基于BP神經(jīng)網(wǎng)絡(luò)的火警誤報優(yōu)化研究

裘 炅,趙麗輝

(杭州電子科技大學(xué) 計算機(jī)學(xué)院，浙江 杭州 310018)

基于BP神經(jīng)網(wǎng)絡(luò)的火警誤報優(yōu)化研究

裘 炅,趙麗輝

(杭州電子科技大學(xué) 計算機(jī)學(xué)院，浙江 杭州 310018)

針對單一傳感器的局限性和CEP算法時間復(fù)雜度高的問題，依據(jù)火災(zāi)探測器空間關(guān)聯(lián)規(guī)則，并采用BP神經(jīng)網(wǎng)絡(luò)算法對傳感的類型因子、數(shù)量因子、位置因子和環(huán)境因子進(jìn)行訓(xùn)練，從而優(yōu)化煙霧傳感器、溫度傳感器和火焰?zhèn)鞲衅鞯目臻g布局，并確定將煙霧信號、溫度信號、火焰信號融合判斷火警的方案，并設(shè)計了能夠降低火警誤報次數(shù)的房間模型。通過對實(shí)驗(yàn)結(jié)果分析，智能誤報算法能夠在20 s內(nèi)完成對報警的判斷，并且減少了60%的誤報。

BP神經(jīng)網(wǎng)絡(luò);火災(zāi)探測器分布;火災(zāi)信號;誤報;智能分析

消防火災(zāi)自動報警系統(tǒng)應(yīng)用廣泛，但誤報率也相對較高。因此，對火災(zāi)報警進(jìn)行智能分析，是對某一區(qū)域內(nèi)所有火災(zāi)探測器點(diǎn)位的實(shí)時報警事件進(jìn)行的實(shí)時分析，并計算出該報警點(diǎn)位是否為誤報，讓值班人員能夠及時判斷出火災(zāi)報警的現(xiàn)場情況，達(dá)到一有警情迅速到達(dá)事故現(xiàn)場的目的[1]。

關(guān)于誤報研究方法目前主要包括：采用模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練煙感、溫感信號，使系統(tǒng)及早報警，降低誤報率[2]；設(shè)計基于多傳感器信息融合的火災(zāi)探測器，降低了單一傳感器引起的漏報和誤報，提高火災(zāi)探測器的可靠性[3]；設(shè)計基于CEP的消防物聯(lián)網(wǎng)火警誤報監(jiān)測系統(tǒng)[4]，為解決單一傳感器片面性和局限性、CEP算法時間復(fù)雜度大、信息處理效率低等缺陷，本文提出了基于BP神經(jīng)網(wǎng)絡(luò)的探測器空間分布算法。通過優(yōu)化探測器分布位置，降低誤報智能分析算法的復(fù)雜度；利用信息融合技術(shù)，提高誤報分析的準(zhǔn)確度。

1 BP神經(jīng)網(wǎng)絡(luò)誤報判斷模型

1.1 相關(guān)信息的形式化描述

定義1火災(zāi)探測器集A。探測器Ai可以形式化描述為{codei,positioni,typei,statusi,senesi}。其中，codei為的探測器的地址編碼；positioni為Ai的空間位置信息；typei為Ai的探測器類型標(biāo)志，typei的值代表不同種類的火災(zāi)探測器，type=1代表感煙探測器；type=2代表感溫探測器；type=3代表感光探測器；status的值代表探測器狀態(tài)；senes為探測器對相應(yīng)感應(yīng)信號的靈敏度，即閾值[5]。

定義2火災(zāi)報警監(jiān)測模塊集合B。探測器Bi可以形式化描述為三元數(shù)組{hostidi,hostmoeli,hosttypei}。其中，hostidi為Bi的標(biāo)識；hostmoeli為Bi的不同品牌；hosttypei為Bi的主機(jī)型號名稱[6]。

1.2 模型分析及算法步驟

假設(shè)空間模型為房間K，房間為長方形，長10 m，寬5 m,高度為3 m。在房間K內(nèi)起火點(diǎn)的位置集合G={G1,G2,…,Gn}，在有效時間T=1 min內(nèi)，起火點(diǎn)Gi∈G觸發(fā)報警的火災(zāi)探測器集合F={a1,a2,…,ak,b1,b2,…,bj,c1,c2,…,ct}，其中{a1,a2,…,ak}?A&&a->type=1 (A表示房間K中所有探測器集合，type代表探測器類型)，表示觸發(fā)報警的煙感探測器集合；{b1,b2,…,bj}?A&&b->type=2，表示觸發(fā)報警的溫感探測器集合；{c1,c1,…,ct}?A&&c->type=3表示觸發(fā)報警的火焰探測器集合。房間K模型創(chuàng)建完畢，模擬圖如圖1所示。

圖1 探測器在模型中的分布

圖1中，圓形表示光感探測器，三角形表示煙感探測器，正方形表示溫感探測器。

1.3 關(guān)聯(lián)性規(guī)則描述

規(guī)則1同種類型的探測器的數(shù)量對誤報的影響因子α的集合為E。房間K內(nèi)，探測器a1,a2,…,an∈A(n=1,2,3,…,an->type=1‖2‖3)。當(dāng)n值逐漸增加，在有效時間T=1 min,a1,a2,…,an都會報警，探測器數(shù)量影響因子α的值，呈現(xiàn)如圖2所示的趨勢。

圖2 數(shù)量影響因子趨勢圖

規(guī)則2探測器空間位置對誤報的影響因子θ的集合為W。房間K內(nèi)，d1,d2,…,dn∈A(n=1,2,3,…,type=1‖2‖3)，即探測器不同。d1,d2,…,dn的position將會不斷調(diào)整，當(dāng)有火災(zāi)發(fā)生，有效時間T=1 min中內(nèi)，d1,d2,…,dn的status狀態(tài)會改變?yōu)?。不同種類型的探測器分散程度由小到大將位置影響因子θ的值，呈現(xiàn)如圖3所示趨勢。

規(guī)則3探測器類型對誤報的影響因子β的集合為P。房間K內(nèi)x1∈A(type=1)&&x2∈A(type=2)&&x3∈A(type=3)。若有效時間T=1 min中內(nèi)。x1->status=1&&x2->status=1&&x3->status=1 信

息融合算法判斷誤報的準(zhǔn)確性大幅提高。類型影響因子β的值，呈現(xiàn)如圖4所示趨勢。

圖3 探測器分布影響因子

圖4 類型影響因子走向圖

規(guī)則4環(huán)境因子γ的集合為N。環(huán)境不同，火災(zāi)中的特征信號的強(qiáng)弱不同。嚴(yán)重影響活在探測器準(zhǔn)確率。例如：風(fēng)向和風(fēng)速對煙霧傳播的影響。

2 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法

2.1 BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)

對BP算法進(jìn)行改進(jìn)，在梯度下降算法的基礎(chǔ)上引入動量因子η(0<η<1)，即

(1)

x(k+1)=x(k)+Δx(k+1)

(2)

該算法是以前一次的修正結(jié)果來影響本次修正量，當(dāng)前一次的修正量過大時，式(1)等式右邊第二項(xiàng)的符號將與前一次修正量的符號相反，從而使本次的修正量減小，起到減少震蕩的作用；當(dāng)前一次的修正量過小時，式(2)等式右邊第二項(xiàng)的符號將與前一次修正量的符號相同，從而使本次的修正量增大，起到加速修正的作用?？梢钥闯?，動量BP算法，總是力圖使在同一梯度方向上的修正量增加。動量因子η越大，同一梯度方向上的“動量”也越大[7-9]。

用上述BP算法，即可將學(xué)習(xí)信號的多重信息判決關(guān)系轉(zhuǎn)換到神經(jīng)網(wǎng)絡(luò)的連接權(quán)矩陣中，實(shí)現(xiàn)了數(shù)據(jù)融合過程，從而可自適應(yīng)的根據(jù)輸入的各種情況給出接近期望值的結(jié)果，系統(tǒng)由訓(xùn)練狀態(tài)轉(zhuǎn)移到工作狀態(tài)[10]，樣本訓(xùn)練表格如表1所示。

表1 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)

2.2 算法分析

首先，基于上述數(shù)據(jù)表，運(yùn)用探測器智能分布算法對模型K內(nèi)火災(zāi)誤報影響因子進(jìn)行訓(xùn)練接著對房間K內(nèi)的誤報影響因子進(jìn)行預(yù)測從而確定出誤報影響因子最小時數(shù)量因子、位置因子、類型因子的值，使得房間K內(nèi)的探測器分布為最佳分布[11]。

基于上述數(shù)據(jù)表，用Matlab的仿真的網(wǎng)絡(luò)誤差訓(xùn)練曲線如圖5所示。

圖5 網(wǎng)絡(luò)誤差訓(xùn)練曲線

由上述網(wǎng)絡(luò)誤差訓(xùn)練曲線可發(fā)現(xiàn)網(wǎng)絡(luò)通過100次訓(xùn)練，在第14次訓(xùn)練時達(dá)到0.0 098 353(誤差率0.98%)小于預(yù)先設(shè)定的一個極小目標(biāo)值0.01(誤差率1%)，可見網(wǎng)絡(luò)收斂。然后，訓(xùn)練結(jié)束進(jìn)入到工作狀態(tài)。工作狀態(tài)房間K內(nèi)的探測器分布如圖6所示。

圖6 探測器優(yōu)化分布圖

從圖6與圖1的對比，得出圖6中煙感探測器、溫感探測器、光感探測器相互呼應(yīng)，交叉影響，探測器分布更為合理。當(dāng)在有火災(zāi)發(fā)生時不同類型的探測器同時發(fā)生報警。從而避免單一信號的單一性和局限性[12]。

2.3 涉及到的算法描述

算法1探測器分布算法。

步驟1房間K內(nèi)位置G起火；

步驟2G進(jìn)入初始階段，產(chǎn)生煙霧信號，煙感探測器報警，然后火災(zāi)報警聯(lián)網(wǎng)平臺接收到信息后，對火災(zāi)自動報警主機(jī)傳輸過來的報警信息進(jìn)行協(xié)議分析，分析出報警點(diǎn)位的{host1,loop1,modelk,lxk,wzk}，時間T=1 min內(nèi)，報警煙感探測器的信息集合YAN(aa1,aa2,…,aan)?AA；

步驟3G進(jìn)入陰燃階段，房間內(nèi)溫度升高，溫度探測器報警，然后火災(zāi)報警聯(lián)網(wǎng)平臺接收到信息后，對火災(zāi)自動報警主機(jī)傳輸過來的報警信息進(jìn)行協(xié)議分析，分析出報警點(diǎn)位的{host1,loop1,modelk,lxk,wzk}，時間T=1 min內(nèi)，報警溫感探測器的信息集合WEN(bb1,bb2,…,bbn)?A；

步驟4G進(jìn)入火焰燃燒階段，光感探測器報警，然后火災(zāi)報警聯(lián)網(wǎng)平臺接收到信息后，對火災(zāi)自動報警主機(jī)傳輸過來的報警信息進(jìn)行協(xié)議分析，分析出報警點(diǎn)位的{host1,loop1,modelk,lxk,wzk}，時間T=1 min內(nèi)，報警光感探測器的信息集合 GUN(cc1,cc2,…ccn)?A；

步驟5處理監(jiān)測到的各種數(shù)據(jù)集合信息，歸一化為數(shù)量因子、位置因子、類型因子和誤報影響因子。利用動量BP神經(jīng)網(wǎng)絡(luò)算法對數(shù)據(jù)樣本進(jìn)行訓(xùn)練，重新分布各類型的探測器的數(shù)量和位置[13]，如果收斂，則轉(zhuǎn)步驟 6；否則轉(zhuǎn)步驟1；

步驟6算法結(jié)束。

算法2智能誤報分析算法。

步驟1Web端聯(lián)網(wǎng)平臺打開，確保每臺消防自動報警主機(jī)通信正常，實(shí)時監(jiān)測報警；

步驟2系統(tǒng)收到一個火災(zāi)探測器報警，Web系統(tǒng)先不發(fā)出火警報警信號，只是記載當(dāng)前探測器信息，然后Web系統(tǒng)自動對探測器進(jìn)行遠(yuǎn)程復(fù)位及消音操作；

步驟3經(jīng)過時間T1=20 s 后，分析此時間段內(nèi)報警記錄集合中的火災(zāi)探測器數(shù)據(jù)，若同一個探測點(diǎn)位只有一次報警并且其周邊不同類型的探測器點(diǎn)無報警記錄，則判定為誤報，系統(tǒng)釋放此次報警記錄信息[14]，并執(zhí)行步驟2；若同一個探測點(diǎn)位有多次報警并且其周邊不同類型的探測器點(diǎn)位也有報警記錄，則判定為報警，Web端系統(tǒng)發(fā)出火警報警，在平面圖上呈現(xiàn)相關(guān)報警點(diǎn)位的位置，并執(zhí)行步驟4；

步驟4值班人員到報警點(diǎn)位現(xiàn)場確認(rèn)火警真假，并將信息返給Web系統(tǒng)。Web系統(tǒng)進(jìn)行相關(guān)記錄，并釋放臨時報警集合中該點(diǎn)位的報警信息；返回執(zhí)行步驟1。

3 實(shí)驗(yàn)與分析

(1)將智能誤報分析算法應(yīng)用于Web聯(lián)網(wǎng)平臺中的效果如圖8所示。

圖7 加入誤報智能分析算法前后對比圖

圖7(a)表示未使用誤報智能分析算法時一天內(nèi)接收到探測器報警次數(shù)為15次，圖7(b)表示同一時間段中使用誤報智能分析算法后接收到探測器報警次數(shù)為3次。

(2)在房間K內(nèi)進(jìn)行200次模擬實(shí)驗(yàn)，其中包括各種誤報和真實(shí)的火災(zāi)，然后對有誤報分析系統(tǒng)和無誤報分析系統(tǒng)的情況下進(jìn)行對比，結(jié)果如表格2所示。

表2 普通報警系統(tǒng)和誤報智能分析系統(tǒng)對照

通過表 2的結(jié)果，可以看出火災(zāi)誤報智能算法有效的減少了誤報次數(shù)。從而有效減少了工作人員的工作量，提高了工作效率[15]。但是并沒有完全消除誤報，產(chǎn)生誤差的原因有很多，例如：人為因素、線路老化、分布時算法數(shù)據(jù)出錯等。

4 結(jié)束語

本文主要通過BP神經(jīng)網(wǎng)絡(luò)優(yōu)化煙感探測器、溫感探測器和光感探測器的空間布局，并利用信息融合技術(shù)，設(shè)計了算法時間度低的誤報智能分析方法。利用誤報智能分析算法代替值班人員進(jìn)行報警信息分析，提高了值班人員和巡查人員排查火災(zāi)隱患的工作效率。誤報智能分析算法雖然較好地解決了誤報的問題；但還存在不足之處，如建筑物密集處，探測器的空間位置關(guān)系相對復(fù)雜，需要通過更精確的建模來解決。

[1] 王曉明.消防自動報警系統(tǒng)多主機(jī)聯(lián)網(wǎng)方案在鎮(zhèn)海煉化五套裝置中的設(shè)計與應(yīng)用[J].消防技術(shù)與產(chǎn)品信息,2003(7):23-27.

[2] 祝錫永,韓會平.基于CEP的消防物聯(lián)網(wǎng)火警誤報監(jiān)測[J].計算機(jī)系統(tǒng)應(yīng)用,2015,24(3):57-62.

[3] 王寅良.基于協(xié)議智能分析的消控聯(lián)網(wǎng)平臺研究和實(shí)踐[D].杭州:杭州電子科技大學(xué),2015.

[4] 王雅楠,孟曉景.基于動量BP算法的神經(jīng)網(wǎng)絡(luò)房價預(yù)測研究[J].軟件導(dǎo)刊,2015(2):59-61.

[5] 左來.基于模糊遺傳算法的樓字火災(zāi)報警系統(tǒng)[J].計算機(jī)測量與控制,2011,19(8):1950-1952.

[6] 史毓達(dá),盧炎生,王黎明.基于貝葉斯決策模型的火災(zāi)報警模式識別系統(tǒng)應(yīng)用研究[J].華中師范大學(xué)學(xué)報:自然科學(xué)版,2007,41(2):211-214.

[7] Hao Z,Zhao H,Shao S,et al.Suppression of time-varying multi-tone interference based on frequency domain interference detection[J].Wireless Personal Communications,2014,75(2):1051-1060.

[8] 張紹龍.基于BP神經(jīng)網(wǎng)絡(luò)算法的火災(zāi)報警智能分析的研究與實(shí)踐[D].杭州:杭州電子科技大學(xué),2016.

[9] 徐鳳榮.基于模糊神經(jīng)網(wǎng)絡(luò)的智能火災(zāi)探測報警系統(tǒng)的研究[D].秦皇島:燕山大學(xué),2006.

[10] Angayarkkani K,Radhakrishnan N.An intelligent system for effective forest fire detection using spatial data[J].International Journal of Computer Science and Information Security,2010,7(1):202-208.

[11] Tice L D.Multi-sensor device and methods for fire detection:WO,US7068177[P].2006-07-17.

[12] 胡祝格.基于多傳感器信息融合技術(shù)的火災(zāi)探測報警系統(tǒng)設(shè)計與研究[D].西安:西安建筑科技大學(xué),2013.

[13] 許行賓,繆小平,江豐,等.火災(zāi)自動報警系統(tǒng)誤報原因分析及對策[J].潔凈與空調(diào)技術(shù),2011(3):28-31.

[14] 樊振宇.BP神經(jīng)網(wǎng)絡(luò)模型與學(xué)習(xí)算法[J].軟件導(dǎo)刊,2011,10(7):66-68.

[15] 李春生,譚民浠,張可佳. 基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的油井產(chǎn)量預(yù)測研究[J].科學(xué)技術(shù)與工程,2011, 11(31):7766-7769.

The Research of Optimized Fire Accidental Alarm Based on the BP Neural Network

QIU Jiong，ZHAO Lihui

(School of Computer Science,Hangzhou Dianzi University,Hangzhou 310018,China)

For the limitation of single sensor and the deficiency of high time complexity of CEP algorithm, according to the spatial association rules, the BP neural network algorithm is used to train the type factor, quantitative factor, location factor and environmental factor, in order to optimize the spatial layout of smoke sensor, temperature sensor and flame sensor; then the smoke signal, temperature signal and flame signal are collected and combined to judge the fire alarm, a room model is designed to reduce the number of false positives. Through the analysis of the experimental results, the intelligent false alarm algorithm can complete the judgment of the alarm in 20s, and reduce the false alarm rate by 60%.

BP neural networks;distributed fire detectors; fire alarm; accidental alarm;intelligent analysis

2017- 02- 27

浙江省科技計劃項(xiàng)目(GK090910001)

裘炅(1973-)，男，博士，副教授。研究方向：Webgis、物聯(lián)網(wǎng)等。趙麗輝(1990-)，男，碩士研究生。研究方向：消防物聯(lián)網(wǎng)。

10.16180/j.cnki.issn1007-7820.2017.12.014

TP277.1

A

1007-7820(2017)12-051-04