[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

说明书

本发明属于火灾检测技术领域，具体提出了一种基于遗传算法的改进模糊神经网络火灾检测方法。该方法基于火灾现场检测到的温度、一氧化碳浓度和烟雾浓度数据，建立基于遗传算法的改进模糊神经网络火灾检测模型，利用遗传算法全局优化、自适应调整的特点，对模糊神经网络的权值参数进行优化训练。训练好的早期火灾检测模型对来自多传感器的数据进行融合判断，输出所述待测火灾检测结果。本发明解决了现有火灾检测技术存在的前期成本投入高及准确性低的问题，能够及时且准确地检测到火灾是否发生，具有较好普适性。

技术领域

本发明属于火灾检测技术领域，具体涉及一种基于遗传算法的改进模糊神经网络火灾检测方法。

背景技术

在各种灾害中，火灾是最经常、最普遍地威胁公众安全和社会发展的主要灾害之一。如何预防火灾和在火灾发生初期快速精确识别火情并报警具有重要意义。

目前火灾探检测系统的探测手段主要有感温、感光、感烟、声音和图像等，大都采用单一传感器检测，以火灾发生现场的单一信息进行阈值判断。这种检测方式极易受到外界环境干扰导致漏报或误报，且报警信号产生较晚，此时消防救援难度较大，不能完全避免火灾损失。

与传统的基于单一传感器的火灾检测方法相比，基于多传感器数据融合技术的火灾检测方法具有响应速度快、抗干扰性强、漏报误报率低等优点。目前，现有技术还没有一种有效的基于多传感器数据融合的火灾检测方法。

发明内容

为了解决上述问题，本发明提供了一种基于遗传算法的改进模糊神经网络火灾检测方法，以实现对早期火灾的有效检测。

为了实现上述目的，本发明采取了如下技术方案：

一种基于遗传算法的改进模糊神经网络火灾检测方法，包括：

一种基于遗传算法的改进模糊神经网络火灾检测方法，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。

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；

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；

所述步骤S5中，火灾识别结果包括无火、阴燃火和明火；

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；

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；

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；