学位论文 > 优秀研究生学位论文题录展示

火灾早期探测分级预警系统研究

作　者: 付净
导　师: 秦华礼
学　校: 东北大学
专　业: 安全技术及工程
关键词: 火灾早期探测分级预警多传感器数据融合动态模糊神经网络 MATLAB仿真
分类号: X928.7
类　型: 硕士论文
年　份: 2009年
下　载: 97次
引　用: 0次
阅　读: 论文下载

内容摘要

火灾信息具有无法预知、非结构性的特征。传统的探测方法大多通过采集单一的火灾特征参数信息进行识别和判断,但由于干扰因素多,误报率一直比较高。近年来,在探测器的灵敏度、可靠度方面做过许多技术改进,使火灾报警的准确度得到了一定的提高,但还不能满足火灾探测系统的自动化要求。只有对火灾信息尤其是火灾早期信号的固有特征,进行全面、准确的描述才能达到减少或消除误报的目的。因此,通过对火灾发展历程及火灾探测方法的研究,结合火灾探测系统的自身特点,提出了在火灾早期实施分级预警的理论及方法,主要通过采用多传感器数据融合技术及动态模糊神经网络的算法实现火灾早期的分级预警。由于火灾早期特征信号不止一种,根据信号特点划分三级预警级别。同时,将气敏传感器、一氧化碳气体传感器以及光电感烟传感器相结合,构成多传感器系统,用作于火灾早期信号的提取、辨识、判断。利用动态模糊神经网络理论建立火灾早期信号探测系统模型,并进行模式的识别,根据特征气体及特征烟雾的浓度及变化率进行分级预警。将动态模糊神经网络应用于火灾早期分级预警系统中,主要是基于动态模糊神经网络学习收敛速度较快,对网络结构具有动态变化的特点,它可以有效的进行系统建模。利用动态模糊神经网络建立火灾早期信号探测系统模型,对火灾早期信号进行提取辨识。通过MATLAB软件进行仿真模拟,得到网络模型输出与系统期望输出的逼近曲线。同时,通过对网络的训练,得到火灾阴燃早、中、晚期三个阶段的火灾发生概率并与RBF神经网络算法得到的结果进行误差对比,证明了利用动态模糊神经网络建立火灾早期信号探测系统模型的可行性,可以有效的实现对火灾早期信号快速、准确的辨识和融合。同时,网络测试的结果证明了利用动态模糊神经网络得到的网络分级输出火灾早期概率与期望概率的误差较小,可以实现火灾早期的分级预警。

全文目录

摘要  5-6
Abstract  6-11
第1章绪论  11-21
  1.1 引言  11
  1.2 火灾探测技术的发展与研究现状  11-15
    1.2.1 火灾探测技术的发展  11-14
    1.2.2 多元复合探测技术的产生和发展  14-15
  1.3 数据融合技术的发展概况及应用价值  15-16
    1.3.1 数据融合技术的发展概况  15-16
    1.3.2 数据融合的理论意义和应用价值  16
  1.4 动态模糊神经网络理论发展历史与现状  16-18
    1.4.1 模糊神经网络的发展  16-17
    1.4.2 动态模糊神经网络提出的背景  17
    1.4.3 动态模糊神经网络的发展与应用  17-18
  1.5 本文研究的主要内容  18-20
  1.6 本章小结  20-21
第2章火灾探测原理及方法  21-41
  2.1 火灾的发展历程  21-23
    2.1.1 火灾发展的两个阶段  21-22
    2.1.2 火灾的阴燃阶段  22-23
  2.2 火灾探测技术及探测器的选择  23-27
    2.2.1 火灾探测技术  23
    2.2.2 火灾探测信息  23-24
    2.2.3 火灾探测器的选择  24-27
  2.3 火灾早期探测技术  27-35
    2.3.1 气味火灾探测技术  28-30
    2.3.2 一氧化碳火灾探测技术  30-32
    2.3.3 光电感烟火灾探测技术  32-34
    2.3.4 多元复合探测技术  34-35
  2.4 火灾早期探测分级  35-39
    2.4.1 实际与干扰火灾的判定  36-37
    2.4.2 火灾早期分级预警  37-39
  2.5 本章小结  39-41
第3章多传感器数据融合火灾早期分级预警技术  41-53
  3.1 数据融合的概念、特点及算法  41-44
    3.1.1 数据融合的概念  41
    3.1.2 数据融合的特点  41-43
    3.1.3 数据融合的算法  43-44
  3.2 多传感器数据融合技术在火灾早期探测中的应用  44-50
    3.2.1 多传感器数据融合的概念及模型  44-47
    3.2.2 多传感器控制系统的信息融合算法  47-50
  3.3 本章小结  50-53
第4章动态模糊神经网络结构及算法  53-69
  4.1 模糊神经网络的集合  53-56
    4.1.1 模糊控制系统  53
    4.1.2 神经网络控制系统  53-54
    4.1.3 模糊控制理论与神经网络相结合的智能控制系统  54-56
  4.2 动态模糊神经网络的概念及结构  56-59
    4.2.1 动态模糊神经网络的含义与特点  57
    4.2.2 动态模糊神经网络的结构  57-59
  4.3 动态模糊神经网络的学习算法  59-64
    4.3.1 系统误差及可容纳边界  59-60
    4.3.2 分级学习思想  60
    4.3.3 前提参数分配  60-61
    4.3.4 结构参数的确定  61-64
  4.4 动态模糊神经网络的修剪技术  64-68
    4.4.1 传统的修剪策略  65
    4.4.2 误差下降率(ERR)方法  65-68
  4.5 本章小结  68-69
第5章动态模糊神经网络在火灾早期探测分级预警系统中的应用  69-85
  5.1 非线性动态火灾早期信号探测系统辨识  69-74
    5.1.1 非线性动态系统的辨识  69-70
    5.1.2 神经网络用于系统辨识  70
    5.1.3 系统辨识模型  70-72
    5.1.4 火灾早期信号探测系统模型建立  72-74
  5.2 火灾早期探测系统中动态模糊神经网络结构的确定及参数的选取  74-76
  5.3 火灾早期探测系统中动态模糊神经网络算法的应用  76-84
    5.3.1 探测数据的预处理  76-77
    5.3.2 探测数据的确定  77-79
    5.3.3 仿真模拟  79-84
  5.4 本章小结  84-85
第6章结论与展望  85-87
  6.1 结论  85
  6.2 展望  85-87
参考文献  87-95
致谢  95-97
学习经历简介  97

火灾早期探测分级预警系统研究

内容摘要

全文目录

相似论文