[发明专利]一种基于自组织神经网络的火灾预测方法

说明书

技术领域

本发明属于火灾预警技术领域，具体涉及一种基于自组织神经网络的火灾预测方法。

背景技术

随着经济的不断发展，人们生活水平的提高，在商厦、酒店、宾馆、KTV等大型娱乐场所的人员流动是越来越大，如果一旦发生火灾，后果不堪设想。但目前火灾监控系统存在以下几点不足：①采用的传感器单一，误报和漏报率高，且不能及时的检测到火灾初期环境参数的变化；②连接方式大多为有线连接，容易老化、腐蚀，不易维修和更换；③采用预测模型大多基于静态的网络，然而静态学习算法计算能力弱，实时性差，精度不高，不能满足非线性函数的，影响系统的整体性能；④大多出系统为单一的预警系统或控制系统，没有很好的实现预警和联动控制的结合，降低了对火灾的控制能力的控制水平。因此，对应的火灾预测方法也是存在诸多问题。

发明内容

本发明的目的在于：针对现有的火灾预测方法，提供一种基于自组织神经网络的火灾预测方法，能够及时发现火灾隐患，并加以控制，实时性好，可靠性高，稳定性强。

为了实现上述目的，本发明采用的技术方案为：

一种基于自组织神经网络的火灾预测方法，包括以下步骤：

步骤1：在上位机内建立基于自组织神经网络的火灾发生概率预估模型；

步骤2：在所设的监控点处安装传感器组，并采集环境参数，并将采集的实时数据通过路由器传输到上位机；

步骤3：上位机将接收的数据输入到火灾发生概率预估模型中，获得当前环境下对应的火灾概率值，并判定是否存在火情；

步骤4：将火情信息传输到联动控制器，驱动联动灭火装置，进而实现报警和自动灭火。

作为优选，步骤1中用神经网络自组织结构设计方法对火灾过程中的一氧化碳CO、烟雾指数、火焰指数、温度T数据进行建模，预测下一时刻火灾发生概率，其中，自组织结构设计方法为动态增删减法，具体步骤如下：

步骤11：采集标准无火、标准明火以及标准阴燃火条件下的监控点环境参数，获得若干组数据；

步骤12：对数据进行归一化处理，剔除异常数据，并利用主元分析法对数据进行标准化处理，获取建立模型的数据组；

步骤13：建立神经网络模型，初始结构为M-N-1，初始权值为随机值，其中，x₁,x₂,…,x_M表示神经网络的输入，即温度T、CO、烟雾指数、火焰指数；y_d表示神经网络的期望输出，即火灾概率值；共有k个训练样本，设第t个训练样本为x₁(t),x₂(t),…,x_l(t),y_d(t),则用第t个训练样本训练神经网络时，隐含层第j个神经元的输出表示为：

输出f，f为sigmoid函数，其形式为：

隐含层神经元输出和神经网络输出的关系为：

其中，为输出层权值，y为神经网络的实际输出；

定义误差函数为

步骤14：根据采集的实时数据，实现网络结构的动态调整；

步骤15：根据预测精度，对网络结构进行训练，计算评价误差E_M:

其中，E_t为神经网络训练至第t步时的误差，第一次的训练误差为E_1p，为自适应训练步长：

其中，γ>1，ΔE_max＝|E_0p-E_1p|；

步骤16：根据步骤105得到的训练步长对神经网络再次进行训练并跳转至步骤104，重复执行步骤104-106，直到满足误差要求，最后得到室内火灾生概率预估模：

作为进一步优选，步骤14中，网络结构的动态调整，计算隐含层神经元的全局显著性指数，利用动态增-减法实现网络结构的自组织，具体步骤如下：

步骤141：计算隐含层每个神经元的全局显著性指数OS，公式如下：

其中，OS_j为隐含层第j个神经元的全局显著性指数；k为隐含层神经元个数；SIG_j为隐含层第j个神经元的显著性指数，计算公式如下；