[发明专利]一种基于遗传算法的改进模糊神经网络火灾检测方法

权利要求书

1.一种基于遗传算法的改进模糊神经网络火灾检测方法，其特征在于包括以下步骤：

步骤S1，采集火灾环境数据，并将采集到的火灾环境数据划分为训练集和测试集；

步骤S2，对步骤S1采集到的火灾环境数据进行预处理和标注，获取火灾环境数据标签；

步骤S3，根据步骤S1获取的火灾环境数据以及步骤S2获取的火灾环境数据标签，构建基于遗传算法的改进模糊神经网络火灾检测模型；

步骤S4，使用步骤S1中划分的训练集和测试集对步骤S3构建的基于遗传算法的改进模糊神经网络火灾检测模型进行训练和测试；

步骤S5，使用步骤S4中训练和测试后的基于遗传算法的改进模糊神经网络火灾检测模型对待检测的环境数据进行火灾检测，输出火灾识别结果。

2.根据权利要求1所述的一种基于遗传算法的改进模糊神经网络火灾检测方法，其特征在于：

所述步骤S1中，火灾环境数据包括温度、一氧化碳浓度和烟雾浓度。

3.根据权利要求1或2所述的一种基于遗传算法的改进模糊神经网络火灾检测方法，其特征在于：

所述步骤S2中，对火灾现场环境数据预处理时使用S-G滤波法和minmax归一化方法。

4.根据权利要求1所述的一种基于遗传算法的改进模糊神经网络火灾检测方法，其特征在于：

所述步骤S3中，构建基于遗传算法的改进模糊神经网络火灾检测模型的方法为：基于MATLAB编程语言建立模糊神经网络，再使用遗传算法优化训练所建立的模糊神经网络权值参数，并将优化后的权值参数作为模糊神经网络的权值参数放入模糊神经网络的代码，最后利用步骤S1中所采集的火灾环境数据进行火灾检测模型训练。

5.根据权利要求4所述的一种基于遗传算法的改进模糊神经网络火灾检测方法，其特征在于：

所述建立模糊神经网络时，使用BP神经网络和TSK模糊模型，建立的模糊神经网络包括输入层、条件层、规则基础层、选择层、结果层、输出层。

6.根据权利要求5所述的一种基于遗传算法的改进模糊神经网络火灾检测方法，其特征在于：

所述输入层的输入量为温度、CO浓度和烟雾浓度，输入层直接将非模糊输入值传输到条件层；

所述条件层对每个输入量的模糊集和隶属函数进行定义，其中模糊集均为低、中、高三个等级，隶属度函数为高斯函数；

所述规则基础层使用IF-THEN语句定义输入输出模糊规则；

所述选择层决定每个模糊规则的最大匹配度，选择层的节点数与规则基础层的节点数一致；

所述结果层表示每个模糊规则的输出结果；

所述输出层将所有结果层的输出结果相加，得到模糊神经网络的最终输出。

7.根据权利要求4所述的一种基于遗传算法的改进模糊神经网络火灾检测方法，其特征在于：

所述优化训练所建立的模糊神经网络权值参数的方法为：

(1)初始化模糊神经网络的参数，参数包括隐含层层数、输入层、隐含层和输出层节点数、模糊神经网络训练算法，并设定遗传算法的种群数目和优化目标；

(2)对步骤(1)中参数初始化后的模糊神经网络神经元的初始权值与阈值进行实数二进制编码；

(3)计算步骤(1)中设定的遗传算法的种群适应度，并根据种群适应度的计算结果，对遗传算法的种群进行选择、交叉和变异操作，当种群适应度满足步骤(1)中所设定的优化目标后获得模糊神经网络神经元的最佳初始权值和阈值。

8.根据权利要求1所述的一种基于遗传算法的改进模糊神经网络火灾检测方法，其特征在于：

所述步骤S1中，使用温度传感器、一氧化碳浓度传感器和烟雾浓度传感器进行火灾环境数据采集，使用NIST Test FR 4016中Test1-Test2、Test4-Test15、Test31、Test33-41作为数据集，温度传感器、一氧化碳浓度传感器和烟雾浓度传感器安装高度距离天花板20mm，火灾环境为卧室、客厅和厨房。