基于多传感器数据融合技术的预警系统的研究

田树仁，李光

（1.河北省高校水利自动化与信息化应用技术研发中心，河北沧州 061001；2.河北工程技术高等专科学校，河北沧州 061001）

基于多传感器数据融合技术的预警系统的研究

田树仁1，李光2

（1.河北省高校水利自动化与信息化应用技术研发中心，河北沧州 061001；2.河北工程技术高等专科学校，河北沧州 061001）

将基于神经网络的多传感器数据融合技术应用到预警机制中，对不确定的预警信息进行数据融合，从而得到较为精确的判断．通过模拟火灾输入信号的仿真结果证明，采用神经网络BP算法后的多传感器数据融合技术能够准确预警，可以有效降低误报率，达到了预期良好的效果．

数据融合；BP；火灾；预警

0 引言

多传感器数据融合技术形成于20世纪80年代，作为1种基本的数据融合方法，目前应用较多已成为研究的热点．它不同于一般信号处理，也不同于单个或多个传感器的监测和测量，具有归纳、总结、抽取、记忆、联想和容错性等特点．数据融合的定义就是把来自各个传感器与信息源的数据和信息加以相关、联合和组合，然后将实测数据与此信息进行模式匹配与比较，然后对整体的情况做出正确的判断[1].目前，很多用于火灾报警的系统，普遍存在误报率较高的问题，由此也带来了甚至比发生火灾还大的损失．文中将BP神经网络算法用于多传感器信息的融合，介绍了具体的算法步骤，通过反复迭代调节不同传感器的权值，得到最终的融合判断结果，能比较准确的及时预警，因而降低了误报率，具有较高的研究意义．

1 多传感器数据融合结构模型

由于各个信息源所处的环境不同、传感器互不相同、再加上多传感器测量系统所测的物理量不同，因而多传感器系统采集到的信息都具有一定程度的不确定性，测量结果的精度也有差别，所以还需要对这些不确定性信息进行融合推理，得到正确的判断．将神经网络的BP算法用于多传感器融合理论，各个传感器根据在信息采集过程中所起的作用不同，所以分配给各个传感器的权值也不同．权值主要从精度、可靠性、抗干扰能力等方面来体现，性能优良的传感器要分配较大的权值，反之，则分配的权值要小．同时调整在训练多层网络时收敛速度，加快学习的速度．基于BP算法神经网络的多传感器融合结构模型如图1所示．其结构构成原理是首先通过选定系统的n个传感器的状态并进行采集数据预处理；之后进行特征选择；再进行归一化处理，为神经网络的输入提供标准的输入信息；最后将归一化的信息与已知的系统状态信息作为训练样本，输入到上位机进行BP神经网络训练，进行决策级融合，直到误差达到要求为止．

2 BP神经网络模型

BP神经网络通常有1个或多个隐层，在实际应用中，3层BP神经网络应用最多．图2所示为一个3层BP神经网络模型．

图2中，网络由输入层、隐含层和输出层节点组成．X和Y是网络的输入和输出向量．每个神经元用1个节点M表示．i,j和k分别是输入层、隐层和输出层的神经元序号．同一层内各神经元互不相连，相邻层之间的神经元通过连接权值Wji和Vjk相联系．Wji为输入层与隐含层之间的连接权值；Vjk为隐层与输出层之间的连接权值．隐含层的激励函数为S型函数．

图1 基于BP网络的多传感器数据融合结构图Fig.1Multisensor data fusion structure based on BP network

图2 BP神经网络模型示意图Fig.2model for the BP neural network

3 基于火灾预警系统的数据融合实例

在模拟火灾预警系统中，根据图1所示结构模型，首先对传感器输出数据进行预处理和特征提取，归一化处理等；然后利用前向多层网络模型，采用BP算法，通过调节权值使实际输出与期望输出的总均方差最小．这里重点介绍一下归一化的处理和融合结果的分析．

3.1 归一化处理

通过确定训练模式对，并对网络进行训练，以达到神经网络能够准确预警．模式对根据传感器对标准试验火和各种实际环境下获取的信号来确定，它由输入信号和由欧洲标准火灾数据作为导师信号组成．神经网络输入输出的数值应是经过归一化处理的数值，可以在1和+1之间，也可以在0和+1之间等．根据这些欧洲标准试验火以及由火灾概率组成的导师信号，确定出BP|神经网络的训练模式对，它由对应的火灾判决表来描述，也就是获得的神经网络的归一化数值．使用一下两个公式对xi进行归一化处理[2]．

3.2 融合结果及分析

图33 种传感器对欧洲标准木柴明火的归一化值Fig.3Three kinds of sensor to the European standard normalized value of the wood fire

网络结构采用图2所示的3层神经网络结构．分别来自离子感烟探测器X1、光电感烟探测器X2和模拟感温火灾探测器X3作为输入层；神经元节点M1～M4作为输入层与输出层之间的隐层，输出层的节点Y代表火灾发生概率值域为0～1．在训练时，使用MATLAB语言对3种欧洲标准火数据和无火情况下的数据进行训练，在仿真时，选取木柴明火情况进行训练，训练模式数据如表1所示，共利用了60多个典型的模式对[3]，在实际神经网络训练中，不断对火灾数据测试，并有针对性地修正模式对表数据，以达到神经网络的输出结果合理为止．

仿真时，设置学习误差为0.000 001，经过一千余次迭代运算，确定了包括第1层权系数、第2层权系数、隐层阈值和输出层阈值等神经网络的数值．

由于选取的欧洲标准火灾模式对都是具有代表性的孤立点，再结合神经网络的强大学习和推广能力，图2所示的神经网络能处理仿真实验中遇到的各种输入信息，处理效果好．在实验仿真过程中，必须对火灾数据不断测试，针对不合理的结果，有目的性地修改模式表，最终网络输出结果合理为止．在确定了图2神经网络权值和阈值后，在现场进行了火灾发生响应速度的模拟实验．在火灾发生前期以及火灾发生后期，传感器输出值相对比较稳定．随着火灾火情的加剧，模拟传感器输出值大多在20～40s左右时急剧变化．如图4所示的是神经网络对木柴明火的输出响应输出，明显可以看出在火灾发生40 s以后火灾的概率基本稳定，可以准确报警．

图4 神经网络对木柴明火的输出响应Fig.4Output response of the neural network for the wood fir

4 结论

仿真实验结果表明采用BP神经网络算法进行数据融合具有有效性和可行性，该方法应用到多传感器数据融合技术的预警机制中，可以有效提高火灾报警的准确程度，降低了由于误报问题带来的财产损失，有一定的实际意义．

[1]樊雷松，强彦，赵涓涓，等．无线传感网络中基于BP神经网络的数据融合方法[J]．自动化仪表，2014（1）：62-66．

[2]章慧．基于BP神经网络的压力传感器数据融合[J]．湖南工程学院学报，2011（1）：55-58．

[3]张铁壁，李光，孙士尉．基于数据融合技术的火灾报警系统的研究与设计[J]．河北大学学报，2010（1）：138-147．

[4]阳宪惠．现场总线技术及其应用[M]．北京：清华大学出版社，1999．

[5]刘同明，夏祖勋．数据融合技术及其应用[M]．北京：国防工业出版社，1998．

[6]李国玉，孙以材，潘国峰，等．基于BP网络的压力传感器信息融合[J]．仪器仪表学报，2005，26（2）：168-176．

[7]Zadaeh L A，Fuzzy logic．nenural networks and soft computing[J]．Jounal A，1995，13（2）：21-28．

[8]Mirszal AR．Artifcial Inteligence[M]．Lodon：Chapman and Hall，1990．

[责任编辑 代俊秋]

The study of fire alarm system based on data fusion technology

TIAN Shuren1，LI Guang2

(1.Hydraulic Automation and Information Research and Development Center of Hebei Universities,Hebei Cangzhou 061001,China; 2.Hebei Engineering and Technology College,Hebei Cangzhou 061001,China)

Multisensor data fusion technology based on neural network are applied to the early warning mechanism to get accurate judgment by data fusion of uncertain information.Results of imitated input information verified that the multisensor data fusion technology using BP neural network can accurately forecast fire hence lower false alarm rate.

data fusion;BP;fire;alarm

TP304

A

1007-2373(2015)03-0030-03

10.14081/j.cnki.hgdxb.2015.03.006

2015-03-15

河北省教育厅重点项目（2014082）

田树仁（1960-），男（汉族），副教授．