[论文]鹿书恩_论文_备份.doc

云模型在火灾报警系统中的应用研究Research on the application of cloud model in fire alarm system段其昌1、鹿书恩1（重庆大学自动化学院1，重庆 400044）DUAN Qi-chang1、LU Shu-en1（Automation Department, Chongqing University1, Chongqing 400044）摘要：针对现有火灾报警方法中存在的报警不准确的问题，对云模型进行了研究，提出了一种基于云模型的火灾判别方法。首先，利用云模型将传感器测得的火灾判别参量转化为定性语言值，解决了随机性和模糊性相结合的问题。然后，根据各判别参量的显著性权值对云模型转化的结果进行数据融合，得出最终火灾判定结果。仿真结果表明该方法具有较高的准确性和实时性。关键词：准确性；云模型；显著性权值；数据融合；火灾报警系统中图分类号：TP277 文献标识码：A Abstract: In order to overcome the shortcomings of the exsiting methods for fire alarming, a research on cloud model was mdae and a method for fire disaster assessment based on cloud model is presented. First, the cloud model transforms the disaster assessment parameters read from sensors into qualitative linguistic values, and the problem of combination of fuzziness and randomness was solved. Then, the method of data fusion based on significance weights fuses different parameters for disaster assessment together, and gets the final result of fire assessment. The results of simulation show that this method is of high veracity and good real-time performance . Key words: Veracity;Cloud model; Significance weights; Data fusion; Fire alarm system0 引言实际应用的火灾报警系统大多采用阈值方法进行火灾判别，这种方法往往会导致较高的漏报率和误报率。针对阈值方法的缺点一些研究者将模糊系统和神经网络等信息处理方法用于火灾报警系统。模糊数学方法很好的描述了正常状态和发生火灾状态之间界限的模糊性，但在实际应用中存在这种情况：针对相同的探测数据，通过模糊算法会得到相同的判别结果，而实际的结果并不相同。这表明火灾判别结果会受到随机因素的干扰，有火灾和无火灾之间的界限除了具有模糊性还具有随机性。神经网络可以将不同传感器获得的信号进行融合，但计算量较大，实时性不够，很难真正在工程中应用1。针对上述问题，本文采用云模型对探测器探测到的数据进行处理，并根据影响火灾判别的各参量在判别过程中的显著程度进行了数据融合。1 系统结构本系统由传感器、区域控制器和集中控制器三部分组成。传感器采用温度传感器、烟雾浓度传感器和光电传感器三种。三种传感器作为一组分布在需要监测的不同地点，并由相应的区域控制器统一管理。区域控制器将探测到的不同参量进行融合得到的判断结果传输到集中控制器。系统结构图如图1所示。图1 火灾报警系统结构图系统软件中跟火灾判断相关的程序流程图如图2所示。判断是否发生了火灾是本文论述的重点。图2 信号处理过程流程图2 云模型概述2.1云模型的定义设是一个用精确数值表示的定量论域，是上的定性概念，若定量值，且是定性概念的一次随机实现，对的确定度是有稳定倾向的随机数 则在论域上的分布称为云（Cloud），每一个称为一个云滴2。定义中的随机实现是概率意义下的实现；定义中的确定度，是模糊意义下的隶属度，同时又具有概率意义下的分布，体现出了模糊性和随机性的关联。2.2正态云模型设是一个用精确数值表示的定量论域，是上的定性概念，若定量值，且是定性概念的一次随机实现，若满足：，其中，且对的确定度满足则在论域上的分布称为正态云2。定义中Ex为云滴在论域空间分布的期望，用以代表定性概念量化的最典型样本；En称为熵，用以描述定性概念的不确定性程度，由概念的随机性和模糊性共同决定；He称为超熵，用来描述熵的不确定性程度。生产与科学实验中很多随机变量的概率分布都可以近似地用正态分布来描述。判断是否服从正态分布的依据是：如果某一现象决定于若干独立的、微小的随机因素的总和，并且各个因素的单独作用相对均匀地小，那么这一现象一般近似于正态分布。正态云的定义中提出的超熵的概念，可以用来反映影响因素中的不均匀情况或不相互独立的程度，是偏离正态分布程度的度量。正态云分布比正态分布的条件更宽松，比正态分布具有更广的普适性。火灾报警系统中传感器探测到的各参量同定性语言值之间的转换关系是满足正态云分布的条件的，因此本文选用正态云模型来描述火灾判别中的随机性和模糊性。图3所示为一正态云模型的图像。其中，Ex=20，En=3，He=0.2，共有1000个云滴组成。图3 正态云模型3 显著性权重的确定在火灾发生的初期，燃烧物体所处的环境中有明显变化的各物理量称为火灾判别参量，如温度、烟雾浓度、温度变化率等。对于不同的燃烧物在燃烧初期各参量变化的显著程度不同。这种表征某一参量在所有参量中显著程度的变量定义为该变量的显著度，用符号S表示，其计算方法如下： （1）其中，k为常数，根据具体火灾环境进行设置；为判别参量x在模拟火灾实验中，火灾发生初期时段T内的变化范围；是在无火灾的情况下在相同环境中相同时段内该参量的波动范围。设在某一环境中和某一燃烧物有关的判别参量有：x1,x2,xn，所对应的显著度分别为：S1,S2,Sn。则其显著性权重wi（i=1,2,n）的计算公式如下： （i=1,2,n） （2）4 火灾判别方法一般的可燃物燃烧时都会引起环境温度的上升、产生烟雾，并且环境的亮度会增强。因此本文选取烟雾浓度、温度、光度作为火灾判别参量。由于温度随昼夜、季节变化较大本文的温度判别过程是一个不断修正的过程，根据环境温度的变化修正温度转化云模型中各语言值对应的期望。另外本文还采用了温度变化率作为判别参量。温度变化率不需另外附加传感器，可以直接通过温度传感器的读数进行计算。计算方法如下：，为时间段（5min），为该时间段内的温度变化量。火灾判别过程的框图如图4所示。这里的烟雾浓度、温度、光度、温度变化率均是经过预处理后的数据。图4 火灾判别过程框图每个云模型对应的输入变量分别为烟雾浓度、温度、光度、温度变化率，分别记为：x1、x2、x3、x4。每个云模型对应的输出自然语言值为正常、预警、火警。每个语言值对应的每个输入变量的确定度记为：，i=1，2，3，4；j=1，2，3。如：为烟雾浓度所对应的语言值为预警的确定度。所有的确定度构成确定度矩阵U，记为：通过（1）式和（2）式分别计算每个判别参量对应的显著性权值wi，4个显著性权值组成显著性权值矩阵。为了便于用数学的方法进行数据融合，将所定义的3个自然语言值进行量化，用数字1，2，3来表示，则语言值矩阵L可表示如下：将数据融合的结果记为r，则数据融合过程可以用下式表示:报警信号直接以数字形式发送，这样信号接收人员可以直接看出警报的紧急程度。时表示无火灾发生，时为预警状态，时表示火灾已经发生。在每一个区间内r的数值越大情况越紧急。5 仿真结果仿真共用到4个云模型，图5所示为其中温度转化和烟雾转化云模型的图像。图中的输入变量均为预处理过的数值。（a） 温度转化云模型（b） 烟雾转化云模型图5 各输入变量对应的云模型取50组经验样本数据对本文所提出的火灾判别方法进行测试，并和以前所采用的模糊系统判别方法进行对比。对比结果如表1所示：表1 仿真报警测试结果对比 系统 对比项 模糊神经网络系统云模型系统正确报警次数2735误报次数159漏报次数86误报率30%18%漏报率16%12%时间（s/次，平均值）1.710.64模糊系统和云模型系统的差别主要体现在对预警和火警以及预警和正常的区分上，在阴燃的前期正确的报警结果应该是预警，模糊系统更容易将其认为是正常或火警。另外对于两组相同的样本，模糊系统给出的报警结果必定是一样的；而实际上由于火灾现场环境中存在的随机因素以及传感器自身的随机因素的干扰，相同的输入变量值仍有可能对应不同的火灾结果。云模型能够较好的描述这种现象。6 结语火灾判别是一种非结构性问题，难以用一般的数学模型进行描述。火灾状态和非火灾状态所对应的判别参量之间的界限具有模糊性和随机性，单独采用模糊系统或概率的方法很难全面描述。本文采用的云模型很好的将随机性和模糊性结合了起来。文中提出的基于显著性权值的数据融合方法，不需要训练，并且避免了神经网络不易收敛的缺点，提高了火灾判别的实时性。云模型和这种数据融合方法的结合应用很好的提高了火灾报警的准确率和实时性。参考文献1 史毓达,卢炎生,王黎明.基于贝叶斯决策模型的火灾报警模式识别系统应用研究J.华中师范大学学报,2007,41(2):211-214.2 李德毅,杜鹢. 不确定性人工智能M. 北京：国防工业出版社,20053 Franz, H. Using LabVIEW software for a fire and alarm technology labC.2005 IEEE International Conference on Electro Information Technology, 22-25 May 2005,Page(s):6 pp.4 李德