基于模糊神经网络的火灾数据处理方法的研究

论文摘要

现代社会人口急剧增加，财富大量产生，城市化进程加快，导致人口和财富高度集中；而现代火灾发生的频率和规模不断扩大，造成的损失越来越大，为避免这种灾难性后果，必须对火灾探测的准确性提出更高的要求，尽量做到提前准确预报，减少误报、漏报和延报。本文根据火灾信号的复杂性、非线性结构等特点，首先根据模糊逻辑理论和神经网络理论的原理，分别设计了基于模糊逻辑和神经网络的火灾数据处理系统，并利用MATLAB进行了仿真分析，从仿真结果来看在火灾信号处理中单纯依靠模糊逻辑或神经网络并不能达到很好的辨识效果。进一步提出将模糊神经网络应用于火灾数据处理的设计思路，所设计的模糊神经网络为六层的模糊神经网络和模糊逻辑推理系统相串联的结构。六层的模糊神经网络将模糊规则和隶属度函数用神经网络表现出来，将隶属度函数赋予神经网络的权值，生成的神经网络用于实现模糊推理；利用训练样本数据通过误差反向传播法训练神经网络，修改神经网络的权值求得适合于现场环境的精确的模糊规则；从神经网络中提取修改后的隶属度函数和模糊规则，并将此保存作为现场环境下的模糊推理之用。当真正的外界信号输入时，按照训练好的模糊神经网络结构进行计算，得出正确的火灾发生概率。在模糊神经网络输出端再串联一模糊逻辑推理系统，引入烟雾持续时间T(n)，对于明火或阴燃火概率在0.5附近难以判决的情况做进一步的判断处理，得出准确的是否发生火灾的判断。仿真结果表明该设计方案取得理想的效果，证明将模糊神经网络应用于火灾数据处理的设想是合理的。能够达到提前准确预报，减少火灾探测误报和漏报，提高火灾探测系统的可靠性和环境适用能力的目的。

论文目录

• 摘要
• Abstract
• 插图索引
• 附表索引
• 1 绪论
• 1.1 选题背景及意义
• 1.2 火灾信号的基本特征
• 1.3 火灾探测算法的发展历程
• 1.4 本文主要研究内容
• 2 火灾报警系统分析
• 2.1 多传感器火灾报警系统模型
• 2.2 火灾探测器
• 2.2.1 常用火灾探测器介绍
• 2.2.2 火灾探测器的误报警
• 2.3 火灾探测中的复合探测技术及多传感器数据融合技术
• 2.3.1 火灾探测中的复合探测技术
• 2.3.2 火灾探测中的多传感器数据融合技术
• 2.4 智能算法在火灾数据融合中的优势
• 2.5 样本数据来源及适应性
• 3 模糊逻辑理论在火灾数据处理中的应用
• 3.1 模糊逻辑理论概述
• 3.2 火灾数据处理的模糊逻辑系统的设计
• 3.2.1 精确输入量、输出量的规范化和模糊化
• 3.2.2 建立模糊推理规则
• 3.2.3 反模糊化
• 3.3 火灾数据处理的模糊逻辑系统的 MATLAB 仿真分析
• 3.4 仿真结果分析
• 4 神经网络理论在火灾数据处理中的应用
• 4.1 神经网络理论概述
• 4.2 BP 网络
• 4.3 火灾数据处理的神经网络设计及仿真分析
• 4.4 仿真结果分析
• 5 模糊神经网络的火灾数据处理系统设计
• 5.1 模糊神经网络理论
• 5.1.1 模糊逻辑和神经网络的结合
• 5.1.2 模糊神经网络的结构
• 5.2 火灾信号处理的模糊神经网络系统设计
• 5.3 模糊神经网络设计及仿真分析
• 5.3.1 模糊神经网络的设计
• 5.3.2 模糊神经网络的学习算法
• 5.3.3 模糊神经网络的训练及仿真分析
• 5.4 模糊逻辑推理系统的设计及仿真分析
• 5.4.1 模糊逻辑系统的设计
• 5.4.2 模糊变量的论域、隶属度函数及模糊规则的建立
• 5.4.3 模糊逻辑系统的仿真
• 5.5 仿真结果分析
• 结论与展望
• 参考文献
• 致谢
• 附录 A 攻读学位期间所发表的学术论文目录