王学贵[1]2013年在《基于多传感器信息融合的火灾危险度分布确定系统研究》文中认为火灾是人类生活中主要的事故之一,会给人类造成巨大的人员伤亡和财产损失,人类一直与火灾进行着不屈不挠的斗争。随着电子工程、通信技术及计算机技术等的发展,人类已经可以获得在与火灾战斗中取得胜利的强大武器。在一些重要建筑中安装分布式火灾监测系统后,火灾发展的相关信息可以实时提供给火灾应急管理和灭火救援战斗指挥人员,以采取有效的应对措施。然而,目前采用的火灾报警系统多数仅仅给出火灾报警信号,在后续整个火灾的应急救援中均弃而不用。一方面,采用单种火灾探测传感器仅仅描述火灾发展过程的部分信息,因此会导致很高的误报和漏报情况,需要发展采用多传感器技术的火灾探测及监测技术。另一方面,采用多传感器后尽管可以给出整个火灾发展过程的详细信息,但是直接采用大量的原始数据不易获取对火灾发展状况的直观理解,并会迅速导致信息过载。所以需要在现有火灾探测技术基础上发展基于多传感器信息融合技术的火灾监测系统。本研究的主要目的是发展一个基于多传感器信息融合技术的火灾危险度分布确定系统,该系统旨在辅助火灾监测、火灾应急管理、火灾救援和灭火战斗。在采用来自不同传感器的信息后,系统对火灾发出有效报警,并可以提供建筑内不同区域的危险度分布信息。通过采用信息融合技术,降低了火灾应急管理、火灾救援及灭火战斗等过程中的冗余信息量。首先,提出了在多传感器火灾探测中进行火灾探测特征组合选取的模型。模型基于信息熵理论中的互信息的概念,采用最大相关和最小冗余性的准则选取火灾探测特征。与传统进行大量不同火灾探测特征组合实验的方式对比,该模型可以采用有限的实验获得相关的组合,有效降低实验周期和成本。其次,分析了不同特征提取算法对多传感器火灾探测结果的影响,提出了一种用于产生多传感器火灾探测分类器输入的FFRD(Fuzzy Full Raw Data)特征提取算法。算法可以基于有限的实验结果产生用于神经网络等分类器的训练数据。采用动态观察窗的方式提取必要的多传感器火灾信息,用于训练和火灾探测。并针对动态观察窗的窗长、步长和采样频率对多传感器火灾探测结果的影响进行了参数敏感性分析。同时,分析了几种不同神经网络,包括BP、RBF、LVQ和PNN等在多传感器火灾探测中的火灾探测错误率、灵敏度、重复性等方面的性能,结果表明PNN在多传感器火灾探测中有优良的分类器性能。第叁,在FFRD特征提取算法和相关研究的基础上提出了一个多传感器火灾探测模型。该模型包括叁个主要模块：火灾特征选取模块、有监督的训练模块和火灾探测模块。在IS09705燃烧窜中开展了一系列全尺寸实验,对模型的有效性进行了验证。大量的实验验证结果表明,提出的多传感器火灾探测模型有良好的火灾探测灵敏度和可靠性。同时,该模型有良好的容错能力,可以有效降低采集数据局部波动对多传感器火灾探测结果的影响。第四,提出了将建筑平面转换为火灾节点网络的算法模型。每个火灾节点的火灾危险度等级可以代表相应控制单元所对应的保护区域的火灾危险度状况。火灾节点危险度的确认可以基于多传感器火灾探测结果,计算火灾状态修正系数、火源距离修正系数和多火灾探测点修正系数的组合确认。最后,提出了一个火灾危险度分布确定系统的概念模型,系统包括火灾节点划分模块、多传感器火灾探测模块、火灾信息云、火灾危险度模块和火灾危险度分布确定系统融合模块。系统可用于火灾应急管理,并且通过远程传输可以实现救援的远程指挥和消防资源优化配置。给出了系统应用中的几种远程传输方式的网络拓扑结构和程序流程。同时,分析了火灾危险度分布确定系统的潜在应用前景。
王丽萍[2]2006年在《基于多传感器信息融合技术的火灾探测系统研究》文中研究说明当今社会对火灾探测系统要求日益提高,许多新的火灾探测方法不断的被引入到火灾探测领域中来。针对火灾信号的这种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功能,已成为现在火灾探测技术研究的方向。多传感器信息融合技术是智能信息处理领域中的一个研究热点。从多传感器视角观察环境特征能够完整准确的反映准确的火灾信息,因此,基于多传感器信息融合技术的火灾探测技术已经成为火灾探测的发展趋势之一。本文系统的阐述了智能火灾探测系统研究的重要性和必要性;介绍了火灾探测的原理及其传统火灾探测算法和人工智能火灾探测算法的应用。在深入讨论了多传感器信息融合技术的基本原理及体系结构的基础上根据特征层融合的模型提出了基于模拟退火的特征层融合火灾探测系统实现方法,使用模拟退火算法搜索最佳的“特征融合系数”,从而提高火灾探测的正确性,降低误报率。通过仿真利用两种中国标准火和干扰信号进行识别得到理想结果。针对实际监护现场,环境因素会随着季节以及昼夜变化而变化,而且在不同的监控现场,环境因素也不相同的问题本文在决策层融合的框架下,利用神经网络和模糊推理技术相结合来实现多传感器火灾探测,根据实际情况,赋予不同的传感器不同的权重系数以适应环境变化,通过仿真验证了此种方法应用于多传感器火灾探测系统可达到预期效果。
胡祝格[3]2013年在《基于多传感器信息融合技术的火灾探测报警系统设计与研究》文中研究指明随着国民经济的飞速发展，城市化程度的不断加快，高层住宅建筑和大型公共建筑迅速增长，火灾发生的概率和规模不断增大，造成的损失也越来越大，为了防止火灾带来的严重后果，火灾探测的时效性和准确性就显得尤为重要。在深入分析了国内外的火灾探测报警系统的研究现状和发展趋势的基础上，本文主要研究了基于复合探测和智能算法的火灾探测报警系统。首先，针对火灾探测报警系统的功能需求，设计了由复合探测节点和火灾报警控制器组成的分布式火灾探测报警系统。主从节点微控制器均采用STM32F103系列芯片。为了解决火灾报警控制器负担过大、系统响应速度慢和可靠性低等问题，复合探测节点不仅能够采集温度、CO浓度和烟雾浓度叁种火灾参量，还能实现对火灾信息的处理和判断。火灾报警控制器能够对各个节点进行巡检，并实现对节点信息的显示和存储。其次，针对传统火灾探测技术只是基于单个的火灾参量，经常出现漏报、误报的现象，本文重点研究了基于模糊理论和神经网络的智能型火灾探测系统。系统以温度、CO浓度、烟雾浓度作为输入，通过人工智能算法进行多传感器的信息融合，系统采用模糊逻辑和神经网络并联的方式。先利用模糊逻辑对叁个系统的输入进行模糊化、模糊推理和反模糊化，并建立了64条模糊规则，再采用神经网络模型来进行网络的训练，最后对二者进行有机的融合，在决策层利用模糊逻辑进行判决，并通过MATLAB实现算法的仿真。本文设计并实现了基于多传感器信息融合技术的火灾探测报警系统，完成了对火灾复合探测节点和火灾报警探测器的硬件设计与实现，并对多传感器的数据进行融合算法的设计与仿真，结果表明该系统能够及时准确的判断是否存在火灾的危险，具有较强的火灾预测和报警能力。
韩菁[4]2011年在《多传感器数据融合技术在火灾探测中的应用研究》文中指出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叁个方面：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。
何南南[5]2012年在《多传感器信息融合技术在火灾探测中的应用》文中研究说明火灾是一种失去人为控制的燃烧过程，它严重的威胁了人类的生命和财产安全。因此，如何提高火灾探测系统的性能，实现早期预报火情并及时、准确的报警一直是人们研究的热点。传统单一传感器式的火灾探测是针对众多火灾参数中的一个参数进行探测，采取简单的阈值算法判断火灾的发生。但是，由于火灾信号的随机性和不确定性，单一参数的探测容易造成火灾报警的漏报和误报。因此为了能够实现火灾报警的快速性、准确性，基于人工智能技术的多传感器式火灾探测技术成为火灾探测的研究热点之一。本文采用的基于信息融合技术的火灾探测算法将融合系统分为叁个层次：信息层、特征层和决策层。信息层主要是对原始数据的采集及数据的预处理。首先将探测器采集的温度、烟雾浓度、CO浓度和红外信号进行预处理，通过局部决策判断，在出现有异常信号时，对同组的火灾参数进行特征提取并送交特征层。特征层主要是对提取的火灾特征参数进行特征层融合。采用BP神经网络特征融合器进行阴燃火、明火、非火灾源干扰叁种火情的识别，得出它们各自发生的概率。决策层主要是做出火灾探测系统的最终决策输出。本文通过火灾危险度和火灾危害度来确定建筑物的火灾保护等级，并将它作为决策层的一个间接判据，将火灾信号的持续时间及特征层得出的明火、阴燃火火情概率作为直接判据，进行决策层的模糊推理，将火灾报警分为四个等级进行决策输出。该算法将火灾探测器探测的火灾特征参数作为直接判据，并将火灾的保护等级作为间接判据，提高了火灾探测系统的准确性。最后将消防联动控制与火灾报警等级相关联，进行火灾报警及消防联动控制系统的方案选择。通过中国标准明火SH4、标准阴燃火SH1以及厨房环境下的典型干扰数据进行仿真，验证这种基于信息融合技术的火灾探测方法的可行性和有效性。
张晶[6]2003年在《多传感器信息融合在火灾探测中的应用研究》文中认为当代火灾探测技术主要解决的问题就是提早报警、降低误报警，而提早报警和降低误报警恰恰是一对矛盾，这对火灾探测技术提出了更高的要求。而传统火灾探测技术(单元探测技术)已无法满足这一要求，因此对火灾探测技术的研究就显得尤为重要。 本课题的研究内容是对多传感器数据融合技术的研究和在此基础上设计并实现火灾探测系统。本论文的主要理论研究工作包括叁方面的内容，即数据融合技术的基本原理及体系结构、火灾探测的原理与方法和基于数据融合的火灾自动探测系统。本文在分析了数据融合系统的叁级结构及火灾非结构特性的基础上，提出了一种基于信息融合的火灾探测叁级结构和实现叁级结构的人工智能算法，这些人工智能算法主要针对于火灾的非结构特性，包括专家系统、人工神经网络、模糊控制等人工智能技术，目的在于设计出一种快速、准确和有效的火灾探测系统。同时又考虑了火灾信号的渐变特性，将控制论的反馈思想和火灾信号持续时间也引入到火灾探测算法上，更好地达到了提早报警和降低误报警的目的。 为了适应不同环境下的火灾探测，本文最后对各种火型及极易引起误报的干扰环境进行了仿真，建立的仿真模型可以给出不同环境下的火灾概率，从而验证了本文提出的火灾探测系统的有效性和可行性。
余琼芳[7]2013年在《基于小波分析及数据融合的电气火灾预报系统及应用研究》文中研究表明火推动了人类社会的文明进步，而火灾却给人类带来了巨大的危害。随着现代社会经济的快速发展以及工业的不断繁荣，各种电气化产品的层出不穷，给火灾的发生提供了更大的可能性。多年来电气火灾的数量一直呈现居高不下的局面，而且损失惨重的重特大火灾往往也由电气火灾造成。传统的火灾预报由于探测技术、信号处理方法和理论研究的局限性，在电气火灾监测过程中时常会出现误报及漏报。论文深入分析了电气火灾形成机理，在分析出电弧（电火花）和高温为电气火灾火源的根本形式的基础上，通过大量实验，深入研究了不同负载形式下的交流故障电弧燃烧时的电弧电压、电流波形特性后发现，交流电弧在燃烧过程中有潜在着的“零休现象”。故障电弧的“零休现象”特性，给故障电弧的检测拓宽了思路。提出了利用故障电弧检测与分析监测及预报电气火灾的方法。运用小波函数对故障电弧电流信号进行了小波奇异性分析。构造了正交二次样条小波为小波函数，利用多孔算法的二进小波变换实现了快速小波变换算法。故障电弧周期零休现象这一特征信息用小波分析时表现为周期性的奇异点，因此提出了周期性奇异点检测故障电弧的新算法，并分析了该故障电弧检测算法的可行性和有效性。在检测故障电弧发生的基础上，对电气火灾早期现场的主要特征信号进行了多参数实时监测，运用多信息融合技术完成了对所探测的电气火灾特征信息的融合，实现了电气火灾的准确辨识。设计了基于故障电弧的信息融合的叁层模型，并运用我国标准火数据以及典型干扰数据进行了实验仿真，仿真结果表明，该融合模型能够很好地完成电气火灾的快速准确预报，有效地避免了电气火灾的误报和漏报。采用集散控制方法，完成了基于故障电弧和多信息融合的电气火灾预报系统的系统设计。整个系统分为上下位机，下位机又分为主机和从机。下位机主要完成信号的采集、预处理以及传输，其中的主机可完成一定的信号处理与判断；上位机主要完成各种信号处理算法的实现、存储以及监控系统画面的实现。所研发的“电气火灾预报系统”经过了反复试验、调试并在多家应用单位进行了推广使用，较好地实现了电气火灾的预防。论文在电气火灾预报方面进行了一定的研究工作，取得了一定的进展，但是，电气火灾仍然有许多值得研究的热点，例如，在故障电弧进一步与电气火灾其他参量的融合方面、电气火灾融合模型结构的优化方面、采用新型探测技术和探测器扩展现有系统的能力方面、其它领域的新技术（如激光图像粒径分群、激光前向/后向散射的应用）引发电气火灾探测技术的新途径方面以及电气火灾监测技术在与自动化、现代通讯技术、智能大厦技术的进一步结合使得电气火灾探测系统更趋于自动化、开放性和模块化等方面还会有更进一步的发展。
李小亚[8]2005年在《基于人工智能的数据融合技术在火灾探测中的应用研究》文中研究表明火灾不仅夺去了人类的生命财产,还破坏了人类赖以生存的生态环境和自然资源,严重地威胁着人类的生存安全。因此,防止火灾发生,减少火灾损失成为人类研究的永恒话题。 由此对火灾探测技术的研究就显得尤为重要。传统的火灾探测报警是根据某种单一的火灾探测器所采集的火灾探测参数,采用阈值法来判定火灾的。但是,火灾信号的多变性和探测器的固定单一性之间的矛盾使得误报现象十分普遍。为了能够提早并准确报警,目前大量的研究人员正在研制智能化多传感探测器来取代传统的单一传感器来区别非火灾信号和真正的火灾信号。 如果对多传感探测器的信息只是进行简单的或非判断,相当于把多传感器进行简单的组合,并不能充分发挥多传感探测器的有效作用。而多传感器数据融合正是能充分发挥多传感器有效作用的一门技术,它利用多个传感器获得的各种信息,得出环境或对象特征的全面、正确的认识。本课题的研究内容是对多传感器数据融合技术进行研究,并在此基础上设计火灾探测的系统。本论文的主要理论研究工作包括叁方面的内容,即火灾探测的原理与方法、数据融合技术的基本原理及体系结构和基于数据融合的火灾自动探测系统。本文在分析了数据融合系统的叁级结构及火灾非结构特性的基础上,提出了一种基于人工智能的数据融合技术的火灾探测算法,以感温、感烟、气体和感光传感器的模拟量为输入,利用人工神经网络和模糊逻辑技术对多传感器信号进行融合,目的在于设计出一种快速、准确和有效的火灾探测系统,以达到了提早报警和降低误报警的目的。 本文最后对各种火型及极易引起误报的干扰环境进行了仿真,建立的仿真模型可以给出不同环境下的火灾概率,从而验证了本文提出的火灾探测系统的有效性和可行性。
张留生[9]2012年在《基于多传感器信息融合的智能建筑火灾探测研究》文中研究指明在当代社会中，随着科技和经济的不断发展，商业区、住宅区以及校园区等集中区域越来越多，火灾危害的程度越来越高。如果人们能在火灾初期就能及时发现并且将其迅速扑灭，那么就能够使火灾中的损失降到最低。因此，火灾探测技术在建筑消防系统中的作用显得很重要，对其研究也是有很大意义的。传统的火灾探测系统一般只用到单一探测器，利用其阈值进行火灾信息的判断，然而，现在的建筑越来越复杂，使得探测环境变量以及干扰信号越来越多，单一探测器无法可靠地探测火灾信息。因此，为了提高火灾探测器探测信息的准确性，目前很多科研工作者正在研制多传感火灾探测器来取代传统的火灾探测器。本文结合火灾探测技术的基本特点，建立起基于多传感器信息融合的火灾探测系统的模型。整个系统的探测算法分为叁层，即像素层、特征层和决策层，在像素层中，探测器对CO气体、温度、烟雾等特征参数进行数据采集和预处理；在特征层中，将像素层中得到的信息利用人工神经网络和线性变换进行融合，实现目标对象特征明火概率、阴燃火概率、非火灾源概率以及火灾概率的识别，为决策层提供直接性判据和间接性判据；在决策层中，根据特征层提供的信息进行判断分析，当特征层提供的信息可以判定火灾情况，则直接输出，反之，则利用模糊逻辑推理判断技术把像素层的数据再次进行融合得到决策结果。在本文的研究中，利用MATLAB仿真软件对厨房干扰信号、我国标准阴燃火以及标准明火叁种火灾信息进行了仿真。在特征层仿真研究中，得出了不同神经网络隐含层的误差曲线，由此确立了隐含层数目为7的BP神经网络。在决策层仿真研究中，设定的模糊规则得出最终的输出结果。仿真结果表明基于信息融合技术的火灾探测系统具有可行性。
宋倩[10]2017年在《森林火灾余火探测与清理机器人多传感器检测系统研究》文中认为森林火灾的发生严重破坏了森林资源。火灾发生后,火场还遗留了不易被发现的余火火源,火灾余火的探测和及时处理对森林防火至关重要。森林环境的复杂性和人工探测的危险性使得林业探测机器人的开发和应用成为亟待解决的重点问题。针对目前森林火灾及火灾余火探测技术与方法的不足,进行了森林火灾余火探测与清理机器人多传感器检测系统的研究,未来可应用于森林火灾及火灾余火的探测和清理。森林火灾余火探测与清理机器人多传感器检测系统的研究包括多传感器系统的软硬件设计、多传感器信息融合及MATLAB仿真。(1)根据森林环境的特殊性,选用六足仿生机器人作为多传感器检测系统的载体,构建火灾余火探测机器人多传感器检测系统的总体架构。(2)结合火灾余火的特性及灾后环境要求,进行多传感器检测系统硬件设计,主要包括元器件的选型、硬件电路图的设计和对传感器进行合理布局;并根据设计好的硬件系统规划出软件流程。(3)论述了多传感器信息融合技术的优点,利用人工神经网络中的BP神经网络和模糊控制相结合搭建了火灾余火探测多传感器系统的模型结构;选用模糊控制方法设计移动机器人的多传感器避障系统。(4)对森林火灾余火探测与清理机器人的多传感器检测系统进行实验验证并优化。利用MATLAB软件进行余火探测系统的神经模糊网络的仿真验证和避障系统的仿真验证,达到了预期的效果。
参考文献：
[1]. 基于多传感器信息融合的火灾危险度分布确定系统研究[D]. 王学贵. 中国科学技术大学. 2013
[2]. 基于多传感器信息融合技术的火灾探测系统研究[D]. 王丽萍. 湖南大学. 2006
[3]. 基于多传感器信息融合技术的火灾探测报警系统设计与研究[D]. 胡祝格. 西安建筑科技大学. 2013
[4]. 多传感器数据融合技术在火灾探测中的应用研究[D]. 韩菁. 重庆理工大学. 2011
[5]. 多传感器信息融合技术在火灾探测中的应用[D]. 何南南. 长安大学. 2012
[6]. 多传感器信息融合在火灾探测中的应用研究[D]. 张晶. 广东工业大学. 2003
[7]. 基于小波分析及数据融合的电气火灾预报系统及应用研究[D]. 余琼芳. 燕山大学. 2013
[8]. 基于人工智能的数据融合技术在火灾探测中的应用研究[D]. 李小亚. 广东工业大学. 2005
[9]. 基于多传感器信息融合的智能建筑火灾探测研究[D]. 张留生. 江西理工大学. 2012
[10]. 森林火灾余火探测与清理机器人多传感器检测系统研究[D]. 宋倩. 南京林业大学. 2017
标签：自动化技术论文; 信息融合论文; 电气火灾论文; 火灾危险等级论文; 火灾论文; 仿真软件论文; 数据融合论文; 传感器技术论文; 机器人传感器论文; 概率计算论文;