一种基于遗传算法的改进模糊神经网络火灾检测方法技术

本发明专利技术属于火灾检测技术领域，具体提出了一种基于遗传算法的改进模糊神经网络火灾检测方法。该方法基于火灾现场检测到的温度、一氧化碳浓度和烟雾浓度数据，建立基于遗传算法的改进模糊神经网络火灾检测模型，利用遗传算法全局优化、自适应调整的特点，对模糊神经网络的权值参数进行优化训练。训练好的早期火灾检测模型对来自多传感器的数据进行融合判断，输出所述待测火灾检测结果。本发明专利技术解决了现有火灾检测技术存在的前期成本投入高及准确性低的问题，能够及时且准确地检测到火灾是否发生，具有较好普适性。具有较好普适性。具有较好普适性。

【技术实现步骤摘要】
一种基于遗传算法的改进模糊神经网络火灾检测方法


[0001]本专利技术属于火灾检测
，具体涉及一种基于遗传算法的改进模糊神经网络火灾检测方法。

技术介绍

[0002]在各种灾害中，火灾是最经常、最普遍地威胁公众安全和社会发展的主要灾害之一。如何预防火灾和在火灾发生初期快速精确识别火情并报警具有重要意义。
[0003]目前火灾探检测系统的探测手段主要有感温、感光、感烟、声音和图像等，大都采用单一传感器检测，以火灾发生现场的单一信息进行阈值判断。这种检测方式极易受到外界环境干扰导致漏报或误报，且报警信号产生较晚，此时消防救援难度较大，不能完全避免火灾损失。
[0004]与传统的基于单一传感器的火灾检测方法相比，基于多传感器数据融合技术的火灾检测方法具有响应速度快、抗干扰性强、漏报误报率低等优点。目前，现有技术还没有一种有效的基于多传感器数据融合的火灾检测方法。

技术实现思路

[0005]为了解决上述问题，本专利技术提供了一种基于遗传算法的改进模糊神经网络火灾检测方法，以实现对早期火灾的有效检测。
[0006]为了实现上述目的，本专利技术采取了如下技术方案：
[0007]一种基于遗传算法的改进模糊神经网络火灾检测方法，包括：
[0008]一种基于遗传算法的改进模糊神经网络火灾检测方法，包括以下步骤：
[0009]步骤S1，采集火灾环境数据，并将采集到的火灾环境数据划分为训练集和测试集；
[0010]步骤S2，对步骤S1采集到的火灾环境数据进行预处理和标注，获取火灾环境数据标签；
[0011]步骤S3，根据步骤S1获取的火灾环境数据以及步骤S2获取的火灾环境数据标签，构建基于遗传算法的改进模糊神经网络火灾检测模型；
[0012]步骤S4，使用步骤S1中划分的训练集和测试集对步骤S3构建的基于遗传算法的改进模糊神经网络火灾检测模型进行训练和测试；
[0013]步骤S5，使用步骤S4中训练和测试后的基于遗传算法的改进模糊神经网络火灾检测模型对待检测的环境数据进行火灾检测，输出火灾识别结果。
[0014]所述步骤S1中，火灾环境数据包括温度、一氧化碳浓度和烟雾浓度；
[0015]所述步骤S2中，对火灾现场环境数据预处理时使用S
‑
G滤波法和minmax归一化方法；
[0016]所述步骤S5中，火灾识别结果包括无火、阴燃火和明火；
[0017]所述步骤S3中，构建基于遗传算法的改进模糊神经网络火灾检测模型的方法为：基于MATLAB编程语言建立模糊神经网络，再使用遗传算法优化训练所建立的模糊神经网络
权值参数，并将优化后的权值参数作为模糊神经网络的权值参数放入模糊神经网络的代码，最后利用步骤S1中所采集的火灾环境数据进行火灾检测模型训练；
[0018]所述建立模糊神经网络时，使用BP神经网络和TSK模糊模型，建立的模糊神经网络包括输入层、条件层、规则基础层、选择层、结果层、输出层；
[0019]所述优化训练所建立的模糊神经网络权值参数的方法为：
[0020](1)初始化模糊神经网络的参数，参数包括隐含层层数、输入层、隐含层和输出层节点数、模糊神经网络训练算法，并设定遗传算法的种群数目和优化目标；
[0021](2)对步骤(1)中参数初始化后的模糊神经网络神经元的初始权值与阈值进行实数二进制编码；
[0022](3)计算步骤(1)中设定的遗传算法的种群适应度，并根据种群适应度的计算结果，对遗传算法的种群进行选择、交叉和变异操作，当种群适应度满足步骤(1)中所设定的优化目标后获得模糊神经网络神经元的最佳初始权值和阈值；
[0023]所述步骤S1中，使用温度传感器、一氧化碳浓度传感器和烟雾浓度传感器进行火灾环境数据采集，使用NIST Test FR 4016中Test1
‑
Test2、Test4
‑
Test15、Test31、Test33
‑
41作为数据集，温度传感器、一氧化碳浓度传感器和烟雾浓度传感器安装高度距离天花板20mm，火灾环境为卧室、客厅和厨房；
[0024]所述步骤S4中，进行模糊神经网络火灾检测模型训练的方法为：
[0025]第一步，导入步骤S1中所采集的火灾环境数据，并进行降噪滤波归一化处理，选取测试集和训练集；
[0026]第二步，使用遗传算法对模糊神经网络火灾检测模型进行训练；
[0027]第三步，使用测试集对模糊神经网络火灾检测模型进行测试，并对测试集数据进行反归一化处理；
[0028]第四步，调整模糊神经网络权值参数，重复训练过程，使误差函数最小。
[0029]与现有技术相比，本专利技术提出的基于遗传算法的改进模糊神经网络火灾检测方法具有以下优点：
[0030](1)使用多传感器数据融合自动检测代替现有的单一传感器检测方法，使检测模型获得更全面和准确的信息，提高火灾检测准确性。
[0031](2)使用遗传算法对模糊神经网络的参数进行改进优化，模糊神经网络可以处理模糊和不确定的信息，而遗传算法能够搜索得到最优解，二者结合使模型可以更快到达迭代结束条件、改善陷入局部最小问题和收敛速度慢问题，且不容易受到数据噪声干扰，具有较好的自适应性和鲁棒性。
[0032](3)遗传算法和模糊神经网络具有并行计算能力，可以大大缩短计算时间和降低计算成本。
[0033](4)使用真实室内火灾现场数据作为数据集，具有较好的可扩展性，可以根据实际需求进行调整和优化，以满足不同应用场景的需求。
[0034](5)本专利技术提出一种基于遗传算法改进的模糊神经网络火灾检测方法，利用温度传感器、一氧化碳浓度传感器和烟雾浓度传感器获取的火灾环境数据，通过多传感器数据融合算法火灾检测模型对火灾进行实时检测，不仅降低了安装成本，而且提高了火灾检测的准确性和鲁棒性，具有较好应用前景。
[0035](6)本专利技术属于火灾检测
，具体提出了一种基于遗传算法的改进模糊神经网络火灾检测方法。该方法基于火灾现场检测到的温度、一氧化碳浓度和烟雾浓度数据，建立基于遗传算法的改进模糊神经网络火灾检测模型，利用遗传算法全局优化、自适应调整的特点，对模糊神经网络的权值参数进行优化训练。训练好的早期火灾检测模型对来自多传感器的数据进行融合判断，输出所述待测火灾检测结果。本专利技术解决了现有火灾检测技术存在的前期成本投入高及准确性低的问题，能够及时且准确地检测到火灾是否发生，具有较好普适性。
附图说明
[0036]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]图1为本专利技术的基于遗传算法的改进模糊神经网络火灾检测方法示意图。
具体实施方式
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遗传算法的改进模糊神经网络火灾检测方法，其特征在于包括以下步骤：步骤S1，采集火灾环境数据，并将采集到的火灾环境数据划分为训练集和测试集；步骤S2，对步骤S1采集到的火灾环境数据进行预处理和标注，获取火灾环境数据标签；步骤S3，根据步骤S1获取的火灾环境数据以及步骤S2获取的火灾环境数据标签，构建基于遗传算法的改进模糊神经网络火灾检测模型；步骤S4，使用步骤S1中划分的训练集和测试集对步骤S3构建的基于遗传算法的改进模糊神经网络火灾检测模型进行训练和测试；步骤S5，使用步骤S4中训练和测试后的基于遗传算法的改进模糊神经网络火灾检测模型对待检测的环境数据进行火灾检测，输出火灾识别结果。2.根据权利要求1所述的一种基于遗传算法的改进模糊神经网络火灾检测方法，其特征在于：所述步骤S1中，火灾环境数据包括温度、一氧化碳浓度和烟雾浓度。3.根据权利要求1或2所述的一种基于遗传算法的改进模糊神经网络火灾检测方法，其特征在于：所述步骤S2中，对火灾现场环境数据预处理时使用S
‑
G滤波法和minmax归一化方法。4.根据权利要求1所述的一种基于遗传算法的改进模糊神经网络火灾检测方法，其特征在于：所述步骤S3中，构建基于遗传算法的改进模糊神经网络火灾检测模型的方法为：基于MATLAB编程语言建立模糊神经网络，再使用遗传算法优化训练所建立的模糊神经网络权值参数，并将优化后的权值参数作为模糊神经网络的权值参数放入模糊神经网络的代码，最后利用步骤S1中所采集的火灾环境数据进行火灾检测模型训练。5.根据权利要求4所述的一种基于遗传算法的改进模糊神经网络火灾检测方法，其特征在于：所述建立模糊神经网络时，使用BP神经网络和TSK模糊模型，建立的模糊神经网络包括输入层、条件层、规则基础层、选择层、结果层、输出层。6.根据权利要求5所述的一种基于遗传算法的改进模糊神经网络火灾检测方法，其特征在于：所述输入层的输入量为温度、CO浓度和烟雾浓度，输入层直接将非模糊输入值传输到条件层；所述条件层对每个输入量的模糊集和隶属函数进行定义，其中模糊集均为低、中、高三个等级，隶属度函数为高斯函数；所述规则基础层使用IF
‑
THEN...

【专利技术属性】
技术研发人员：张佳，王蕾，陈杰，艾欣，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：