基于多传感器信息融合的火灾报警器设计

火灾是人类社会经常遇到的一个灾害,它通常给人民群众带来生命和财产的损失。针对传统火灾报警器参数单一,易出现漏报、误报的问题,本文设计了一种基于多传感器信息融合的火灾报警器;该系统以温度传感器、CO浓度传感器和烟雾浓度传感器测量的现场参数为参考,通过比较器的比较送给单片机进行信息融合,当温度高度设定值时,蜂鸣器报警;在温度高于设定值,且CO和烟雾浓度高于设定值时,蜂鸣器报警并且LED灯闪烁,提示有可能有火灾发生。最终通过对系统的调试实现了对液晶显示器的显示控制和报警器的报警。仿真结果表明了系统能够及时准确的判断是否有火灾发生,具有较强的火灾预测和报警能力。     

基于神经网络的无线传感器网络数据预测应用研究

无线传感器网络是一种由数量庞大的网络节点形成的复杂无线网络,是无线传感器的典型应用,目前已经广泛应用在多个领域当中。将神经网络引入到无线传感器网络当中,通过神经元描述每一个无线传感器数据,构建神经网络元模型。对传统的神经网络模型进行改进,利用无线传感器的神经网络模型,实现无线传感器网络采集数据的融合与提取。通过各种应用类型的差异,选择影响数据输出结果的主要因素,建立一种能够进行预测的模型。以某个区域是否发生火灾为实验原型,对该区域的火灾发生概率进行预测,采用已有的火灾发生数据为训练样本,通过收敛的网络预测火灾发生的概率。实验结果表明,基于神经网络的无线传感器网络数据预测是一种可行、有效的方法。     

基于多传感器家居火灾报警系统的设计

针对人们对家居安全性方面越来越高的要求,设计了一款基于多传感器的家居火灾监测报警系统。本系统可通过手机端APP远程查看家居参数,如温度、烟雾浓度、湿度、CO气体浓度等信息,主控制器对多个传感器节点测量所得的多种参数进行数据融合判断。当气体浓度超标时,下位机进行现场的声音报警,启动排风扇做紧急处理;上位机(手机端)则进行手机振动与微信公众号消息推送提醒。本系统实现了家居火灾的监测、报警、智能控制等功能,采用多传感器采集,可靠性高。     

一种基于最优聚类中心与权重欧式距离的多源异质传感器数据融合方法

针对多源传感器协同监测森林火灾时对于早期火灾识别准确度不高的问题，本文提出了一种基于最优聚类中心与权重欧式距离的多源异质传感器数据融合方法。将温度、烟雾和CO传感器的数据进行融合得到明火、阴燃、无火三种火情的概率估计，从而实现及时识别林火的目的。仿真实验结果表明：本文提出的方法可以实现各阶段火情早期特征的检测，有效识别早期森林火灾；与相关文献提出的方法相比，本文方法能够得出更为理想的林火概率，辨识准确性更高，可以有效降低误报风险。     

矿井火灾监测与趋势预测方法研究

在分析温度监测法、气体监测法、烟雾监测法、可见光图像监测法、红外图像监测法等矿井火灾监测方法原理和特点的基础上,提出了基于多参数融合的矿井火灾监测与趋势预测方法,得出以下结论:①热电偶测温法和半导体测温法具有准确率高、实时性强、能及时发现早期火灾等优点,但存在传感器用量大、维护工作量大等缺点;红外测温法具有监测范围广、传感器易于布置等优点,但传感器与被测物体间的遮挡物和煤尘等均会影响监测结果;光纤分布式测温法具有可监测多点温度、线缆用量小等优点,但存在光纤易损坏、安装复杂、维护困难等缺点。②气体监测法和烟雾监测法具有监测范围广、使用与维护方便等优点,但不能监测标志性气体浓度低、烟雾较小的早期火灾。③可见光图像监测法具有监测范围广、使用与维护方便、成本低等优点,但巷道灯、矿灯、车灯和红色衣物等干扰源及烟雾等均会影响监测效果,且不能监测没有火焰和烟雾较小的早期火灾。④红外图像监测法具有监测范围广、使用与维护方便等优点,但成本高,红外摄像机与被测物体间的遮挡物和煤尘等均会影响监测效果。⑤基于温度、烟雾、气体浓度、气味、风向、风速、风量、可见光图像和红外图像等多参数融合的矿井火灾监测与趋势预测方法不但能及时发现火灾,还可定位火源、预测火灾发展趋势。     

智能家居火灾预警系统建模与分析

为了实现让智能家居系统能够对家居火灾进行早期预报并及时准确的报警,从而保护家居环境和人身财产安全,开发了一种智能家居火灾预警系统。在预警系统中采用BP神经网络建立火灾预测模型,把家居温度、烟雾浓度、一氧化碳气体浓度多火灾信息作为输入参数,明火发生概率、阴燃火发生概率、无火发生概率作为输出,同时结合使用LM算法以及遗传算法对火灾预测模型进行大幅度优化。实验表明,该预警系统预测精度较高,有效的改善了传统火灾预测智能化程度低的问题     

基于神经网络的多传感器火灾预测数据处理

为降低火灾报警系统的漏检、误报率,利用神经网络良好的非线性映射能力,对多传感器(温度传感器、烟雾传感器和CO传感器)同时探测到的数据进行智能化处理。仿真结果表明:基于神经网络的多传感器火灾报警系统能准确地识别各种火灾信号,减少了误报,增强了系统的抗干扰能力和对环境的适应性能.     

可拓神经网络模型及其股指期货分析研究

近年来可拓神经网络(ENNs)在人工智能领域发展迅速,取得了颇为丰富的研究成果。双权可拓神经网络就是这些成果之一。这是一个非常新的课题,有关它在实际应用方面的研究还只是很狭隘地限定在各类诊断之中,因此要丰富这一新兴课题就需要拓展双权可拓神经网络在其他领域的应用研究。率先拓展了双权可拓神经网络模型在股指期货预测分析领域的应用研究,详细描述了两种双权可拓神经网络结构设计、算法过程,并且通过实验验证了该模型在股指期货预测分析领域的可行性和有效性。     

基于粒子群优化的可拓神经网络故障诊断方法研究

基于可拓学的故障诊断方法是智能故障诊断领域中较为新颖的研究方向;首先介绍了可拓故障诊断领域的研究现状;然后重点分析了可拓神经网络模型,包括它的结构和故障诊断原理,由于该模型存在参数设置主观、易早熟等问题,进而提出了基于粒子群优化的可拓神经网络模型,该模型以关联度作为测度工具物理意义明确,通过粒子群算法进行参数优化避免算法早熟;最后采用汽轮发电机组振动信号频谱数据进行算法验证,结果表明该算法能够正确诊断出全部故障,且诊断精度高。     

数据融合方法在火灾监测系统中的应用

设计了基于1-WIRE总线的火灾监测系统,采用温度、烟雾、红外传感器进行火灾检测。在数据处理方法上,首先应用模糊数学中隶属函数的概念产生各个传感器的信度函数分配,再利用D S证据理论方法对多个传感器进行数据融合,利用目标模式的判定规则对火灾的有无进行判断,较单个传感器相比,多传感器数据融合的结果具有较高的准确度和可信度。     

基于神经网络的多传感器火灾报警系统

为降低火灾报警系统的漏检、误报率,利用神经网络良好的非线性映射能力,对温度传感器、烟雾传感器和一氧化碳传感器同时探测到的数据进行智能化处理。仿真结果表明:基于神经网络的多传感器火灾报警系统能准确地识别各种火灾信号,减少了误报,增强了系统的抗干扰能力和对环境的适应性能。     

基于RBF神经网络的火灾探测器模型研究

针对目前火灾探测技术难以满足实际需要的问题,在分析RBF网络结构特点及最近邻聚类学习算法的基础上,提出用RBF神经网络建立火灾探测器模型,以火灾初期实验得到的环境温度、烟雾浓度、CO含量为输入,以明火概率、阴燃火概率、无火概率为输出对RBF网络进行训练,并进行仿真试验,结果表明,实际输出与期望输出的相差较小。     

火灾探测的模糊神经网络数据融合算法

为提高火灾报警系统的正确率,提出一种多传感器火灾探测系统的数据融合算法.采用模糊神经网络建立了数据融合决策模型,并用改进的BP算法对网络进行学习和训练,自动调整模糊系统参数.根据国家标准试验火数据进行网络训练,系统误差小于试验火标准误差要求,表明了算法的有效性和可行性.与其他方法探测结果进行比较,体现了所设计的算法的优越性.     

基于神经网络的链路预测算法

针对当前基于网络拓扑结构相似性的链路预测算法普遍存在精确度较低且适应性不强的问题,研究发现融合算法能够有效改善这些问题。提出了一种基于神经网络的融合链路预测算法,主要通过神经网络对不同链路预测相似性指标进行融合。该算法使用神经网络对不同相似性指标的数值特征进行学习,同时采用标准粒子群算法对神经网络进行了优化,并通过优化学习后的神经网络模型计算出融合指标。多个真实网络数据集上实验表明,该算法的预测精度明显高于融合之前的各项指标,并且优于现有融合方法的精度。     

基于时空融合的缺失值填补算法

为提升PM 2.5浓度预测精度,提出基于时空融合与缺失值填补的预测方法。抓住时空相关性,以历史气象和PM 2.5浓度数据作为输入,利用长短时记忆神经网络和人工神经网络从时空两个维度对未来一小时PM 2.5水平进行预测,用模型树进行融合。由于数据集中存在大量的连续缺失数据,为弥补其带来的不利影响,利用所提算法对预测模型进行辅助。实验结果表明,时空融合比单维度单模型的预测表现更佳,提出的填补算法使预测误差进一步降低。     

粒子群优化SVM在气体定量分析中的应用

针对机动车尾气排放CO气体的定量分析中,支持向量机建模的参数难以确定、光谱数据计算量过大等问题,提出了一种自适应变异粒子群优化的支持向量机方法,对浓度范围在0.5%~8%的20组不同浓度的CO气体进行定量分析。通过对汽车尾气中CO气体的初始数据进行优化,再将优化的核函数带入支持向量机进行浓度的回归分析,将结果与BP神经网络模型回归效果作对比,实验表明：粒子群寻优得到的最优参数c=39.3152,g=0.17855;BP神经网络的适应度值在迭代60次之后趋于稳定,SVM建模时间约为BP网络的1/30,且SVM预测精度明显高于BP网络。相比与BP网络,SVM更适合处理气体定量分析问题。