基于模糊神经网络的火灾识别算法

火灾自动识别能够及时准确预报火情。在森林大空间的环境中,由于火灾信号具有非线性和不确定性,将采集的探测信号做简单的分析与比较,误报率比较高。如何融合几个传感器的信号进行有效地火灾识别是一个难点。为提高预测的准确性,针对传统的森林火情预测系统误报率高的缺点,提出一种基于模糊神经网络的火灾识别算法。首先,将模糊控制和神经网络以串联的方式结合,将采集的传感器信号进行处理后送入三层前馈BP网络进行处理,输出明火概率、阴燃火概率、无火概率,然后,将它们作为模糊控制系统的输入,模糊化后进行模糊推理,最后去模糊化得出火灾概率大小。并利用MATLAB工具箱对构建的算法模型进行仿真分析,仿真结果表明,本文的方法能够有效地融合多个火灾探测传感器的信号,快速而准确的判断出火情的大小,提高火灾识别的准确率,减少误报率。     

基于RBF神经网络的火灾探测器模型研究

针对目前火灾探测技术难以满足实际需要的问题,在分析RBF网络结构特点及最近邻聚类学习算法的基础上,提出用RBF神经网络建立火灾探测器模型,以火灾初期实验得到的环境温度、烟雾浓度、CO含量为输入,以明火概率、阴燃火概率、无火概率为输出对RBF网络进行训练,并进行仿真试验,结果表明,实际输出与期望输出的相差较小。     

基于D-S证据理论的飞机火警系统研究

研究准确识别飞机火警系统,由于飞机火灾火势猛,突发性强,飞机火警系统误报率较高.为提高识别火警准确率,提出一种D-S证据理论的数据融合方案.对机舱内燃烧时的温度、烟雾浓度、光亮度等火情特征参量进行判断,分析特征参量的内在特性和常见的火情信息处理流程.采用多传感器多周期的时空融合方法对火情信息进行识别,得出火灾的四种不同状态类型:明火、阴燃火、无火灾、无法识别,并进行仿真,结果表明,根据D-S理论进行数据融合结果对火警识别具有较高的准确度和可信性,为设计提供了依据.     

智能家居火灾预警系统建模与分析

为了实现让智能家居系统能够对家居火灾进行早期预报并及时准确的报警,从而保护家居环境和人身财产安全,开发了一种智能家居火灾预警系统。在预警系统中采用BP神经网络建立火灾预测模型,把家居温度、烟雾浓度、一氧化碳气体浓度多火灾信息作为输入参数,明火发生概率、阴燃火发生概率、无火发生概率作为输出,同时结合使用LM算法以及遗传算法对火灾预测模型进行大幅度优化。实验表明,该预警系统预测精度较高,有效的改善了传统火灾预测智能化程度低的问题     

模糊神经网络在火灾探测中的应用

为进一步提高火灾探测系统的识别精度,设计了温度-火焰复合探测系统.依据特种火灾探测器国家标准,采集了大量试验数据,分析了目前广泛应用的火灾探测算法,建立了串联型模糊神经网络,实现了基于模糊神经网络的火灾识别.仿真结果表明,与单独采用BP神经网络相比,采用模糊神经网络将识别率提高了3％,该方法可有效应用于火灾探测中.     

火灾探测信号的智能处理算法

针对火灾探测的特点,提出了一种处理火灾探测信号的智能算法,将模糊系统和神经网络有机结合,实现模糊系统设计参数的自动调整。依据模糊神经网络算法的要求,完成了网络结构的设计,并给出了相应的计算模型,用改进的BP算法对网络进行学习和训练。将该算法应用于火灾探测中能够减少火灾的误报率,最后,根据国家标准试验火数据进行网络测试,仿真结果表明了算法的有效性和可行性。     

基于模糊神经网络的中庭火灾探测仿真研究

中庭式大空间建筑,由于特殊的结构形式,缺少分隔物,防火性差。针对中庭早期火灾探测的准确性与及时性和烟气的有效排放的要求,根据区域模型思想,分析了大空间内火灾烟气的发展过程,并推导出了烟气层高度发展的数学模型,在分析中庭火灾实验数据的基础上,总结出中庭火灾烟气流动特性,提出采用神经网络技术和模糊控制技术二者长处,构成模糊神经网络,将不同类型的火灾探测器的输出信号模糊化后送入神经网络并行处理,模糊系统利用指派法确定隶属度函数,用BP算法进行网络参数的训练,可由模糊逻辑判决火灾和非火灾。仿真结果表明,模糊神经网络能够准确探测各种试验火与标准火,为探测火灾提供了有效方法。     

模糊神经网络技术在火灾探测信号处理中的应用

本文结合火灾探测信号的特点,提出一种将模糊神经网络应用于火灾探测报警系统的方法,实现模糊神经网络系统的自学习和自适应功能.依据模糊神经网络算法的要求,完成了网络结构的设计,并用BP算法对网络进行学习和训练.有效提高火灾报警的准确性,减少了火灾报警系统漏报率和误报率.     

基于无线传感器网络的多参数火灾探测节点研究

设计了基于无线传感器网络的多参数无线火灾探测节点,实现对温度、湿度和烟雾的自动探测,通过多参数符合探测方法来降低火灾误报率,实现对火灾的可靠监测.针对火灾特征参数多跳传输提出一种基于CSMA/CA机制的最短路径路由算法,探测器能自动组网实现对火灾特征参数的无线实时监测.实验结果表明,探测器单跳通信距离最远可达100米,多跳通信每跳传输延时约50 ms,对火灾烟雾响应达到I级灵敏度,湿度参数可有效消除水汽引起的火灾误报.     

数据融合技术在智能建筑火灾探测中的应用研究

针对目前智能建筑火灾探测的复杂性,采用离子感烟探测器、光电感烟探测器、温度探测器、火焰探测器来探测复杂的火灾场地,使用BP神经网络和基于D-S证据理论的多传感器数据融合技术对探测到的数据进行处理和仿真。从仿真结果可以看出,数据融合技术能提高火灾识别率,降低火灾误报率     

Energy-based blob analysis for improving precision of skin segmentation

This paper addresses a problem of precise skin segmentation necessary for sign language recognition purposes. The main contribution of the presented research is an adaptive skin model enhanced with a blob analysis algorithm which significantly reduces false positives and improves skin segmentation precision. Adaptive skin detector utilizes a statistical skin color model updated dynamically based on a face region defined by eye positions. Face geometry is used for face and eye detection in luminance channel prior to the model adaptation. Color-based skin detectors classify every pixel separately which results in high false positives for background pixels which color is similar to human skin. The proposed blob analysis technique verifies detected skin regions by taking into account pixel topology. The experiments for ECU database showed that with the proposed approach false positive rate was reduced from 15.6% to 6% compared with a statistical model in RGB, which can be regarded as a significant improvement.     

基于ARM&μC/OS-Ⅱ的火灾复合探测系统

以ARM嵌入式微处理器为处理芯片,实时操作系统μC/OS-Ⅱ为软件平台,设计了火灾气体复合探测系统.该系统复合探测了火灾早期的表征气体CO、CO2,通过模糊C均值聚类算法的优化迭代,更准确地确定真假火灾的最佳聚类中心,将基于过程特征的火灾判据移植到该系统,完成了系统调试.实验证明,系统能够很好的实现火灾的早期报警,具有...     

基于LVQ神经网络的视频监控图像火焰检测与识别算法

针对传统火灾火焰探测技术存在不稳定、误判率高的缺点,提出了一种基于人工神经网络的火焰检测与识别算法。通过分析火焰图像的动态特性,利用火焰图像序列的离心率、放射性和整体移动等特征信息,结合学习向量量化(LVQ)神经网络进行训练仿真。实验结果表明,该算法能有效提高监控视频图像中可疑火焰的快速分类,稳定性强,具有较高的火焰识别准确率。     

一种SVM入侵检测的融合新策略

入侵检测是计算机网络安全中不可或缺的组成部分,其中异常检测更是该领域研究的热点内容。现有的检测方法中,SVM 能够在小样本条件下保持良好的检测状态。但是单一的SVM检测仍存在检测率不高、误报率过高等局限性。结合D-S证据理论,提出一种基于多SVM融合的异常检测方法,有效地弥补单个SVM检测的局限性。通过KDD99评测数据的评测实验表明,该方法有效地提高了入侵检测率的同时降低了误报率,大幅度地提高了入侵检测系统的检测性能。     

Multi-modal time-of-flight based fire detection

This paper proposes two novel time-of-flight based fire detection methods for indoor and outdoor fire detection. The indoor detector is based on the depth and amplitude image of a time-of-flight camera. Using this multi-modal information, flames can be detected very accurately by fast changing depth and amplitude disorder detection. In order to detect the fast changing depth, depth differences between consecutive frames are accumulated over time. Regions which have multiple pixels with a high accumulated depth difference are labeled as candidate flame regions. Simultaneously, the amplitude disorder is also investigated. Regions with high accumulative amplitude differences and high values in all detail images of the amplitude image its discrete wavelet transform, are also labeled as candidate flame regions. Finally, if one of the depth and amplitude candidate flame regions overlap, fire alarm is given. The outdoor detector, on the other hand, only differs from the indoor detector in one of its multi-modal inputs. As depth maps are unreliable in outdoor environments, the outdoor detector uses a visual flame detector instead of the fast changing depth detection. Experiments show that the proposed detectors have an average flame detection rate of 94% with no false positive detections.     

Fire detection algorithms for video images of large space structures

In large space structures, the latest fire detection methods are based on video image processing and data fusion. But the false positive rate and false negative rate remain unsatisfactory and need improving. The emphases of this paper are target extraction and recognition. A new adaptively updating target extraction algorithm (NAUTEA) is proposed by which the intact target can be extracted in time. In addition, some fire video image recognition algorithms, such as fuzzy neural network (FNN) and FGALSSVM (Fuzzy GALSSVM), are studied and improved. To verify the performance of these algorithms, a prototype system is developed, and a series of algorithm tests on a fire video are conducted. These tests make it clear that, the accurate, robust and real-time fire detection can be realized.     

基于模糊遗传算法的楼宇火灾报警系统

针对目前火灾报警系统中存在的敏感度低,可靠性差的现状,结合城市楼宇环境,提出并设计了一种基于模糊遗传算法的智能火灾报警系统,采用模糊算法提高报警系统灵敏度的同时,利用遗传算法的自适应能力对模糊隶属度进行优选,提高了整个系统的智能化程度和适应性,减少了火灾报警系统漏报率和误报率。     

基于HMM-SVM的图像型火焰识别

针对单一的隐马尔科夫模型在图像型火灾探测中误报率偏高的问题,提出了隐马尔科夫模型和支持向量机相结合的图像型火焰识别算法。对捕获到的图像进行运动区域检测和颜色分析,提取疑似火焰区域,利用隐马尔科夫模型计算疑似区域与火焰模型的相似度,并输入到训练好的支持向量机进行二次识别。实验结果表明,与传统单一隐马尔科夫模型相比,该方法可以有效地降低误报率,提高火焰识别准确性。