基于神经网络的大型火情自动识别系统设计与研发

鄢莉

（攀枝花学院 数学与计算机学院，四川 攀枝花　617000）

基于神经网络的大型火情自动识别系统设计与研发

鄢莉

（攀枝花学院 数学与计算机学院，四川 攀枝花617000）

以往设计的大型火情自动识别系统，受到线路布置、火情识别硬件等影响，火情识别能力和定位能力均存在一些问题；因此，设计基于神经网络的大型火情自动识别系统，该系统利用传感器感应环境中存在的不正常信号，并调用探测器识别不正常信号中是否存在大型火情隐患。控制器对探测器识别出的隐患信号进行放大、模数转换和循环冗余校验等处理，其处理结果将输出到报警装置，作为报警依据传送给用户。系统采用二总线的线路布置方式，将电线与信号线的功能并入到一条线上，既能降低线路布置难度，又能节省系统维护费用。系统设计BP神经网络模型和概率神经网络模型对大型火情信号进行处理。实验结果表明所设计的系统拥有较高的火情识别能力和火情定位能力。

神经网络；火情自动识别系统；火情定位；信号放大

0　引　言

在日常生活中，火的作用尤为重要。不正当的用火方式会造成火情，由火情延续产生的大型火情给人们的生产、生活带来了不小的危害［1⁃3］。为了避免大型火情的产生，人们曾研究出各种类型的大型火情自动识别系统；但由于火情的不确定性，至今为止所设计出的大型火情自动识别系统无法实现火情的有效识别和定位［4⁃6］。因此，设计基于神经网络的大型火情自动识别系统，为人们的人身和财产安全提供更为有效的保障。

以往设计的大型火情自动识别系统，由于受到线路布置、火情识别硬件等影响，火情识别能力和定位能力均存在一定问题，如文献［7］设计基于离子探测器的大型火情自动识别系统，其根据火情发生初期空气中会漂浮某些特定离子这一现象，利用离子探测器对离子进行检测，进而实现系统对大型火情的自动识别，其火情识别能力较强，定位能力不强。该系统的产生将大型火情自动识别系统的研发推向了新的高峰。文献［8］设计了基于光电传感技术的大型火情自动识别系统，该系统设计了一种性能较强的光电火情传感器，能够探测到火情产生的细微光电变化，在封闭式的大型火情现场应用效果较好。由于该系统的线路布置较为复杂，使其无法应用于森林火情的探测，局限性较高。文献［9］设计了基于单片机的大型火情自动识别系统，该系统利用单片机控制各项识别流程，具有较好的火情识别能力，但由于单片机的内存不高、运算能力有限，故该系统对大型火情的定位能力不强。

1　基于神经网络的大型火情自动识别系统设计

1.1系统整体设计

所设计的基于神经网络的大型火情自动识别系统结构如图1所示。

图1　系统整体结构图

由图1可知，基于神经网络的大型火情自动识别系统主要由温度传感器、气体传感器、探测器、控制器和报警装置构成，系统利用温度传感器和气体传感器获取大型火情信息，并调用探测器辅助控制器进行信息处理，处理方式选取BP神经网络和概率神经网络。报警装置提供的报警方式主要有短信和鸣笛，必要时也可采取人为通知方式。人为通知能够有效避免报警装置漏报或失效现象的产生。探测器也能够进行大型火情的初步报警，以保障人们的人身和财产安全。系统硬件间的线路布置较为讲究，这能够有效提升系统的火情识别能力和定位能力。

1.2探测器与控制器设计

当温度传感器和气体传感器其中之一感应到环境中存在不正常信号时，基于神经网络的大型火情自动识别系统便调用探测器对不正常信号进行探测，识别出环境中是否存在大型火情隐患。探测器选用AT⁃MEGA128芯片作为其信号处理工作的硬件支持。AT⁃MEGA128芯片的稳定性极高，在恶劣环境下也能够正常运行，这一特点降低了基于神经网络的大型火情自动识别系统对工作环境的限制，也增强了系统的火情识别能力。图2为探测器ATMEGA128芯片电路图。

如图2所示，ATMEGA128芯片的程序是可利用神经网络进行编译的，因此其功能也是能够不断完善的。R1～R4为热敏电阻，其阻值与温度有关。温度传感器和气体传感器的感应信号都将经由探测器电路转换成温度信号，当探测器感应到温度信号的变化程度较低时，ATMEGA128芯片仅通过测试包对温度信号进行探测。随着温度信号变化程度的不断上升，ATMEGA128芯片将依次调用技术处理、远程维护、传输驱动对其进行探测。如果探测器将传感器感应到的不正常信号识别为大型火情隐患，控制器将介入处理。控制器的结构图如图3所示。

图2　探测器ATMEGA128芯片电路图

图3　控制器结构图

由图3可知，控制器由运算放大器、寄存器、A/D转换器和二线串行数字接口组成。大型火情隐患信号将首先经由运算放大器进行信号放大，便于控制器更为直观的进行处理工作。A/D转换器将放大后的信号转换为数字信号，控制器通过二线串行数字接口传输数字信号，并对其进行循环冗余校验。在基于神经网络的大型火情自动识别系统的工作中，信号的传输必然存在偏差，通过循环冗余校验便能够将信号的传输偏差修正。循环冗余校验在信号后加入（n-k）FCS，使其构成对比信号，将对比信号与数据库中的标准信号进行对比，校验出其中的错误。二线串行数字接口直接与时钟控制线相连，为循环冗余校验进行计时，保证系统的整体效率。控制器的电源采用24 V直流电，其处理结果将输出到报警装置，作为报警依据传送给用户。

1.3线路布置设计

以往设计的大型火情自动识别系统的线路布置常选择多线制和二线制。多线制和二线制拥有布线程序少、连接监控设备多的特点，但却在一定程度上限制了系统的火情识别能力和定位能力。所设计的基于神经网络的大型火情自动识别系统采用二总线的线路布置方式，将电线与信号线的功能并入到一条线上，既降低了线路布置难度，又节省了系统的维护费用。图4为系统线路布置示意图。

图4　系统线路布置示意图

由图4可知，处于上机位的探测器的连接方式分为有线连接和无线连接，二总线能够同时连接260个探测器的有线终端，这大大增强了基于神经网络的大型火情自动识别系统的火情识别能力和定位能力，也能够防止信号的传输拥堵现象。在系统进行远距离工作时，无线连接为系统解决了其对探测器各无线终端的控制难点。

路由中继的主要作用是保证大型火情信号传输的持续、安全和稳定。基于神经网络的大型火情自动识别系统将传感器和报警装置布置在下机位，便于传感器和报警装置进行大型火情信号的感应和报警，也节省了线路布置空间。

2　软件设计

所设计的基于神经网络的大型火情自动识别系统，选取BP神经网络和概率神经网络两种处理方式并设计网络模型，为大型火情信号自动识别工作提供软件支持。

2.1BP神经网络模型设计

BP神经网络是一种依靠偏差逆运算进行神经网络训练的前馈控制网络，其可以自动进行海量特定映射模式的自学和存储。BP神经网络根据梯度下降法使网络中的权值、阈值相互平衡，进而实现超低标准的网络偏差平方和。所设计的BP神经网络模型由节点输出模型、偏差运算模型和自训练模型组成。

节点输出模型包含隐藏节点输出模型Oj和标准节点输出模型Yk，其表达式如下：

式中：i，j，k是自然数，分别代表标准节点输出、隐藏节点输出、标准节点输出的编排次序；f是非线性标准参数；T是传感器信号输入值；X是探测器信号输出值；W是神经网络的权值；q是神经网络的单位阈值。

假设网络节点中，tpi代表期望结果，opi代表运算结果，则偏差运算模型Ep的表达式为：

所设计的BP神经网络自训练模型表达式ΔWη为：

式中：h是训练参数；Φi是标准节点输出i的偏差；oj是隐藏节点输出节点 j的运算结果；α是动态变量参数。

2.2概率神经网络模型设计

概率神经网络是一种基于统计学原理的分类处理神经网络，其采用正向偏差运算，比较BP神经网络的偏差逆运算，概率神经网络的运算效率更高，更加适合进行大量数据的运算。因此，当传感器感应到的不正常信号较多时，基于神经网络的大型火情自动识别系统将主要选用概率神经网络进行运算，其运算标准为：

式中：θ是火情信号；A和B是火情类别；X是火情信号的向量；d是贝叶斯决策；将A，B类别火情的概率密度设为 fA（X）和 fB（X），lA和lB分别是A，B类别火情的损失函数，hA和hB分别是A，B类别火情的先行机率，则有：

在概率神经网络模型中，如果输入端仅当作信号分配使用，那么传感器的输入信号则会进行无差异传输。此时，将模型中各节点的火情信号向量X与其权值向量Wi的乘积设为Zi，对Zi采取非线性叠加的方式进行运算，设节点层数为σ，可得出：

用mA表示概率神经网络模型的训练样本数量，g表示节点层的平均向量值，则有：

此时概率神经网络模型输出层各节点的权值Ck可表示为：

式中，nAk和nBk分别表示火情类别为Ak和Bk时，概率神经网络模型训练样本的向量数量。

3　实验分析

3.1系统火情识别能力验证

为验证所设计的基于神经网络的大型火情自动识别系统的火情识别能力，实验人员安排了两次不同类别的纵火，第一次纵火的大型火情较为明显，第二次纵火的大型火情无法用肉眼识别。将本文系统的大型火情感应曲线输出，观察曲线的变化情况，如图5、图6所示。

图5　温度变化感应曲线

图6　气体物质变化感应曲线

由图5、图6可得出，在纵火过程中，实验室环境的温度和气体物质含量均在不断升高，实验进行到135 s 和170 s时，两次纵火的实验室温度均稳定在某一特定范围，此时可确定大型火情已开始蔓延；实验进行到100 s和150 s时，两次纵火的实验室中气体物质开始在某特定范围内波动，这是由气体物质的扩散性造成的。将图5、图6中的数据作为本文系统神经网络模型的输入信号，对两次纵火的大型火情进行识别，其结果如表1所示。

表1　本文系统火情识别能力

由表1可知，本文系统对实验中的两次纵火识别情况为：识别纵火1为典型明火，识别能力为0.998；识别纵火2为典型阴燃火，识别能力为0.995。即本文系统对两次纵火的识别能力均在99.5%以上，验证了本文系统拥有较强的火情识别能力。

3.2系统火情定位能力验证

利用本文系统和基于趋势算法的大型火情自动识别系统，分别对上述实验的纵火点进行定位，定位结果如表2所示。

表2　定位能力对比表

由表2可知，基于趋势算法的大型火情自动识别系统对明火的定位能力较强，但对阴燃火的定位能力仍有可提升余地；本文系统对明火和阴燃火的定位能力相差不大，且均高于基于趋势算法的大型火情自动识别系统的定位能力。以上结果验证了本文系统拥有较强的火情定位能力。

4　结　论

本文设计基于神经网络的大型火情自动识别系统，该系统利用传感器感应环境中存在的不正常信号，并调用探测器识别不正常信号中是否存在大型火情隐患。控制器对探测器识别出的隐患信号进行放大、模数转换和循环冗余校验等处理，其处理结果将输出到报警装置，作为报警依据传送给用户。系统采用二总线的线路布置方式，将电线与信号线的功能并入到一条线上，既能降低线路布置难度，又能节省系统维护费用。系统设计BP神经网络模型和概率神经网络模型对大型火情信号进行处理。实验结果说明，所设计的系统拥有较高的火情识别能力和火情定位能力。

［1］王博.凸增量极限学习机的逼近阶［J］.西安工程大学学报，2015，29（6）：756⁃760.

［2］王晓东，赵月圆，梅丽.基于白噪声扰动的CS⁃BP网络的波动率［J］.西安工程大学学报，2015，29（6）：761⁃764.

［3］徐富新，王晶，黄玉秀，等.神经网络和模板匹配在自动打分系统中的应用［J］.计算机工程与应用，2015，51（5）：251⁃254.

［4］郭红转，罗刘敏.火情自动视觉检测系统的设计［J］.计算机测量与控制，2015，23（7）：2495⁃2496.

［5］李正周，缪鹏飞，刘勇，等.基于无线传感器网络的大型场所火情检测与定位算法［J］.数据采集与处理，2014，29（6）：964⁃969.

［6］李静，陈金元，徐冰.基于MSP430单片机的宿舍智能防盗防火报警系统设计［J］.自动化技术与应用，2014，33（1）：103⁃106.

［7］张飞，李景富.基于智能视觉的高空图像搜集系统的设计与实现［J］.计算机测量与控制，2015，23（3）：939⁃941.

［8］肖霞，石芳菲，吕赟，等.风电机舱火灾探测试验研究［J］.消防科学与技术，2014，33（3）：306⁃310.

［9］黄凯宁.城市智能消火栓监控系统设计与应用［J］.供水技术，2015，9（5）：50⁃54.

［10］朱利，刘尚合，张悦，等.基于虚拟仪器技术和神经网络的电晕辐射场监测系统设计［J］.高电压技术，2015，41（1）：333⁃338.

Design and development of large⁃scale fire automatic recognition system based on neural network

YAN Li

（School of Mathematics and Computer Science，Panzhihua University，Panzhihua 617000，China）

The fire recognition capacity and positioning ability of large⁃scale fire automatic identification system designed in the past were influenced by its line layout and fire recognition hardware.Therefore，a new large⁃scale fire automatic recognition system based on neural network was designed.The system utilizes sensors to induce the abnormal signal existing in the environ⁃ment，and calls its detector to identify whether there is the large⁃scale fire hazard in the abnormal signal.Its controller performs amplification，analog⁃to⁃digital conversion and cyclic redundancy check of hidden trouble signal identified by the detector.The results are output to the alarm device，and regarded as the alarm basis to send to users.The system uses the arrangement mode with two bus lines，and merges the functions of the cable and the signal wire into a line，which can decrease the difficulty of cir⁃cuit layout and save the cost of system maintenance.The BP neural network model and the probabilistic neural network model are designed for the system to deal with large⁃scale fire signal.The experimental results shows that the designed system has high ability of fire recognition and fire positioning.

neural network；fire automatic identification system；fire positioning；signal amplification

TN926⁃34；X924.4

A

1004⁃373X（2016）18⁃0026⁃04

鄢莉（1978—），女，四川资阳人，讲师，硕士。研究方向为计算机应用、计算机网络研究。

2016⁃01⁃17

教育部信息技术自然基金（EIJYB2015⁃043）