基于反向传播神经网络的无线火灾预警系统
摘要：针对传统火灾预警系统中单一传感器数据检测的缺陷，提出一种基于反向传播神经网络模型的无线多传感信息融合火灾预警系统。该模型借助Matlab平台进行信息融合算法模拟，并经过试验验证，大大提高了火灾预警系统的准确率和可靠性。
关键词：反向传播神经网络；信息融合；ZigBee；火灾预警
0 引言
提出一种基于反向传播神经网络的无线多传感信息融合火灾预警系统。通过对温度、火焰、烟雾和CO浓度等多类同构或异构传感器的冗余信息和互补信息进行多级别和多方面融合处理，从而获得比单一或单类传感器更为准确、可靠的检测。同时，采用无线方式，系统组网灵活，且便于施工。系统模型借助Matlah平台进行建构和模拟仿真，从而大大提高了开发效率。
1 系统设计
基于反向传播神经网络的无线火灾预警系统由预处理单元、ZigBee无线传感网络、信息融合处理单元和预警发布四部分构成。预处理单元首先承担来自多传感器阵列的初级信息处理，主要是数据清洗、初级信息处理和应急控制。然后通过ZigBee无线传感网络上传预处理数据至信息融合处理单元，处理后的数据进行保存并经过预警发布单元输出。其预警系统原理框图如图1所示。
2．1 反向传播神经网络算法模型
信息融合处理单元的信息融合决策部分是系统实现的关键结点，其决策单元是整个火灾预警系统的核心单元，建立在神经网络的数学模型基础上。
本文采用基于三层网络结构的反向传播神经网络模型。反向传播神经网络(简称BP网络)是将W-H学习规则一般化，对非线性可微分函数进行权值训练的多层网络。该BP网络是一种多层前向反馈神经网络，其神经元的变换函数选取S型函数，因此输出量为0～1之间的连续量，它可以实现从输入到输出任意非线性的映射，其权值的调整采用反向传播的学习算法模型。
该模型通过训练样本训练网络中的权值系数，直到随机学习误差趋于稳定且满足学习误差阈值的时候，停止训练，取当前的权值系数作为最终的判断系数。
其网络模型结构如图2所示。
随机反向传播神经网络模型主要由输入层、隐含层和输出层三部分组成，如图2所示。
选取x1，x2，x3，x4四个节点组成输入层，由y1，y2，y3，y4组成隐含层(中间层)，输出层则由z1，z2，z3三个输出端组成。其中，x1，x2，x3，x4四个节点分别代表温度、火焰、烟雾浓度和CO浓度四个传感器信息，进行模糊归一化处理后的数据输入，z1，Z2．z3三个输出端则分别代表常温无火、发生阴燃和明火火灾三种状态。
根据火灾预警系统的特征，选取神经网络各层之间的映射函数如下：
(1)输入层到隐含层节点j的值为：
式中：ωji为输入层到隐含层的权值；d为输入样本维数，d=4，即输入层节点数。
(2)输入层到隐含层的激活函数为S型函数，即：
式中：a，b为常数，a=1．716，b=2／3，a，b的取值保证f’(0)≈0．5，并且线性范围为-1net+1，以及二阶导数的极值大致发生在net≈±2处。
(3)隐含层的输出yj为：
yj=f／(netj) (4)
(4)隐含层到输出层节点k的值为：
netk=yjωkj，j=1，2，3，4；k=1，2，3，4 (5)
式中ωkj，为输入层到隐含层的权值。
(5)隐含层到输出层的激函数亦为S型函数：
f(netk)=atanh(b*netk) (6)
式中tanh(x)如式(3)所示；a，b为常数，取值同式(2)。
(6)输出层的最后输出zj为：
zk=f(netk) (7)
2．2 借助Matlab平台模拟仿真
本研究在Matlab平台上对基于三层反向传播神经网络结构的火灾预警系统模型进行仿真模拟。
根据火灾实际发生时，选取各种传感器实际数据中的600组典型数据作为训练样本对网络模型进行训练。训练过程中通过不断调整神经网络模型的相关常数取值，经过多次反复训练后，使得神经网络模型的输出值与测试样本输出值之问的误差小于某一预置值。得到的训练误差下降曲线如图3所示。
图3中三层反向神经网络模型随着训练次数的增加训练误差呈明显的收敛趋势，而且训练速度快，经过20余次训练即可完成。
然后对训练后的神经网络模型进行验证。分别选取无火测试样本10组、阴燃测试样本20组和有火测试样本20组，经过测试，全部符合预期结果。
3 系统实现
3．1 ZigBee无线传感网络设计
ZigBee无线传感网络主要由MC13192及辅助电路构成。MC13192是Freescale公司推出的符合ZigBee标准的射频芯片，其工作频率是2．405～2．480GHz，该频带划分为16个信道，每个信道占用5 MHz的带宽；采用直接序列扩频方式，数据传输速率为250 Kb／s。芯片采用可编程功率输出模式，发送功率为0～4 dBm，接收灵敏度可以达到-92 dBm，传输距离30～70 m。
为满足低功耗要求，MC13192除接收、发送和空闲三种工作状态外，低功耗运行模式还有：
(1)掉电模式，芯片电流小于1μA；
(2)睡眠模式，芯片电流在3μA左右；
(3)休眠模式，芯片电流约为35μA。从而有利于降低MCU处理功率和缩短执行周期。
3．2 预处理单元
预处理单元首先承担来自多传感器阵列的初级信息处理，主要由MC9S08GT60A8位单片机、ZigBee无线传感模块MC1319、传感器接口和电源电路组成。微控制器MC9S08GT60A通过传感器接口电路定期采集来自各类传感器的数据，并负责把模拟数据进行A／D转换，然后对数据进行清洗等初级处理，之后把数据经过ZigBee无线网络送至信息融合处理单元进行进一步处理，并且在出现ZigBee网络中断等异常情况下，承担起应急控制的任务。
预处理单元采用电池供电模式，因此功耗是单元设计必须考虑的问题。MC9S08GT60A是Freescale公司生产的一款低成本、高性能的HCS08系列8位微控制器单元(MCU)。该系列的所有MCU均采用增强型HCS08内核，并提供多种模块、内存大小、类型和封装形式，内带64 KB的FLASH和4 KB的RAM。当预处理单元数据接收、处理和发送结束后，MC9S08GT60A立即关闭射频收发器，然后迅速进入休眠模式，以最大限度节约电能。
3．3 信息融合处理单元设计
信息融合处理单元是整个火灾预警系统的核心单元。主要由微处理器MCF52233，ZigBee收发模块MC13192，RS 232串口收发电路、RJ45 网络接口电路、GSM短信模块、声光报警模块及电源模块组成。其原理图如图4所示。
- 城市天然气管道预警系统＆SCADA技术(01-18)
- 基于RFID和无线传感的矿井实时定位预警系统(12-15)
- 物联网技术在军事领域的应用展望(11-21)
- 台风预警和搜救系统研究(07-13)
- 第四代移动通信系统中的多天线技术(08-05)
- 透析信道效应对MIMO系统运作效能的影响(01-18)
- 妤傛ḿ楠囩亸鍕暥瀹搞儳鈻肩敮鍫濆悋閹存劕鐓跨拋顓熸殌缁嬪顨滅憗锟�
閸忋劍鏌熸担宥咁劅娑旂姴鐨犳０鎴滅瑩娑撴氨鐓＄拠鍡礉閹绘劕宕岄惍鏂垮絺瀹搞儰缍旈懗钘夊閿涘苯濮幃銊ユ彥闁喐鍨氶梹澶歌礋娴兼ḿ顫呴惃鍕殸妫版垵浼愮粙瀣瑎...
- 娑擃厾楠囩亸鍕暥瀹搞儳鈻肩敮鍫濆悋閹存劕鐓跨拋顓熸殌缁嬪顨滅憗锟�
缁箖鈧拷30婢舵岸妫亸鍕暥閸╃顔勭拠鍓р柤閿涘奔绗撶€硅埖宸跨拠鎾呯礉閸斺晛顒熼崨妯烘彥闁喕鎻崚棰佺娑擃亜鎮庨弽鐓庣殸妫版垵浼愮粙瀣瑎閻ㄥ嫯顩﹀Ч锟�...
- Agilent ADS 閺佹瑥顒熼崺纭咁唲鐠囧墽鈻兼總妤勵棅
娑撴挸顔嶉幒鍫ｎ嚦閿涘苯鍙忛棃銏ｎ唹鐟欘枃DS閸氬嫮顫掗崝鐔诲厴閸滃苯浼愮粙瀣安閻㈩煉绱遍崝鈺傚亶閻€劍娓堕惌顓犳畱閺冨爼妫跨€涳缚绱癆DS...
- HFSS鐎涳缚绡勯崺纭咁唲鐠囧墽鈻兼總妤勵棅
鐠у嫭绻佹稉鎾愁啀閹哄牐顕抽敍灞藉弿闂堛垼顔夐幒鍦欶SS閻ㄥ嫬濮涢懗钘夋嫲鎼存梻鏁ら敍灞藉簻閸斺晜鍋嶉崗銊╂桨缁崵绮洪崷鏉款劅娑旂姵甯夐幓顡嶧SS...
- CST瀵邦喗灏濆銉ょ稊鐎广倕鐓跨拋顓熸殌缁嬪顨滅憗锟�
閺夊孩妲戝ú瀣╁瘜鐠佽绱濋崗銊╂桨鐠佸弶宸緾ST閸氬嫰銆嶉崝鐔诲厴閸滃苯浼愮粙瀣安閻㈩煉绱濋崝鈺傚亶韫囶偊鈧喕鍤滅€涳附甯夐幓顡塖T鐠佹崘顓告惔鏃傛暏...
- 鐏忓嫰顣堕崺铏诡攨閸╃顔勭拠鍓р柤
娑撳洣绗€妤傛ɑ銈奸獮鍐叉勾鐠у嚖绱濇潻娆庣昂鐠囧墽鈻兼稉杞扮稑閸︺劌鐨犳０鎴炲Η閺堫垶顣崺鐔枫亣鐏炴洘瀚甸懘姘剧礉閹垫挷绗呴崸姘杽閻ㄥ嫪绗撴稉姘唨绾偓...
- 瀵邦喗灏濈亸鍕暥濞村鍣洪幙宥勭稊閸╃顔勭拠鍓р柤閸氬牓娉�
鐠愵厺鎷遍崥鍫ユ肠閺囨潙鐤勯幆鐙呯礉缂冩垵鍨庨妴渚€顣剁拫鍙樺崕閵嗕胶銇氬▔銏犳珤閵嗕椒淇婇崣閿嬬爱閿涘本鍨滅憰浣圭壉閺嶉绨块柅锟�...
