[发明专利]一种基于自组织神经网络的火灾预测方法

摘要

本发明公开了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。本发明的一种基于自组织神经网络的火灾探测方法，采用隐含层节点增‑减法实现了网络结构的动态调整，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。

主权项

一种基于自组织神经网络的火灾预测方法，其特征在于，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；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,…,xM表示神经网络的输入，即温度T、CO、烟雾指数、火焰指数；yd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),…,xl(t),yd(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：f(n)=11+e-n]]>隐含层神经元输出和神经网络输出的关系为：y(t)=Σj=1pwjoZj(t)]]>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E=12Σt=1k(y(t)-yd(t))T(y(t)-yd(t))]]>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EM:EM=1∂Σt=1∂Et]]>其中，Et为神经网络训练至第t步时的误差，第一次的训练误差为E1p，为自适应训练步长：∂=1γ×∂,EM<ΔEmax×E0p∂=γ×∂,EM<ΔEmax×E0p]]>其中，γ>1，△Emax＝|E0p‑E1p|；步骤16：根据步骤15得到的训练步长对神经网络再次进行训练并跳转至步骤14，重复执行步骤14‑16，直到满足误差要求，最后得到室内火灾生概率预估模：y(t)=Σj=1pwjOZj(t).]]>