基于模糊神经网络的智能火灾探测方法研究

针对传统火灾探测的误报、漏报问题,设计一种基于模糊神经网络的智能火灾探测方法。采用神经网络+模糊推理的结构,选取样本数据的温度、烟雾浓度和CO浓度三种参数,通过MATLAB对数据进行处理,得到明火概率、阴燃概率、无火概率三种概率值,对比分析期望输出和实际输出,并选取NIST实验数据对系统进行测试,将神经网络的输出参量连同火灾信号持续时间作为模糊推理的输入变量,得到输出概率。多次试验与实际报警结果对照表明,该方法增强了火灾探测的灵敏度和可靠性。     

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...     

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%。     

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。     

基于红外图像的森林凋落物阴燃火灾探测

针对森林凋落物阴燃火灾识别问题,利用小波阈值去噪去除图像中大部分噪声杂波,再采用形态学开运算进行边界平滑,完成阴燃火灾红外图像的预处理,在此基础上采用最大类间方差法对红外图像进行分割,完成阴燃火灾目标的提取,提取探测目标的温度、形状参数变化率和面积变化率,作为BP神经网络的输入向量,输出为阴燃火概率。结果表明,该方法对阴燃火灾的识别率为96.6%。     

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。     

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。     

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。     

改进PSO-BP算法在钢筋腐蚀监测中的应用研究

针对混凝土内部钢筋腐蚀程度判别难、精确度低等问题,提出了将改进粒子群算法(PSO)与BP神经网络结合起来,通过对钢筋锈蚀机理及其影响因素的分析,建立了以混凝土内部温度、湿度、pH值、Cl-浓度和腐蚀电位为输入,钢筋腐蚀率为输出的改进PSO-BP监测模型,并将实测输入数据与仿真结果进行了对比。结果表明,改进PSO-BP算法的收敛性与准确性均优于PSO-BP算法和BP算法。     

优化神经网络在多传感器火灾探测中的应用

针对BP神经网络在拟合过程中探测精度低、容易陷入局部最优的问题,提出一种基于遗传算法（GA）和模拟退火算法（SA）共同改进的BP神经网络模型,该网络模型可以有效提高火灾识别准确率,同时避免网络过拟合现象,使预测结果跳出局部最优从而达到全局最优。首先,通过GA改进隐藏层结构部分,然后通过SA改进连接权重部分,最后利用优化后的GA-SA-BP模型对火灾实验数据进行信息融合实现火灾探测。实验研究表明,对比单一BP神经网络,经GA和SA改进后的BP神经网络能够有效改善网络拟合能力,并提升火灾探测精度至98.91%。     

波形钢腹板连续刚构桥架设过程的智能化施工控制

针对波形钢腹板连续刚构桥架设过程中腹板剪切变形所致挠度预测问题,建立了采用思维进化算法(MEC)优化BP神经网络(MEC-BP)的挠度预测框架,研发了基于可视化管控系统的智能化施工控制模块。挠度预测框架主要包括三部分:首先,获取用于建立预测模型的数据集,其中输入样本和输出样本分别由拉丁超立方体采样(LHS)技术和高精度实体有限元模型生成; 然后,基于所获得的数据集,建立了基于MEC-BP神经网络的挠度预测模型,并根据统计准则对模型性能进行评估; 最后,利用训练良好的MEC-BP模型对波形钢腹板连续刚构桥架设施工的挠度进行预测。智能化施工控制模块主要包括两部分:首先,根据规范建立分级预警指标体系,分别为红色、黄色及绿色预警; 其次,基于可视化管控系统研发了施工控制模块,并开发了手机端APP,在此基础上,结合MEC-BP预测模型,实现了波形钢腹板连续刚构桥架设过程的智能化施工控制。以梁渠沟大桥为背景,将挠度预测值与现场实测值进行对比验证。结果表明:MEC-BP预测模型的挠度预测值与现场实测值吻合较好,预测误差均满足要求; 智能化施工控制系统在梁渠沟大桥架设过程中成功预警3次,助力梁渠沟大桥的建设取得圆满成功; 研究成果可为波形钢腹板连续刚构桥架设施工的智能化控制提供理论依据。     

BP神经网络在基坑工程变形预测中的应用

结合工程实例,针对基坑开挖过程的变形特点,应用BP神经网络和基于粒子群优化算法的BP神经网络对基坑支护结构的变形进行预测,并对两种方法预测结果进行比较分析。结果表明,基于粒子群优化算法的BP网络的泛化预测性能要优于BP网络,预测深基坑地下连续墙结构水平位移更有效。     

基于BP神经网络改进算法在地铁隧道施工中的沉降预测

为使地铁隧道在施工中沉降监测数据具有一定的预见性,分别采用了BP神经网络改进算法的预测模型、传统BP神经网络预模型以及基于时间序列的三次指数平滑法预测模型对地铁隧道施工中的沉降监测数据进行了预测。对其预测结果进行分析,得出了BP神经网络改进算法模型预测精度优于传统BP神经网络模型以及基于时间序列的三次指数平滑法模型预测精度的结论。