多传感器信息融合火灾预警技术系统模型的研究

吴金华

（江西应用技术职业学院，江西赣州 341000）

0 引言

在当代社会中，随着科技和经济的不断发展，人口的相对集中主要体现在一些商业区、住宅区以及校园区等等，这就加大了火灾危害的程度。如果人们能在火灾初期就能及时发现并且将其迅速扑灭，那么就能够使火灾的损失降到最低。本文就火灾预警系统模型进行了整合。

1 多传感器信息融合系统总体结构

图1 多传感器信息融合系统总体结构图

从图1可以看出，本系统采用的是三层融合系统，即像素层、特征层和决策层[1]。各个层次完成的主要任务如下:（1）像素层，最主要是负责完成探测器探测到的初始数据的采集和预处理；（2）特征层，将像素层经过处理的特征并行利用信息神经网络技术和模糊变换理论进行一定的融合，从而实现非火灾源、阴燃火、明火以及火灾概率的识别；（3）决策层，通过对特征信息得到不同火灾情况的概率分析，再利用适当的融合技术和模糊逻辑推理技术得到最终决策结果。

2 火灾探测系统模型算法流程图

图2为火灾探测系统模型算法流程图。火灾探测器探测到的基本数据开始时要在像素层中做适当的预处理，提取这些不同类型的特征参量[2]；其次特征层要把这些有用的特征信息置入特征融合器进行融合从而获得该层的融合结果；最后决策层把这些结果结合辅助信息进行一定的融合并通过模糊逻辑推理得到正确的决策输出结果。综上所述，多传感器信息融合技术的火灾探测系统的基本思路就是将这些原始信息由信息低层向信息高层进行逐层融合得到最终的结果[3]。

图2 火灾探测系统模型算法流程图

图3 为探测系统决策原理，其中X1、X2和X3分别代表经过局部处理过后的CO气体、温度大小和烟雾浓度，把这三个火灾特征参量在同一时间段里分别传到BP网络和模糊变换两种不同的特征融合器进行特征融合[3]，从而能够得到三种不同的融合结果明火概率Y1、阴燃火概率Y2、非火灾源概率Y3和火灾概率Z，为后续决策层提供更全面的输入信息，

最终得出更加准确的决策结果[4]。

图3 探测决策原理图

3 BP算法流程图

本文运用了BP神经网络，将其作为其中之一的特征融合器，图4为BP算法流程，它的主要运作模式就是通过现场中已经发生过的火灾数据来进行网络的学习并且训练，在训练过程中该网络改变其权值，直到权值矩阵符合该网络的要求才算真正完成系统要求的任务，

然后才可以把这个网络进行泛化，实现人工智能的目的[5]。

4 结束语

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三层，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[6]；在特征层中，将像素层中得到的信息利用BP神经网络和模糊变换进行融合，实现目标对象特征非火灾源概率、阴燃火概率、明火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[7]；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，则利用融合技术和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。

图4 BP算法流程图

［1］王耀南，李树涛.多传感器信息融合及其应用综述［J］.控制与决策，2001，16（5）：518-522.

［2］张兢.基于多通道自适应加权融合算法的火灾特征识别［J］.国外电子测量技术，2006，25（1）：31-34.

［3］王晔.多方面监测火灾特征以区分火灾探测［J］.消防技术与产品信息，2001（4）：46-52.

［4］袁宏永，苏国锋，李英.高大空间火灾探测及灭火新技术［J］.消防技术与产品信息，2003，10：71-72.

［5］张兢，路彦和，雷刚.基于多传感器数据融合的智能火灾预警系统［J］.计算机工程与应用，2006（6）：206-208.

［6］吴龙标，袁宏永.火灾探测与控制工程［M］.合肥：中国科学技术大学出版社，1999.

［7］王殊，杨宗凯，何建华.神经网络模糊推理系统在火灾探测中的应用［J］.数据采集与处理，1998，13（2）：53-57.