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。     

模糊逻辑和神经网络理论在智能火灾探测报警系统中的应用

本文主要论述了智能火灾探测报警系统的三种智能分配方式及神经网络模式，并对模糊逻辑在火灾判断中的应用进行了探讨     

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。     

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。     

一种基于模糊神经网络的火灾探测系统的研制

设计一种新型的智能火灾探测系统,运用数字信号处理芯片DSP完成模糊神经网络算法,能够准确及时预测火灾发生,达到提前发现火灾隐患、排除火灾隐情的目的。经过模拟实验验证,系统准确、可靠,能够达到设计目的。     

火灾探测传感信息提取方法的研究

提出了一种使用单一传感器实现高性能价格比的火灾探测多信息提取新方法，并简述了用该方法在气体探测中的一种识别模式。     

火灾探测传感信息提取方法的研究

火灾探测技术在火灾特征参量探测的时间信号提取和时间信号处理方面取得了较大进展 ,而在火灾参量信息提取方面的研究仅限于几种单一和复合火灾探测原理。提取信息是信息处理的前提 ,信息处理是火灾探测报警准确性的保障。因此 ,火灾探测技术应该在信息 (信号 )提取和处理两个方面同时开展研究。本文提出了一种使用单一传感器实现高性能价格比的火灾探测多信息提取新方法 ,并简述了用该方法在气体探测中的一种识别模式     

神经网络智能算法在火灾探测中的应用

本文分析了神经网络理论在火灾探测算法中的实际应用,力图寻找出一种有效的方法,并通过建立火灾专家数据库,实现误报少、报警速度快的一种火灾报警算法。     

厨房火灾的探测与智能识别

分析了厨房火灾信息的特点,提出了厨房火灾探测方式的选择原则,介绍了一种运用IT技术,针对厨房火灾探测与智能化识别的厨房火灾报警控制系统。     

基于目标检测卷积神经网络的图像型火灾探测算法

摘 要：针对传统图像型火灾探测算法误差率高、延迟探测、计算量大等问题,提出了基于目标检测卷积神经网络（Faster-RCNN、R-FCN、SSD和YOLO v3）的图像型火灾探测算法。通过对比实验表明,基于目标检测卷积神经网络的探测算法准确性较高。其中,YOLO v3探测算法的平均精度为84.5%,探测速度为28帧/s,具有更高的稳定性,更适用于图像型火灾探测系统的开发。     

模糊逻辑和神经网络理论在智能火灾控制报警系统中的应用

本文主要论述了智能火灾探测报警系统的三种智能分析方式及神经网络模式，并对模糊逻辑在火灾判断中的应用进行了探讨。     

基于自适应集成神经网络的火灾预测方法

针对传统火灾预测方法存在误报和漏报的问题,提出了一种基于自适应集成神经网络的火灾预测方法。首先,在信息层采用速率检测算法将不同类型传感器检测到的奇异数据输入到网络模型中。其次,在特征层采用长短期记忆网络（LSTM）和径向基前馈神经网络（RBF-BPNN）构建集成网络学习不同输入参数下的火灾特征,最后,在决策层设计模糊逻辑控制系统推理输出火灾报警等级。实验结果表明,该方法具有更高的预测精度。     

复合与智能火灾探测技术展望

介绍了新型复合与智能火灾探测技术的分类、特点及其应用，分析了复合智能型火灾探测器的基本特点，并对火灾探测技术的发展趋势提出展望。     

人工神经网络——真正的智能火灾探测算法

火灾自动探测系统正在逐步朝着智能化的方向发展，其关键是采用智能化的信号处理算法，本文讨论了人工神经网络中多层感知机的模型，论述了人工神经网络火灾探测信号的算法，展示了当今火灾探测算法研究的新进展。     

基于BP模糊神经网络的电气系统故障诊断方法的研究

本文阐述了BP神经网络模型在水电站电气元件故障诊断中的意义。以专家经验为依据,结合查阅文献的手段,建立了电站电气元件的故障知识库。与此同时,构建了基于模糊综合评判的神经网络数学模型。最后,以一个水电站电气元件故障诊断实例论述,验证该方法的可行性。     

通过神经网络模型实现火灾图像跟踪探测

采用神经网络模型进行火灾图像数据处理的跟踪检测,建立数据处理的算法模型和火灾轮廓的识别跟踪结构,在图像处理过程中得出火灾火焰的尖角数目会因时间随机变化,采用MATLAB进行数据实验验证了算法可以保证火灾探测的正确性。实际应用效果表明,运用BP神经网络算法可以较好地实现火灾探测。这一研究为火灾探测提供了一个具有良好的适应性以及抵抗内外界干扰的能力的方法。     

基于模糊神经网络的边坡稳定性评价方法

针对边坡稳定与其影响因素间复杂的模糊性和非线性关系,结合模糊分析与神经网络技术,提出了基于模糊神经网络的边坡稳定性评价方法.方法将模糊推理过程溶入神经网络结构中,使神经网络的神经元和权值物理意义明确,学习速度加快.同时神经网络计算又能克服模糊分析计算精度低、学习能力差等缺点,实现了计算方法的优势互补.实例研究中,模型计算的回判检验无误.边坡稳定性评价准确率达到100%,且网络每一步的最大计算误差仅0.25%,表明模型的学习性、记忆性、稳定性高,泛化能力较强,能够满足实际工程的评价需求.