度函数和模糊规则，将这些隶属度函数和模糊规则用于此现场环境下的模糊推理。此过程的实质就是把神经网络模糊化。11+eij(xcij)3 模糊神经网络的基本结构按照人的逻辑思维，根据模糊推理的运算方式，在实际的实

9、验中建立了模糊神经网络3，其拓扑结构如图3所示。输入信号选用3个，分别是感温信号x1、烟雾信号x2和CO信号x3。该模糊神经网络结构共有6层组成，各层的含义及作用如下。其中，cij，ij称为前提参数，隶属度函数的形状随这些参数的改变而改变。该层的作用是计算各输入量属于各语言变量值模糊集合的隶属度函数，即被模糊化。隶属度函数可选取一种参数或两种参数的函数，将其参数赋予到第二层的连接权值中，本设计中语言变量Small和Large的隶属函数采用sigmoid函数。语言变量Medium的隶属度函数采用的是高斯函数。cij和ij分别表示隶属度函数的中心和宽度，赋给神经网络权值；通过改变权值，即可改变隶属

10、度函数参数。由火灾发生时探测到的数据规律可知：探测器输入值越小，语言变量Small的隶属度值应该越大，语言变量Large的隶属度值应该越小；探测器输入值越大，则语言变量Small的隶属度值应该越小，语言变量Large的隶属度值应该越大。所以，语言变量Small和Large的隶属度函数都采用sigmoid函数，而语言变量Medium的隶属2008年第2期55研究与开发度函数在探测器输入值处于中间范围时，其隶属度函数值应为最大。由此，语言变量Medium的隶属函数选用高斯函数，这样可以更好的符合火灾探测的数据规律。各语言变量隶属度函数关系曲线如图4。给定前提参数后，该网络的输出可以表示成结论参数的

11、线性组合：O6=µ1µ1+µ2+"+µ27µ1+µ2+"+µ27µ27+r27µ1+µ2+"+µ27+iai0+(ix1)ai1+(ix2)ai2+(ix3)ai3r1+µ2r2+"（10）=110+(1x1)a11+(12)a12+(13)a13+"图4 隶属度函数4 网络学习算法及仿真对该网络进行训练时，需要对它的前提参数和结论参数进行学习。该网络是一个多层前馈网络，其参数学习可以采用梯度下降法，但由于该方法速度较慢且易陷

12、入局部最小，所以本文采用梯度下降法4与最小二乘法相结合的混合算法。在前向通道中，各结点的输出可向前输出至第4层，用最小二乘法辨识结论参数。在反向通道中误差信号反传，用梯度法(BP) 更新前提参数，从而改变隶属度函数的形状。在混合学习算法中，前提参数和结论参数的更新公式是分离的，所以可以采用梯度法的变形或其他优化算法来更新参数。把混合学习算法分为两个步骤：（1）确定前提参数的初始值，采用最小二乘法计算结论参数。由式（6）得：y = AX （11）式中，列向量X 的元素构成结论参数集合aj0, aj1,aj2, aj3。若已有p组输入输出数据对，且给定前提参数, 则矩阵A，X，y的维数分别为p&#

13、215;27(1+3)、27(1+3)×1 和p×1。样本数据个数选取应远大于未知参数的个数（即p远大于27(1+3)），使用最小二乘法可以使均方误差最小(minAX-y)，此时的参数最佳估计值为：X*=(ATA)1ATy （12）（2）根据上一步计算得到的结论参数进行误差计算，采用BP算法思想，将误差由输出端反向传播到输入端，用梯度下降法更新前提参数，从而改变隶属函数的形状。取误差函数为：(y)2（13） E=2其中，y和y分别表示神经网络实际输出和期望输出。其主要学习的参数为前件网络参数cij、ij，表第三层为规则层，这层的输入是第二层某三个节点的输出,输出是所有输入信

14、号的乘积，该层节点个数即为模糊规则的个数。模糊规则个数的计算公式为：m=M （5） 其中，N为输入量的个数；M为语言变量的个数。在此结构中N=3，M=3，所以m=27。该层的输出是：Nµj=x1ix2ix3i， j= 1, 2, , 27 （6）i=1i=1i=1333该网络结构模糊推理规则的输出是输入变量的线性组合，其模糊规则如下：if x1 is x1iand x2is x2iandx3 is x3i，Then ri=ai0+ai1x1+ai2x2+ai3x3式中：i=1，2，27；ai0，ai1，ai2，ai3为结论性参数。第四层为归一化层，该层节点的输出被称为归一化激活强度。

15、本层第i个节点计算来自前一层第i条规则激活强度与所有规则激活强度之和的比。k=µk/µi, k=1, 2, m （7）i=1m第五层：本层中的每个节点i的输出为：Oi5=iri=i(ai0+ai1x1+ai2x2+ai3x3), i = 1, 2 , ,m（8）式中，m为规则数目；µi为来自第3层的第i条规则的归一化激活强度；ri为规则参数集。 第六层为输出层，本层只包括一个节点，其输出是所有输入信号之和，即为火灾发生的概率：O6µr=r=µ27iiiii=1iii（9）2008年第2期研究与开发示如下：cij(t+1)=cij(t)E（14）

16、 cijE（15） ijij(t+1)=ij(t)其中，>0为学习速率。为检验上述算法的效果，这里采用Matlab软件进行仿真。仿真步骤：在command windows中输入fuzzy，回车后便可打开FIS的编辑界面。设定输入输出变量的参数，然后双击输入输出隶属度函数图标进行隶属函数编辑。接下来，双击FIS编辑器中间图标进入规则编辑器，将规则添入其中，最后，打开View菜单中的子菜单Surface选项，仿真结果如图5、图6、图7所示。仿真结果表明曲面光滑平整，模糊规则设计合理。图7 气体浓度、烟雾信号和火灾概率图5 结论本文将模糊理论与神经网络有机地融合在一起，建立了智能化的火灾判别算

17、法，使火灾探测系统具有了自学习、自适应能力。为验证该算法的可行性，采用Matlab软件进行了仿真，仿真结果表明该火灾探测系统具有较高的可靠性和环境适应能力。参考文献1 刘辉. 基于CAN总线的智能火灾报警系统的设计与实现J. 工业控制计算机, 2001, 14 (6): 23-24.2 杨效余, 钱玮. 模糊神经网络在火灾报警系统中的图5 烟雾、温度信号和火灾概率图应用J. 控制系统, 2006, 16 (1): 40-43.3 杨延西, 刘丁. 基于ANFIS的温度传感器非线性校正方法J. 仪器仪表学报, 2005, 26(5): 511-514.MATLAB6.5辅助神经网络4 飞思科技产品研发中心分析与设计. 北京: 电子工业出版社, 2003.图6 气体浓度、温度信号和火灾概率图2007年全球风能发电大幅增加据报道，自2006年起，全球风能发电的发展一路加速。数据统计显示，2006年全球风能发电装机容量增长幅度为26%，2007年全球风能装机容量，在上年的基础即2007年，全球风能累计装机容量达94 上又增长27%。超过90亿美元，因此风力发电能力提高了45