论文部分内容阅读
在我国,城市化进程日益推进,越来越多的人涌入城市。大量人口聚集在社区、写字楼、大商场等小范围的地方,这无疑增加了火灾对人类的威胁。因此人们需要更加可靠的火灾预警装置预警火灾的发生来保护人们的生命和财产安全。传统的火灾探测方式工作过程简单,形式单一,只采用单一的传感器探测火灾。但是随着环境的变化,社会的发展,这样的方式越来越显现其局限性,干扰传感器正常工作的因素越来越多,因此需要一种新的火灾探测方式来满足人们的需求。多传感器数据融合技术应用广泛,在火灾探测中,使用多组传感器探测火灾能够弥补传统火灾探测方式的缺点,而DS(Dempster-Shafer)证据理论和BP(Back Propagation)神经网络是数据融合技术领域应用较多的两种技术。DS证据理论在处理不确定性问题上有良好的表现。对于多传感器采集的现场信息,DS证据理论能在处理过程中逐渐将信息向不确定性小的方向靠拢,从而最终得到一个令人满意的融合结果。但是DS证据理论的基本概率分配函数的确定是一个问题。考虑到BP神经网络的自适应自学习的特点,以及输出结果可以控制在[0,1]范围内,所以将BP神经网络和DS证据理论结合,让BP神经网络的输出结果作为DS证据理论的基本概率分配函数。鉴于此想法,本文建立了基于BP神经网络的DS证据理论模型,用以实现对火灾的探测。最后的实验结果表明该模型对火灾有很好的识别能力,并且具有一定的抗干扰能力。本文主要工作和成果如下:1.针对单一传感器在火灾探测系统应用中的局限性,采用多传感器数据融合的方法,提出了基于BP神经网络的DS证据理论模型,并用模拟火灾验证该模型的有效性。结果表明该模型对火灾有很好的识别能力,并且在有干扰的情况下依然能准确识别火灾。2.在BP神经网络的构建上,综合了多位学者专家的知识,结合自己不断试验的结果,确定网络的各项参数。针对标准BP算法收敛速度慢的缺点,采用改进的BP算法,即L-M(Levenberg-Marquardt)算法,来加快网络训练过程中的收敛速度。结果表明,L-M算法大大加快了网络的收敛速度。3.在模拟火灾中,由干扰数据产生的高冲突性证据无法用DS证据理论的合成规则与其他证据融合。针对此问题,提出了一种新的处理高冲突性证据的方法。该方法对数据进行预处理,计算量小,处理速度快。结果表明,采用该方法大大降低了证据之间的冲突,使结果更加可靠。