基于LSTM网络的船舶机舱火灾多特征融合探测

针对船舶机舱火灾高效准确探测的需求,建立基于LSTM-ID3 判决的船舶火灾探测方法。首先确定采集船舶火灾特征的三类传感器,然后完成 LSTM 神经网络模型的构建、参数的优化,将 LSTM 神经网络输出的明火、阴燃火、无火的概率值与烟雾持续时间作为决策树的输入量,输出火灾探测结果。利用国家标准火典型数据进行训练,并开展相关试验,对船舶机舱火灾进行探测。试验结果表明,与其他算法进行对比,探测准确率达到97%以上,该方案能对机舱火灾做出有效探测,为船舶安全提供科学依据。     

基于微粒群算法和模糊神经网络的火灾探测研究

针对火灾探测的特点,将模糊系统和神经网络有机结合,实现模糊系统设计参数的自动调整。采用符合国家标准明火、阴燃火以及厨房环境下的干扰火等作为模糊神经网络的训练样本和测试样本,依据模糊神经网络算法要求,完成了网络结构的设计,并给出相应的计算模型,利用微粒群算法对网络的权值进行学习与训练。结果表明,该算法在探测国家标准火的火灾状态方面具有有效性和可行性。     

基于模糊神经网络的火灾算法研究

针对现火灾探测器存在的误报率高、响应速度慢的问题,提出基于多参量的模糊神经网络火灾探测算法。以温度、CO浓度、烟雾浓度为火灾特征参量,建立火灾探测模型,以汽油明火、聚氨酯泡沫明火、木材阴燃火、织物阴燃火为模拟火进行模拟火灾响应实验;以熏香烟雾、水泥粉尘、香烟火、暖风机为干扰源进行抗干扰实验。实验结果表明:设计的多参量复合火灾算法对火灾具有较高的探测精度,在50次模拟火灾实验中平均火灾响应时间为19.8 s,火灾误报率为0.375%,漏报率为0。     

GA优化BP神经网络在多参量火灾探测中的应用

针对BP 神经网络的随机权重和阈值稳定性不高的问题,运用遗传算法(GA)对BP 神经网络的初始权重和阈值进行优化,提出了一种基于GA 优化BP 神经网络的多参量数据融合方法以实现火灾探测,提高火灾探测准确率和模型泛化性能,并利用该模型对标准明火和阴燃火中的温度、烟雾浓度和CO 浓度进行数据融合实现火灾探测。研究显示,相较单纯BP 神经网络,经GA 优化的BP 神经网络火灾探测算法能够更快速精确地实现火灾探测,探测精度有显著改善,火灾识别准确率提高至98.84%。     

用多层前馈神经网络对四种标准火信号进行识别

火灾智能探测算法具有自学习和自适应功能，是当前火灾探测算法研究的热点，神经网络的方法是其中一种重要的方法，4地国标GB4715－93中规定的四种标准火实验中获得的多以数信号进行了分析，并构建了前馈神经网络对这四种标准火的信号进行识别。将网络改造后也可用于标准火的探测。     

简论煤田火区勘察物探方法

在煤矿的事故中,煤矿的自燃事故一直占着较大的比重.在煤矿自燃火灾中,为灭火工作造成较大困难的因素就火源的隐蔽.准确的探测燃烧中心和火区范围,成为了控制煤田火灾的关键所在.本文将对煤田自燃火灾为基础.探讨了煤田火灾的探测方法:并着重介绍了用物探方法对火区进行探测,其结果表明,该方法具有快速准确的探测出火区燃烧中心的优点,希望本文的研究能在煤田火灾的控制方面有所帮助.     

LM算法在火灾早期探测中的应用

针对传统火灾探测方法在外界干扰下难以快速、准确地识别火灾,提出基于过程特征信息的神经网络火灾探测方法.选用CO和CO2气体体积分数比值、比值上升速率和加速度作为火灾过程特征参数,设计三层误差反向传播(BP)人工神经网络模型,采用改进的BP算法-LM算法进行网络学习训练.实验包括6种真实火灾源材料及蜡烛、香烟、液化气3种虚假火灾源材料.结果表明,基于LM算法的人工神经网络火灾探测系统能有效识别火灾,提高火灾探测的可靠性与准确性.     

公路交通隧道火灾探测技术研究

通过油盘火试验和模拟研究隧道火灾探测技术.油盘火试验分汽车下着火和汽车后方着火,模拟分为发动机舱着火和乘客舱着火.只有闭路电视图像探测器和感烟探测器能探测到车辆下方火灾,线型光纤感温探测系统探测车辆后方火灾较快.探测系统对乘客舱火灾的响应时间比发动机舱火灾的响应时间长.以50 km/h行驶的移动车辆着火,所有探测器无响应.建议采用两种及以上技术进行探测.     

基于模糊神经网络的智能火灾探测方法研究

针对传统火灾探测的误报、漏报问题,设计一种基于模糊神经网络的智能火灾探测方法。采用神经网络+模糊推理的结构,选取样本数据的温度、烟雾浓度和CO浓度三种参数,通过MATLAB对数据进行处理,得到明火概率、阴燃概率、无火概率三种概率值,对比分析期望输出和实际输出,并选取NIST实验数据对系统进行测试,将神经网络的输出参量连同火灾信号持续时间作为模糊推理的输入变量,得到输出概率。多次试验与实际报警结果对照表明,该方法增强了火灾探测的灵敏度和可靠性。     

基于数据融合技术的无人值守变电站火灾探测算法研究

针对变电站传统火灾报警系统存在误报、漏报率高,无法根据站内不同区域重要性采取严格程度不同的火灾报警及消防措施问题,笔者提出一种基于数据融合技术的无人值守变电站火灾探测算法。在数据融合技术的特征层,采用BP神经网络对探测区域内温度、烟雾体积分数、CO体积分数3种特征参量进行数据融合,预测输出明燃火及阴燃火的概率;在决策层,通过模糊推理将特征层输出的火灾概率与火灾延续时间、火灾风险度和损害度3种附加信息进行数据融合,最终决策输出火灾报警等级。仿真测试结果表明：该算法能够快速准确识别出明燃火及阴燃火场景,并能根据不同探测区域的重要性差异给出合理报警决策,具有一定的灵活性和先进性。     

优化神经网络在多传感器火灾探测中的应用

针对BP神经网络在拟合过程中探测精度低、容易陷入局部最优的问题,提出一种基于遗传算法（GA）和模拟退火算法（SA）共同改进的BP神经网络模型,该网络模型可以有效提高火灾识别准确率,同时避免网络过拟合现象,使预测结果跳出局部最优从而达到全局最优。首先,通过GA改进隐藏层结构部分,然后通过SA改进连接权重部分,最后利用优化后的GA-SA-BP模型对火灾实验数据进行信息融合实现火灾探测。实验研究表明,对比单一BP神经网络,经GA和SA改进后的BP神经网络能够有效改善网络拟合能力,并提升火灾探测精度至98.91%。     

基于神经网络的聚合物火灾危险性预测

基于BP 神经网络预测模型预测聚合物的火灾危险 性,通过对测试样本进行网络仿真和拟合,量化输出IFHI 火灾危 险综合指数（Integrated Fire Hazard Index,IFHI）,来对聚合物 的各项（热危险与烟气危险指标）性能进行综合评价。实验表明, 通过BP 神经网络预测IFHI 的结果与层次分析法分析结果大体 相近,火灾危险性均大体符合火灾危险指数的总体走向,由模型预 测与评估的结果同实际数据具有较好的一致性与较高的重合度。     

基于QPSO-BP 神经网络的火灾预警算法

为了进一步提高油库消防系统的安全性,针对其火灾报警信息系统进行了改进,构建基于量子粒子群算法优化BP神经网络的火灾智能预警算法,以温度、烟雾浓度以及CO 浓度数据作为神经网络的输入,以无火、明火以及阴燃火的概率作为神经网络的输出。使用量子粒子群算法优化BP 神经网络运行中随机产生的权值和阈值,加快神经网络收敛到期望误差的速度,增强全局搜索能力。通过MATLAB 软件对智能火灾预警算法的模型进行仿真,模型输出的火情概率与实际值基本吻合。设计了多传感器数据采集设备,获取火灾现场数据,输入网络模型,能够有效识别明火、阴燃火和无火情况,验证了该算法可提高消防预警系统的准确性。     

BP网络在消防训练评价模型中的应用

对如何评价现代消防训练的总体效果，从被评单位的基本情况、训练工作的指导思想等9个方面，建立了评价指标体系原则、目标和内容。通过引入人工神经网络理论，建立了基于BP网络的评价模型，并结合应用实例进行了讨论。     

基于ANFIS的火灾中人员疏散反应时间的研究

本文利用自适应性模糊神经网络(ANFIS),建立了紧急状态下人员疏散行动开始时间的预测模型.在关于火灾状态下人员疏散行为反应数据的基础上,利用BP机制对采集到的数据样本进行训练和检验,对火灾状况下人员疏散反应时间进行了预测,为进一步实现人员疏散行为的模拟提供了依据.     

基于人工智能的轻量级模型对烟雾检测研究及应用

传统应用在便携设备上的火灾探测系统占用内存非常巨大，传感器易受环境的影响，导致检测精度不高。针对这一问题，提出了一个内存占用率小、性能优的火灾探测系统。利用FireNet神经网络嵌入到便携式硬件产品中，在多种火灾数据集上进行测试，测试效果表明，该系统相较其他传统方法，在精度和速度上都有明显提升。     

基于1D-CNN的串联故障电弧检测

为提高串联故障电弧检测的可靠性,依据标准搭建串联故障电弧检测试验平台,设计数据实时采集装置采集了白炽灯、日光灯、空气压缩机、吹风机4种线性或者非线性负载在正常和故障情况下的电流数据共9 600组。提出利用一维卷积神经网络（1D-CNN）检测线路中电流信号对其分类,判断是否发生故障电弧。经测试该模型对各类负载的平均检测准确率达到100%,损失值在0.000 7以下。将模型导入嵌入式系统,准确度达到96.25%,证明设计的卷积神经网络架构可成功检测出串联故障电弧,降低火灾发生风险。     

基于自适应集成神经网络的火灾预测方法

针对传统火灾预测方法存在误报和漏报的问题,提出了一种基于自适应集成神经网络的火灾预测方法。首先,在信息层采用速率检测算法将不同类型传感器检测到的奇异数据输入到网络模型中。其次,在特征层采用长短期记忆网络（LSTM）和径向基前馈神经网络（RBF-BPNN）构建集成网络学习不同输入参数下的火灾特征,最后,在决策层设计模糊逻辑控制系统推理输出火灾报警等级。实验结果表明,该方法具有更高的预测精度。