基于模糊神经网络的中庭火灾探测系统

　　由于中庭火灾温升并不高，探测中庭火灾主要是利用感烟探测器、红外光束探测器、图像探测器和气体探测器。而前 3 种类型探测器都是从不同侧面对烟雾浓度及火灾进行探测。因此，本着实用原则，以烟雾浓度和气体浓度为例，按照人的逻辑思维，根据模糊推理的运算方式，建立了模糊神经网络。

　　模糊系统与神经网络融合的方法有多种， 本文在火灾探测系统中采用串联模糊神经网络，为了便于神经网络的处理，对探测器的模拟量进行了预处理，即将其幅值进行归一化。同时将这两个归一化值作为一个模糊系统的输入，将每一个归一化值都用线性和柯西分布隶属函数进行变换，得到它们的 4 个隶属度函数值，作为神经网络的输入。神经网络结构为前馈BP 网络，输出量为 2 个，即明火概率和阴燃火概率。将它们分别送入模糊逻辑判决器，得到相应的隶属度，最后设置一定的报警延时和判决门限去模糊，从而得到明火和阴燃火的判决结果。

　　1 信号预处理及模糊系统

　　该系统将模糊逻辑系统的输出作为神经网络的输入，这是其它火灾探测系统均未采用过的方法，在中庭火灾探测中更是没有用到过。该系统充分发挥模糊系统的优点，将模糊系统的输入量通过隶属函数的变换，达到突出输入量某部分的目的。

　　本文以欧洲标准试验火 TF1-TF6 作为学习对象，通过分析其烟雾及气体信号，采用线性分布和柯西分布作为模糊系统的隶属度函数。当火灾发生时，物理参量有的信号上升而有的信号下降。要提取其上升和下降的特征，应该分别采用偏大型和偏小型柯西分布。通过实验可以确定两种柯西分布中的参数 、 。对归一化的气体和烟雾信号经过线性变换和柯西变换后的隶属度值如图 1 所示。

　　其中对气体和烟雾的常规值(无火灾)给予压缩，而对其中有较大变化部分(有火灾)给予扩展。同时对气体和烟雾的归一化值用隶属度函数 A(x) = x 进行线性模糊化，那么由此可得 4 个隶属度值。将这 4 个隶属度值送入神经网络进行处理，能够突出信号变化特征，有利于提早报警时间，减少误报。

　　2 神经网络的结构和训练

　　该火灾探测系统的神经网络是采用 3 层前馈BP网络，使用 BP 学习算法，通过调整权值使实际输出与期望输出的总方差最小。网络结构如图 2 所示。输入层的 4 个输入对应模糊系统的输出，分别为：气体探测器输出幅值的归一化值经线性变换的隶属度和柯西分布(偏大型)变换的隶属度，感烟探测器输出幅值的归一化值经线性变换的隶属度和柯西分布(偏小型)变换的隶属度，取值范围为 0 ~ 1;输出层的两个输出为明火概率和阴燃火概率，取值范围为 0 ~ 1;输入层与输出层之间为 7 个神经元的隐层。输入层与隐层之间的权值为 W1，隐层与输出层之间的权值为 W2。