基于红紫外光电传感器的多波段火焰探测方法研究

针对不同火灾发生场景对火焰探测的要求,建立具有火灾特征的火灾探测模型,对多波段红紫外传感器火焰探测机理、多特征数据融合算法和火灾决策判断方法进行研究。选择185～260 nm波段的紫外光电传感器和3.6、4.4、4.8μm波段的红外光电传感器进行火焰探测,采集火焰特征信号数据信息;采用多信号数据融合和特征参数相关性算法,建立多波段火灾特征的火灾探测数学模型,模拟火灾发生场景,训练有关特征参数的最佳配置。研究结果表明,对185～260 nm波段的紫外光和3.6、4.4、4.8μm波段的红外光进行多波段火焰探测,能够满足标准GB 15631-2008《特种火灾探测器》的要求,火焰的识别和决策判断能力提高,试验中无误报和漏报。     

基于贝叶斯算法的火灾报警系统研究

针对传统的建筑火灾报警系统探测信号单一、功能简单等问题,提出了以单片机作为下位机、LabVIEW作为上位机,采用多种传感器信息融合的贝叶斯算法的火灾报警系统。该系统将贝叶斯融合算法应用于火灾报警探测中,将收集到的火灾数据进行预处理,同时利用MATLAB软件对贝叶斯网络算法的数据融合进行仿真分析。仿真结果表明,该系统能够实时监测建筑内火灾事故相关的环境因素,3个特征量的融合提高了对火灾特征信号响应的均衡度和准确度,进而极大地提高了系统可靠性,为建筑火灾报警系统的设计与应用提供参考。     

基于多传感器信息融合的火灾探测

采用多传感器进行火灾探测克服了单一传感器的不确定性和局限性,由多传感器复合而成的智能火灾探测器已成为火灾探测的发展趋势,多传感器信息融合算法也成为了人们研究的重点.本文从火灾传感嚣的分类、选择、多传感器信息融合算法等方面,讨论了火灾探测的研究现状,指出了无线传感器网络在火灾探测中的应用前景,展望了火灾探测的发展趋势.     

基于数据融合技术的无人值守变电站火灾探测算法研究

针对变电站传统火灾报警系统存在误报、漏报率高,无法根据站内不同区域重要性采取严格程度不同的火灾报警及消防措施问题,笔者提出一种基于数据融合技术的无人值守变电站火灾探测算法。在数据融合技术的特征层,采用BP神经网络对探测区域内温度、烟雾体积分数、CO体积分数3种特征参量进行数据融合,预测输出明燃火及阴燃火的概率;在决策层,通过模糊推理将特征层输出的火灾概率与火灾延续时间、火灾风险度和损害度3种附加信息进行数据融合,最终决策输出火灾报警等级。仿真测试结果表明：该算法能够快速准确识别出明燃火及阴燃火场景,并能根据不同探测区域的重要性差异给出合理报警决策,具有一定的灵活性和先进性。     

融合显著性注意机制火灾探测与识别

基于人眼视觉注意机理,提出了一种融合显著性注意机制的火灾探测与识别方法,即眼见为实。通过模拟人眼视觉,融合显著性注意机制提取图中重要信息,剔除冗余数据,确定疑似火灾区域,然后使用多类型SVM 训练和学习。实验表明,提出的融合显著性注意机制结合多函数核SVM 的探测方法具有准确度高、稳定性好、总体性能优良等优点。     

小空间火灾多元探测装置和实现方法研究

针对小空间火灾探测方法单一、误报漏报率高、采集数据处理简单的问题，提出1 种小空间火灾多元探测装置及方法，能够实现对火灾的烟雾、CO 气体、温度、火焰等的多元探测，多角度多方位采集火灾信号，利用信息融合技术和算法，寻找特征信息之间的规律，对数据信息进行分析解析、优化组合，运用人工神经网络和模糊推理方法，采取反复的样本训练将探测数据的误差降到最低，从而准确地判断火灾所处的阶段和类型，及时有效地采取灭火抑制措施。研究结果证明，小空间火灾多元探测方法能够满足小空间的火灾探测要求，减少了公共财产的损失，对火灾探测的进一步研究具有重要意义。     

火灾探测的多层数据融合方法

对不同燃烧物产生的烟、温、气体等火灾早期特性和典型非火灾干扰进行了试验研究．构建了相应的数据库。在数据库数据信息分析的基础上．应用数据融合技术的原理和方法．研究火灾早期产物属性的多信息识别以及火灾与典型干扰因素之间的辨识．提出火灾探测的多眉数据融合模型．形成基与火灾产物和过程的多信息智能火灾探测方法。建立火灾探测方法的评估验证体系．通过模拟评估测试．为性能改善和提高提供依据。     

基于机器学习的区域火灾分布特征分析方法

为定量分析区域的经济发展水平、人口密度、建筑密集度、消防站分布等因素与火灾发生的关系,引入多种机器学习分类算法进行研究。利用ArcGIS 10.2对非数值型数据进行处理,并根据渔网点内火灾核密度的高低进行等级划分,使变量转化成对应的数值型数据;在确保精度的条件下,利用多次随机森林算法进行特征筛选,并对筛选后的剩余特征进行深度学习训练,同时采用支持向量机算法对所有特征进行训练,并分别构建预测模型;最终将3种算法进行加权平均融合,并通过对比4种模型ROC曲线及分类的准确度进行相应分析。以重庆市火灾警情系统中统计的真实火灾数据为例进行分析的结果显示,4种模型的准确率均高于90%;3种算法耦合后模型准确度和Kappa值分别为0.980 7和0.843 6,其结果与3种单一模型相比较为稳定准确。     

LM算法在火灾早期探测中的应用

针对传统火灾探测方法在外界干扰下难以快速、准确地识别火灾,提出基于过程特征信息的神经网络火灾探测方法.选用CO和CO2气体体积分数比值、比值上升速率和加速度作为火灾过程特征参数,设计三层误差反向传播(BP)人工神经网络模型,采用改进的BP算法-LM算法进行网络学习训练.实验包括6种真实火灾源材料及蜡烛、香烟、液化气3种虚假火灾源材料.结果表明,基于LM算法的人工神经网络火灾探测系统能有效识别火灾,提高火灾探测的可靠性与准确性.     

基于无线传感器网络的火灾探测方法研究

针对火灾发生时的智能探测系统和方法进行研究。使用无线传感网络技术实现火灾探测传感单元的组网,提高传感单元的检测距离和可靠性。研究基于D-S证据理论的多传感器信息融合的火灾探测判别方法,将多个传感器的检测数据进行综合考虑,得出火灾发生的概率,提高火灾探测准确率。研究结果表明,使用多传感器融合方法后,对温度、CO或是烟雾传感器的数据进行全面考虑,判别火灾发生的概率和结果准确率较好,即使存在烟雾干扰信号的情况,可以有效屏蔽干扰信号,准确判断火灾发生。     

全局人工鱼群优化BP神经网络在火灾探测中的应用

针对传统的火灾探测器存在火灾报警准确性低、有延迟等问题,提出了利用全局人工鱼群算法优化BP神经网络的预测算法。该算法以温度、烟雾浓度和CO浓度为BP神经网络的输入,火灾的3个等级作为输出,融合了鱼群算法全局搜索能力强和鲁棒性强的特点。对BP神经网络的初始化权值和阈值进行优化,得到最优人工鱼后,用最优的权值和阈值进行神经网络训练,选取40组数据作为训练组,10组数据作为测试组。从仿真结果看,BP神经网络的训练和预测的误差分别为0.091 4和0.458 4,优化后的分别为0.045 2和0.088 2,且收敛速度变快,迭代次数减小,应用在火灾探测中有更多的优势。     

基于图像处理的火灾烟雾检测算法研究

在综述视频火灾探测技术的基本原理和现有视频火灾烟雾检测算法的基础上,提出了一种结合烟雾静态特征与动态特征进行研究的视频火灾烟雾检测算法。介绍运动区域目标检测与提取方法及效果,以及烟雾静态特征和动态特征的提取和分析。测试结果证明该算法能够准确且迅速地探测出火灾烟雾,误报率低,可靠性好。     

GA优化BP神经网络在多参量火灾探测中的应用

针对BP 神经网络的随机权重和阈值稳定性不高的问题,运用遗传算法(GA)对BP 神经网络的初始权重和阈值进行优化,提出了一种基于GA 优化BP 神经网络的多参量数据融合方法以实现火灾探测,提高火灾探测准确率和模型泛化性能,并利用该模型对标准明火和阴燃火中的温度、烟雾浓度和CO 浓度进行数据融合实现火灾探测。研究显示,相较单纯BP 神经网络,经GA 优化的BP 神经网络火灾探测算法能够更快速精确地实现火灾探测,探测精度有显著改善,火灾识别准确率提高至98.84%。     

专家模糊控制在火灾探测信息处理中的应用

对火灾过程产生的各种特征信号进行准确检测是确保及时可靠的火灾探测报警的重要前提,采用有效的火灾探测算法是关键所在。文章阐述了引入专家系统技术的模糊逻辑控制系统能够较好地处理火灾信息的随机性和非结构性等特征,从而达到既能快速探测火灾,又有较低的误报率的目的。     

受限空间火灾探测数据融合算法研究

为了实现对受限空间火灾发生情况多传感器自动探测信号处理,建立了基于CO浓度、烟气颗粒浓度、红外视频图像等多传感器探测的火灾探测数据融合分析系统.在受限空间内搭建基于多传感器火灾探测的数据融合分析实验平台.根据火灾红外视频图像的燃烧区域面积及圆形度等特征参数介绍了红外图像识别算法.在三种火灾探测方式特征参数的基础上提出了...     

多传感器融合的火灾识别算法研究

针对传统火灾探测存在反应滞后,误报率高等问题,提出一种基于多传感器融合的火灾识别算法。采用运动和颜色检测提取可见光图像的疑似火灾区域,同时采用阈值分割提取红外图像的疑似火灾区域。将两者疑似火灾区域分别进行特征提取,再根据所获特征进行基于 SVM 的融合火灾识别,通过传感器检测实时的温度与烟雾浓度,从而实现可靠和快速的火灾识别。实验结果表明,该火灾识别算法在可接受的时间范围内准确率高且鲁棒性强。     

基于微粒群算法和模糊神经网络的火灾探测研究

针对火灾探测的特点,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。采用符合国家标准明火、阴燃火以及厨房环境下的干扰火等作为模糊神经网络的训练样本和测试样本,依据模糊神经网络算法要求,完成了网络结构的设计,并给出相应的计算模型,利用微粒群算法对网络的权值进行学习与训练。结果表明,该算法在探测国家标准火的火灾状态方面具有有效性和可行性。     

基于LSTM网络的船舶机舱火灾多特征融合探测

针对船舶机舱火灾高效准确探测的需求,建立基于LSTM-ID3 判决的船舶火灾探测方法。首先确定采集船舶火灾特征的三类传感器,然后完成 LSTM 神经网络模型的构建、参数的优化,将 LSTM 神经网络输出的明火、阴燃火、无火的概率值与烟雾持续时间作为决策树的输入量,输出火灾探测结果。利用国家标准火典型数据进行训练,并开展相关试验,对船舶机舱火灾进行探测。试验结果表明,与其他算法进行对比,探测准确率达到97%以上,该方案能对机舱火灾做出有效探测,为船舶安全提供科学依据。     

基于神经网络算法的多参数火灾探测系统设计

为进一步拓宽神经网络算法在火灾探测领域的应用,利用以阴燃火、明火和无火发生概率作为输出结果的国家标准火实验数据,在MATLAB平台上训练了一个多层BP神经网络,此网络对于测试集样本拟合的决定性系数均达到了0.95以上.以AT89C52为主控芯片,在Proteus中设计出了一种能满足火灾探测目的的仿真电路图.通过将训练好...     

基于模糊神经网络的火灾算法研究

针对现火灾探测器存在的误报率高、响应速度慢的问题,提出基于多参量的模糊神经网络火灾探测算法。以温度、CO浓度、烟雾浓度为火灾特征参量,建立火灾探测模型,以汽油明火、聚氨酯泡沫明火、木材阴燃火、织物阴燃火为模拟火进行模拟火灾响应实验;以熏香烟雾、水泥粉尘、香烟火、暖风机为干扰源进行抗干扰实验。实验结果表明:设计的多参量复合火灾算法对火灾具有较高的探测精度,在50次模拟火灾实验中平均火灾响应时间为19.8 s,火灾误报率为0.375%,漏报率为0。