多传感器数据融合技术在火灾探测中的应用研究

论文摘要

传统的探测方法大多通过采集单一的火灾特征参数信息进行判断和识别,但由于干扰因素多,其误报率一直比较高。针对火灾信号的非结构性特点而提出的基于智能信息处理方法的火灾探测系统具有自学习和自适应能力,已成为现在火灾探测技术的研究方向。本文以重庆市森林健康监测系统开发课题为背景,结合缙云山森林特点,提出了两种基于数据融合技术的火灾探测二级融合系统。基于BP神经网络和证据理论的二级数据融合系统和基于证据理论的二级数据融合系统。两种融合系统的提出是基于两种不同的融合思想,第一种融合系统的提出是基于利用神经网络解决非线性结构性问题的考虑；第二种融合系统的提出是基于降维和统计的思想。在构建二级融合系统之前,本文对神经网络和证据理论的基础理论进行了深入的研究。由于BP神经网络是目前最成熟,训练精度高且泛化结果令人满意,也是应用最多的一种网络,所以本文试图选用BP神经网络来解决非线性结构问题。但是由于传统的BP学习算法存在收敛速度缓慢、易陷入局部极小等缺陷,笔者在综合学习了多种改进的学习算法的基础上,结合应用背景,采用基于L-M的改进学习算法来实现对神经网络的学习训练,并且通过仿真实验表明,采用改进后的学习算法收敛速度有了很大的提高。一直以来,对于D-S证据理论的研究主要集中在以下三个方面：①基本概率赋值函数的构造；②高冲突证据的融合规则；③证据合成过程中的组合爆炸问题。结合应用背景本文着重研究了前两点,构建了经验数据库,并在此基础上提出了一种构造基本概率赋值函数的方法；针对高冲突证据融合的问题,总结分析了国内外相关典型文献的改进思想,综合考虑算法实现及算法复杂性,选择了一种有效的融合规则改进方法,并将其应用到二级融合系统中,并在具体实验中证实了该方法的有效性和实用性。

论文目录

• 摘要
• Abstract
• 第一章 前言
• 1.1 火灾探测的历史与现状
• 1.2 多传感器数据融合技术的发展概况
• 1.2.1 多传感器数据融合技术起源
• 1.2.2 多传感器数据融合技术的国内外研究现状
• 1.3 本文构想
• 第二章 多传感器数据融合理论基础
• 2.1 多传感器数据融合基本原理
• 2.2 多传感器数据融合方法
• 2.2.1 数据融合的定义
• 2.2.2 数据融合的层次
• 2.2.2.1 信息层融合
• 2.2.2.2 特征层融合
• 2.2.2.3. 决策层融合
• 2.2.3 常用的多传感器数据融合方法
• 2.2.4 多传感数据融合方法分类
• 2.3 基于BP神经网络的多传感器数据融合方法
• 2.3.1 神经网络的研究历史
• 2.3.2 BP神经网络模型
• 2.3.3 BP网络的标准学习算法
• 2.4 基于D-S证据理论的多传感器数据融合方法
• 2.4.1 D-S证据推理基本原理
• 2.4.2 D-S证据推理在多传感器数据融合中的基本应用过程
• 2.5 本章小结
• 第三章 火灾探测的原理与方法
• 3.1 火灾产生的机理
• 3.2 火灾探测信号的特征
• 3.3 火灾信号的探测算法
• 3.3.1 传统的火灾探测算法
• 3.3.2 新兴的火灾探测算法
• 3.4 火灾探测中的数据融合利用
• 3.4.1 火灾探测中的信息分类
• 3.4.2 火灾探测中的数据融合
• 3.5 本章小结
• 第四章 多传感器数据融合在火灾探测中的应用
• 4.1 火灾探测中的主要参数及数据预处理
• 4.1.1 火灾探测参量的选取
• 4.1.2 经验数据库的构建
• 4.2 基于BP神经网络和证据理论的二级数据融合系统在火灾探测中的应用
• 4.2.1 B-P神经网络在火灾探测系统特征层的应用
• 4.2.1.1 BP神经网络特征融合器的设计
• 4.2.1.2. BP神经网络训练
• 4.2.1.3 BP神经网络优化方法
• 4.2.2 D-S证据推理的改进研究
• 4.2.3 决策层的证据推理实现
• 4.2.4 仿真实验及结果分析
• 4.3 基于证据理论的二级数据融合系统在火灾探测中的应用
• 4.3.1 初始概率分配函数的构造
• 4.3.2 一次融合的实现
• 4.3.3 决策层数据融合的实现
• 4.3.4 仿真实验
• 4.4 基于两种数据融合系统应用比较分析
• 4.5 小结
• 第五章 火灾态势预测子系统的实现
• 5.1 火灾态势数据挖掘专家系统设计
• 5.1.1 数据的生成
• 5.1.2 最大蔓延速度的计算
• 5.1.3 蔓延过程分析
• 5.1.4 蔓延模拟的实现
• 5.2 GIS系统
• 5.3 火灾态势预测子系统
• 5.4 小结
• 第六章 总结
• 致谢
• 参考文献
• 个人简历、在学期间发表的学术论文及取得的研究成果