基于BP神经网络的火警误报优化研究

裘 炅,赵丽辉

(杭州电子科技大学 计算机学院，浙江 杭州 310018)

基于BP神经网络的火警误报优化研究

裘 炅,赵丽辉

(杭州电子科技大学 计算机学院，浙江 杭州 310018)

针对单一传感器的局限性和CEP算法时间复杂度高的问题，依据火灾探测器空间关联规则，并采用BP神经网络算法对传感的类型因子、数量因子、位置因子和环境因子进行训练，从而优化烟雾传感器、温度传感器和火焰传感器的空间布局，并确定将烟雾信号、温度信号、火焰信号融合判断火警的方案，并设计了能够降低火警误报次数的房间模型。通过对实验结果分析，智能误报算法能够在20 s内完成对报警的判断，并且减少了60%的误报。

BP神经网络;火灾探测器分布;火灾信号;误报;智能分析

消防火灾自动报警系统应用广泛，但误报率也相对较高。因此，对火灾报警进行智能分析，是对某一区域内所有火灾探测器点位的实时报警事件进行的实时分析，并计算出该报警点位是否为误报，让值班人员能够及时判断出火灾报警的现场情况，达到一有警情迅速到达事故现场的目的[1]。

关于误报研究方法目前主要包括：采用模糊神经网络训练烟感、温感信号，使系统及早报警，降低误报率[2]；设计基于多传感器信息融合的火灾探测器，降低了单一传感器引起的漏报和误报，提高火灾探测器的可靠性[3]；设计基于CEP的消防物联网火警误报监测系统[4]，为解决单一传感器片面性和局限性、CEP算法时间复杂度大、信息处理效率低等缺陷，本文提出了基于BP神经网络的探测器空间分布算法。通过优化探测器分布位置，降低误报智能分析算法的复杂度；利用信息融合技术，提高误报分析的准确度。

1 BP神经网络误报判断模型

1.1 相关信息的形式化描述

定义1火灾探测器集A。探测器Ai可以形式化描述为{codei,positioni,typei,statusi,senesi}。其中，codei为的探测器的地址编码；positioni为Ai的空间位置信息；typei为Ai的探测器类型标志，typei的值代表不同种类的火灾探测器，type=1代表感烟探测器；type=2代表感温探测器；type=3代表感光探测器；status的值代表探测器状态；senes为探测器对相应感应信号的灵敏度，即阈值[5]。

定义2火灾报警监测模块集合B。探测器Bi可以形式化描述为三元数组{hostidi,hostmoeli,hosttypei}。其中，hostidi为Bi的标识；hostmoeli为Bi的不同品牌；hosttypei为Bi的主机型号名称[6]。

1.2 模型分析及算法步骤

假设空间模型为房间K，房间为长方形，长10 m，宽5 m,高度为3 m。在房间K内起火点的位置集合G={G1,G2,…,Gn}，在有效时间T=1 min内，起火点Gi∈G触发报警的火灾探测器集合F={a1,a2,…,ak,b1,b2,…,bj,c1,c2,…,ct}，其中{a1,a2,…,ak}⊆A&&a->type=1 (A表示房间K中所有探测器集合，type代表探测器类型)，表示触发报警的烟感探测器集合；{b1,b2,…,bj}⊆A&&b->type=2，表示触发报警的温感探测器集合；{c1,c1,…,ct}⊆A&&c->type=3表示触发报警的火焰探测器集合。房间K模型创建完毕，模拟图如图1所示。

图1 探测器在模型中的分布

图1中，圆形表示光感探测器，三角形表示烟感探测器，正方形表示温感探测器。

1.3 关联性规则描述

规则1同种类型的探测器的数量对误报的影响因子α的集合为E。房间K内，探测器a1,a2,…,an∈A(n=1,2,3,…,an->type=1‖2‖3)。当n值逐渐增加，在有效时间T=1 min,a1,a2,…,an都会报警，探测器数量影响因子α的值，呈现如图2所示的趋势。

图2 数量影响因子趋势图

规则2探测器空间位置对误报的影响因子θ的集合为W。房间K内，d1,d2,…,dn∈A(n=1,2,3,…,type=1‖2‖3)，即探测器不同。d1,d2,…,dn的position将会不断调整，当有火灾发生，有效时间T=1 min中内，d1,d2,…,dn的status状态会改变为1。不同种类型的探测器分散程度由小到大将位置影响因子θ的值，呈现如图3所示趋势。

规则3探测器类型对误报的影响因子β的集合为P。房间K内x1∈A(type=1)&&x2∈A(type=2)&&x3∈A(type=3)。若有效时间T=1 min中内。x1->status=1&&x2->status=1&&x3->status=1 信

息融合算法判断误报的准确性大幅提高。类型影响因子β的值，呈现如图4所示趋势。

图3 探测器分布影响因子

图4 类型影响因子走向图

规则4环境因子γ的集合为N。环境不同，火灾中的特征信号的强弱不同。严重影响活在探测器准确率。例如：风向和风速对烟雾传播的影响。

2 改进的BP神经网络算法

2.1 BP神经网络算法的改进

对BP算法进行改进，在梯度下降算法的基础上引入动量因子η(0<η<1)，即

(1)

x(k+1)=x(k)+Δx(k+1)

(2)

该算法是以前一次的修正结果来影响本次修正量，当前一次的修正量过大时，式(1)等式右边第二项的符号将与前一次修正量的符号相反，从而使本次的修正量减小，起到减少震荡的作用；当前一次的修正量过小时，式(2)等式右边第二项的符号将与前一次修正量的符号相同，从而使本次的修正量增大，起到加速修正的作用。可以看出，动量BP算法，总是力图使在同一梯度方向上的修正量增加。动量因子η越大，同一梯度方向上的“动量”也越大[7-9]。

用上述BP算法，即可将学习信号的多重信息判决关系转换到神经网络的连接权矩阵中，实现了数据融合过程，从而可自适应的根据输入的各种情况给出接近期望值的结果，系统由训练状态转移到工作状态[10]，样本训练表格如表1所示。

表1 BP神经网络训练数据

2.2 算法分析

首先，基于上述数据表，运用探测器智能分布算法对模型K内火灾误报影响因子进行训练接着对房间K内的误报影响因子进行预测从而确定出误报影响因子最小时数量因子、位置因子、类型因子的值，使得房间K内的探测器分布为最佳分布[11]。

基于上述数据表，用Matlab的仿真的网络误差训练曲线如图5所示。

图5 网络误差训练曲线

由上述网络误差训练曲线可发现网络通过100次训练，在第14次训练时达到0.0 098 353(误差率0.98%)小于预先设定的一个极小目标值0.01(误差率1%)，可见网络收敛。然后，训练结束进入到工作状态。工作状态房间K内的探测器分布如图6所示。

图6 探测器优化分布图

从图6与图1的对比，得出图6中烟感探测器、温感探测器、光感探测器相互呼应，交叉影响，探测器分布更为合理。当在有火灾发生时不同类型的探测器同时发生报警。从而避免单一信号的单一性和局限性[12]。

2.3 涉及到的算法描述

算法1探测器分布算法。

步骤1房间K内位置G起火；

步骤2G进入初始阶段，产生烟雾信号，烟感探测器报警，然后火灾报警联网平台接收到信息后，对火灾自动报警主机传输过来的报警信息进行协议分析，分析出报警点位的{host1,loop1,modelk,lxk,wzk}，时间T=1 min内，报警烟感探测器的信息集合YAN(aa1,aa2,…,aan)⊆AA；

步骤3G进入阴燃阶段，房间内温度升高，温度探测器报警，然后火灾报警联网平台接收到信息后，对火灾自动报警主机传输过来的报警信息进行协议分析，分析出报警点位的{host1,loop1,modelk,lxk,wzk}，时间T=1 min内，报警温感探测器的信息集合WEN(bb1,bb2,…,bbn)⊆A；

步骤4G进入火焰燃烧阶段，光感探测器报警，然后火灾报警联网平台接收到信息后，对火灾自动报警主机传输过来的报警信息进行协议分析，分析出报警点位的{host1,loop1,modelk,lxk,wzk}，时间T=1 min内，报警光感探测器的信息集合 GUN(cc1,cc2,…ccn)⊆A；

步骤5处理监测到的各种数据集合信息，归一化为数量因子、位置因子、类型因子和误报影响因子。利用动量BP神经网络算法对数据样本进行训练，重新分布各类型的探测器的数量和位置[13]，如果收敛，则转步骤 6；否则转步骤1；

步骤6算法结束。

算法2智能误报分析算法。

步骤1Web端联网平台打开，确保每台消防自动报警主机通信正常，实时监测报警；

步骤2系统收到一个火灾探测器报警，Web系统先不发出火警报警信号，只是记载当前探测器信息，然后Web系统自动对探测器进行远程复位及消音操作；

步骤3经过时间T1=20 s 后，分析此时间段内报警记录集合中的火灾探测器数据，若同一个探测点位只有一次报警并且其周边不同类型的探测器点无报警记录，则判定为误报，系统释放此次报警记录信息[14]，并执行步骤2；若同一个探测点位有多次报警并且其周边不同类型的探测器点位也有报警记录，则判定为报警，Web端系统发出火警报警，在平面图上呈现相关报警点位的位置，并执行步骤4；

步骤4值班人员到报警点位现场确认火警真假，并将信息返给Web系统。Web系统进行相关记录，并释放临时报警集合中该点位的报警信息；返回执行步骤1。

3 实验与分析

(1)将智能误报分析算法应用于Web联网平台中的效果如图8所示。

图7 加入误报智能分析算法前后对比图

图7(a)表示未使用误报智能分析算法时一天内接收到探测器报警次数为15次，图7(b)表示同一时间段中使用误报智能分析算法后接收到探测器报警次数为3次。

(2)在房间K内进行200次模拟实验，其中包括各种误报和真实的火灾，然后对有误报分析系统和无误报分析系统的情况下进行对比，结果如表格2所示。

表2 普通报警系统和误报智能分析系统对照

通过表 2的结果，可以看出火灾误报智能算法有效的减少了误报次数。从而有效减少了工作人员的工作量，提高了工作效率[15]。但是并没有完全消除误报，产生误差的原因有很多，例如：人为因素、线路老化、分布时算法数据出错等。

4 结束语

本文主要通过BP神经网络优化烟感探测器、温感探测器和光感探测器的空间布局，并利用信息融合技术，设计了算法时间度低的误报智能分析方法。利用误报智能分析算法代替值班人员进行报警信息分析，提高了值班人员和巡查人员排查火灾隐患的工作效率。误报智能分析算法虽然较好地解决了误报的问题；但还存在不足之处，如建筑物密集处，探测器的空间位置关系相对复杂，需要通过更精确的建模来解决。

[1] 王晓明.消防自动报警系统多主机联网方案在镇海炼化五套装置中的设计与应用[J].消防技术与产品信息,2003(7):23-27.

[2] 祝锡永,韩会平.基于CEP的消防物联网火警误报监测[J].计算机系统应用,2015,24(3):57-62.

[3] 王寅良.基于协议智能分析的消控联网平台研究和实践[D].杭州:杭州电子科技大学,2015.

[4] 王雅楠,孟晓景.基于动量BP算法的神经网络房价预测研究[J].软件导刊,2015(2):59-61.

[5] 左来.基于模糊遗传算法的楼字火灾报警系统[J].计算机测量与控制,2011,19(8):1950-1952.

[6] 史毓达,卢炎生,王黎明.基于贝叶斯决策模型的火灾报警模式识别系统应用研究[J].华中师范大学学报:自然科学版,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] 张绍龙.基于BP神经网络算法的火灾报警智能分析的研究与实践[D].杭州:杭州电子科技大学,2016.

[9] 徐凤荣.基于模糊神经网络的智能火灾探测报警系统的研究[D].秦皇岛:燕山大学,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.基于多传感器信息融合技术的火灾探测报警系统设计与研究[D].西安:西安建筑科技大学,2013.

[13] 许行宾,缪小平,江丰,等.火灾自动报警系统误报原因分析及对策[J].洁净与空调技术,2011(3):28-31.

[14] 樊振宇.BP神经网络模型与学习算法[J].软件导刊,2011,10(7):66-68.

[15] 李春生,谭民浠,张可佳. 基于改进型BP神经网络的油井产量预测研究[J].科学技术与工程,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

浙江省科技计划项目(GK090910001)

裘炅(1973-)，男，博士，副教授。研究方向：Webgis、物联网等。赵丽辉(1990-)，男，硕士研究生。研究方向：消防物联网。

10.16180/j.cnki.issn1007-7820.2017.12.014

TP277.1

A

1007-7820(2017)12-051-04