火灾发展是一个复杂多变的过程,采用传统火灾探测报警技术无法解决火灾探测报警系统对准确度和灵敏度矛盾性的要求[1–2]。神经网络有较强的自学习和容错能力[3],而模糊逻辑具有较强处理随机多变信号的能力,自Y. Okayama和S. Nakanishi分别把神经网络和模糊逻辑应用到火灾探测报警系统中后,火灾探测报警系统性能得到了飞跃式地提升[4–5]。

在神经网络与模糊逻辑组合应用于火灾探测报警系统的研究中,李小亚[6]、胡祝格[7]、夏文智[8]等选用并联模型,徐晓辉[9]、何南南[10]、王丽萍[11]、蔡嘉成[12]等选用串联模型,张晶[13]选用并联串联复合模型,其中并联结构选用专家系统和神经网络,然后将2种模型结合在串联模糊逻辑中。张响亮[14]将模糊逻辑应用于神经网络结构中,破坏了神经网络结构的自学习能力,且这种模型不容易通过编程实现。

本文在赵望达等[15]创建的基于神经网络的火灾探测模型基础上,拟将模糊逻辑和神经网络同时应用在火灾探测报警系统中,期望能够寻找一种最优组合模型,解决火灾探测报警系统对准确度和灵敏度矛盾性的要求。同时引入分级报警技术,让系统反馈更详细的火灾信号。

规范公共场所英语标识语,将有力地体现长春市对外交往能力和整体的人文环境水平。那些错误的或不规范的英语标识语必然会有损长春市的城市形象，不利于外国友人对长春市的对外宣传，更不利于长春市的发展。因此,我们应该按照规范化路径，呼吁并配合相关部门采取国际语言规范行动, 采取切实有力的措施, 规范和改善长春市的国际语言环境。这将对促进长春市的发展、提升长春市的国际形象有着重要的意义。

检测装置是排种装置中的重要组成部分，现在很多传统排种器存在漏播不易检测的弊端，针对此种现象设计了一款检测装置用于实时监测漏播率，对连续漏播进行报警[7]。由图1可知，上面对射型传感器用于检测带的充种情况，对未充种的孔实现计数n1,下面对射型传感器用于检测带的排种情况，对于成功排种的计数n2，转速检测装置对带每转1周检测1次，传至单片机，并记录圈数m，单片机内程序计算单周内漏播率δi，所以可得

1 火灾探测分级报警模型

在多源信息融合技术应用于火灾探测报警系统的基础上,结合神经网络的先天性学习能力和模糊逻辑先进的信号处理能力,引入分级报警技术,提出基于神经网络与模糊逻辑串并联的火灾探测分级报警模型。

自1965年美国加州大学专家扎德[16]提出模糊逻辑(Fuzzy logic)后,模糊逻辑得到快速应用。模糊逻辑隶属函数是模糊逻辑重要参数,在选择模糊逻辑隶属函数时,隶属函数取值范围比其形状更为重要[6],因此选用较为简单的三角函数隶属函数trimf和梯形隶属函数trapmf作为FU1和FA的隶属函数,在研究FU1和FA的隶属函数时,以隶属函数取值范围和模糊逻辑规则为重点。

  

图1 火灾探测分级报警模型物理结构

AN1是一个根据训练样本得到的经验分类器,利用AN1中的参数w建立探测分类器AN2。AN2为烟雾浓度、温度和CO浓度复合探测分类器,烟雾浓度、温度和CO浓度数据来源于探测器中的传感器的实时监测,AN1和AN2均选用之前建立的新型BP神经网络模型。FU1是根据阴燃火和明火 2种逻辑规则编写的模糊分类器。AN2和FU1输出的结果加上火灾持续时间作为模糊逻辑决策器 FA的输入信号,FA的输出值即为火灾信号值。AN2、FU1和 FA功能均通过探测器中的微处理器来实现。根据建立的分级报警体系进行火灾等级确定,启动相应的消防设施,分级报警及信号动作功能通过控制主机及联动控制器实现。

在制定模糊逻辑规则时,将模糊逻辑分类器FU1的输入和输出均划分为3种状态,即PS(发生概率较小),PM(发生概率一般),PB(发生概率较大)。火灾发生一般同时伴有温度升高,产生烟雾和CO,因此模糊逻辑分类器选用and规则,3种输入信号,每种信号有3种状态(PS、PM、PB),共产生3 × 3 × 3 = 27种模糊逻辑规则。

  

图2 火灾探测分级报警模型信息处理流程

2 模糊逻辑模型

首先将神经网络模块(探测分类器AN2)和模糊逻辑模块(模糊逻辑分类器 FU1)并联,模糊逻辑模块受神经网络限制。然后再将并联模块与模糊逻辑决策器FA串联,形成串并联复合模型。为了提高火灾探测准确性,引入火灾持续时间作为决策器的输入参数。火灾探测报警系统模型物理结构如图1所示。

2.1 模糊逻辑分类器FU1

当某种火灾信号的特征值达到其总区间值的 20%及以上时均可认为发生火灾,因此模糊逻辑分类器输入信号模糊化时选用三角形隶属函数和梯形隶属函数组合的隶属函数,隶属函数取值范围按照PS选用trimf函数,区间为[−0.200.2],PM选用trimf函数,区间为[00.20.5],PB选用trapmf函数,区间为[0.20.51.01.3](图4)。对输出结果进行模糊化时选用三角隶属函数,隶属函数取值范围按照PS、PM、PB均选用trimf函数,区间分别为[−0.500.5],[00.51.0],[0.51.01.5](图 5)。

根据火灾探测分级报警模型结构,建立火灾探测分级报警模型及其信息处理流程如图2所示。

阴燃火的特征是具有较长时间的发烟阶段,往往出现烟雾量大,温度低。建立模糊逻辑规则时,采用重要性CO= SM > T的潜规则。明火的特征是可燃物体会在短时间内产生大量的烟和热。建立模糊逻辑规则时,采用重要性T >CO = SM的潜规则。在实际选用时,需参考神经网络分类器输出的火灾类型。

1.1 资料来源 本次研究对象均来自于2015年2月-2017年4月在本院治疗的小儿过敏性紫癜患儿80例，其中，男性患儿41例，女性患儿39例，年龄在3～11岁，平均年龄为(6.72±1.37)岁，病程在3～12 d，平均为(6.11±1.21)d，按照随机原则，使用随机数字表，将以上患儿分为两组，每组患儿40例，两组患儿的性别、年龄、病程之间的差异不存在统计学差异(P>0.05)，具有可比性。所有患儿均签署知情同意书，并经医院伦理委员会论证通过。见表1。

FU1分为阴燃火模型和明火模型2种,均选用3种输入信号,1种输出信号的结构。模糊逻辑分类器明火模型结构如图3所示,其中T表示温度,CO表示一氧化碳浓度,SM表示烟雾浓度,O2表示输出,minghuo为明火模型。

  

图3 模糊逻辑分类器明火模型结构图

  

图4 输入数据模糊化示意图

  

图5 输出数据模糊化示意图

2.2 模糊逻辑决策器FA

导致透析机破膜的原因有以下两点:①透析机质量不合格、或在搬运过程中导致机器损坏;②透析机的长期重复使用或超滤量使用,同时未进行保养更换。

在模糊逻辑决策器中引入 T来增加系统抗干扰能力T(n) = [T(n−1) +1]× U(Oi(x) − Td)。式中,U(x)为单位阶跃函数; Td为阈值门限,取Td = 0.6,对于某时刻是否为火灾信号,由神经网络分类器和模糊分类器输出值较大者来确定; Oi选用分类器中较大输出值。

实训课中不必刻意实施“导生制”，有时就是一个小小的片段，有时却需贯穿整个课堂教学。教师对操作的讲解和指导仍是整个教学的基础，是不可替代的。

在仿真试验过程中,T可以看作火灾信号的持续次数。将连续输出火灾信号3次作为火灾肯定发生的界限,在T模糊化时,将模糊论域[01]与持续次数[03]对应,其中3包含持续次数大于3的次数。因此持续次数0、1、2、3、4、…对应于模糊论域中的数值为0、0.33、0.67、1、1…。

FA结构模型采用3种输入信号和3种输出信号(图6)。输入信号分别为神经网络分类器输出信号 O1,模糊逻辑分类器输出信号O2,火灾持续时间值T。输出信号为无火灾(NO Fire)、警告(Warning)和火警(Fire)。

T与O1、O2具有不等价的重要性,需要制定特殊规则来体现T的重要性。模糊逻辑规则建立时需遵循: 不管阴燃火输出概率和明火输出概率为何值,当T为PS时,决策器输出结果为非火灾; 当T为PM时,决策器输出警告; 当T为PB时,决策器输出为火警。

为保证训练样本的代表性和广泛性,选用李小亚[6]选用的训练样本,并引入蔡家成[12]、崔兴文[17]等建立的样本库,组成包含中国标准阴燃火SH1、标准明火SH4和欧洲6种标准火的神经网络训练样本,建立神经网络训练样本数据库。

  

图6 模糊逻辑决策器结构

3 MATLAB仿真试验

3.1 样本选取

单核细胞能够促进血管再生和肿瘤发生，而肿瘤细胞可以通过产生细胞因子和趋化因子促使单核细胞分化成肿瘤相关巨噬细胞，从而促进肿瘤细胞的生长和转移［14］。此外，外周血单核细胞增多症也是多种肿瘤患者不利的预后因子［15］。本研究发现MWR和MLR与胃癌患者的预后不良有关，MLR与胃癌患者的TNM分期相关，但MWR与胃癌的TNM分期没有得出相关意义，这可能与淋巴细胞的功能对于肿瘤的抑制有更密切的相关性。

选用归一化后的NIST试验数据(FR4016中test4、test5)作为本次仿真试验的测试样本。其中test4为在卧室阴燃床垫,test5为明火燃烧床垫。具体数据详情可在NIST官网FR4016试验中查询(数据来源网址http://www.nist.gov/fire-detection.cfm)。

3.2 试验结果

由于test4和test5试验时间较长,在评测火灾探测分级报警模型性能时需对时间进行截取。阴燃火发展缓慢持续时间长,截取3300 ～3500 s作为测试时间段。明火发展较快持续时间短,截取130 ～200 s作为测试时间段。test4和test5神经网络分类器测试结果分别如图7和图8所示。test4和test5模糊分类器及决策分类器决策具体输出数据及分类结果见表1和表2。

  

图7 test4神经网络分类器输出值

  

图8 test5神经网络分类器输出值

test4火灾探测结果为3320 s时判断为明火火警,随后火情消失,在3470 s时判断为阴燃火警,与试验过程基本吻合。test4火灾探测结果表明该火灾探测分级报警模型可以详细反映火场的变化情况。test5火灾探测结果为165 s时判断为明火火警,明火火情持续一段时间判断为阴燃火警,也基本与试验过程吻合,后期判断为阴燃火警是由于床垫即使在明火点燃后,还是会产生大量的烟雾,与训练样本的火灾类型(训练样本明火数据为点燃正庚烷、木材等,产烟量较小)差异较大。

东西部物产不同，本来没有什么稀奇，但陆游也能从中得到越人的优越感，如他在夔州所写《林亭书事》云：“野艇空怀菱蔓滑，冰盆谁弄藕丝长。角声唤起东归梦，十里平湖一草堂。”在首联的自注中，陆游还特意提到“峡中绝无菱藕”，以表示缺憾。东西部生产技术的差异，更滋生陆游的故乡自豪感，他在嘉州时作《出城至吕公亭按视修堤》“寓公仅踵前人迹，伐石西山恨未能”，并自注云：“西州筑堤，织竹贮江石，不三年辄坏。意谓如吴中取大石甃成，则可支久。异日当有办此者。”在水利技术层面上，“西州”显然劣于“吴中”等东州，他很想用东州的先进技术改进“西州”的落后生产习惯。

 

表1 test4仿真结果分析

  

时间s 类型 概率神经网络分类器输出 决策器输出模糊规则分类器输出 类别 概率 判断结果显示3300 明火 0.068 0.504 No Fire 0.834 无火情… … … … … … 无火情3315 阴燃 0.138 0.556 NO Fire 0.826 无火情3320 明火 0.865 0.831 Fire 0.822 严重明火火警… … … … … … 严重明火火警3345 明火 0.455 0.816 Fire 0.726 严重明火火警3350 阴燃 0.222 0.500 NO Fire 0.813 无火情… … … … … … 无火情3415 阴燃 0.237 0.499 NO Fire 0.810 无火情3420 明火 0.742 0.810 Warning 0.580 严重明火警告3425 明火 0.715 0.809 Warning 0.589 严重明火警告3430 阴燃 0.212 0.539 NO Fire 0.815 无火情… … … … … … 无火情

 

续表1

  

3465 阴燃 0.209 0.499 NO Fire 0.815 无火情3470 阴燃 0.684 0.806 Fire 0.818 严重阴燃火警… … … … … … 严重阴燃火警3495 阴燃 0.428 0.688 Fire 0.633 严重阴燃火警3500 阴燃 0.092 0.502 NO Fire 0.831 无火情

 

表2 test5仿真结果分析

  

时间s 类型 概率神经网络分类器输出 决策器输出模糊规则分类器输出 类别 概率 判断结果显示130 明火 0.175 0.504 N O F i r e 0.821 无火情… … … … … … 无火情160 明火 0.126 0.587 N O F i r e 0.828 无火情165 明火 0.141 0.627 F i r e 0.517 严重明火火警… … … … … … 严重明火火警185 明火 0.302 0.808 F i r e 0.594 严重明火火警190 阴燃 0.799 0.609 F i r e 0.817 严重阴燃火警195 阴燃 0.809 0.721 F i r e 0.813 严重阴燃火警200 阴燃 0.805 0.809 F i r e 0.818 严重阴燃火警

4 结论

将神经网络、模糊逻辑和分级报警技术应用于火灾探测报警系统中,从仿真试验结果可以得到以下结论。

(1) 神经网络具有较强的容错率和自学习能力,模糊逻辑能够适用火灾信号的不确定和随机性,将两者组合起来的分类器,可以克服神经网络对训练样本的过分依赖和模糊逻辑输出结果不确定的弊端。

(2) 将神经网络与模糊逻辑串并联模型应用于火灾探测报警系统中,系统能够准确地识别不同类型的火灾,真实反映火灾的发展过程。该系统能够有效解决火灾探测对准确度和灵敏度的矛盾要求。

(3) 将火灾分级报警体系应用于火灾探测报警系统中,系统可针对不同类型的火灾报警信号采取不同的应对措施,便于建立针对性的火灾处理机制。

参考文献:

[1]赵望达,李卫高,陈火炬,等. 基于I2C总线的火灾烟气流速数据采集系统开发[J]. 湖南文理学院学报(自然科学版),2015,27(1): 48–51.

[2]王殊,窦征. 火灾探测及其信号处理[M]. 武汉: 华中理工大学出版社,1998: 154–161.

[3]张景发. 不确定随机神经网络的几乎必然指数稳定[J]. 湖南文理学院学报(自然科学版),2017,29(3): 13–19.

[4]Okayama Y. A primitive study of a fire detection method controlled by artificial neural net [J]. Fire Safety Journal,1991,17(6): 535–553.

[5]Nakanishi S. Intelligent fire warning system using fuzzy technology [C]// AUBE 95,Proceedings 10th Internationale Konferenz über Automatische Brandentdeckung. Duisburg Germany,1995: 203–212.

[6]李小亚. 基于人工智能的数据融合技术在火灾探测中的应用研究[D]. 广州: 广东工业大学,2005.

[7]胡祝格. 基于多传感器信息融合技术的火灾探测及报警系统设计与研究[D]. 西安: 西安建筑科技大学,2013.

[8]夏文智. 基于模糊神经网络的智能火灾报警系统[D]. 武汉: 武汉科技大学,2008.

[9]徐晓辉. 电气火灾报警系统及其信号处理[D]. 浙江: 浙江大学,2007.

[10]何南南. 多传感器信息融合技术在火灾探测中的应用[D]. 西安: 长安大学,2012.

[11]王丽萍. 基于多传感器信息融合技术的火灾探测系统研究[D]. 长沙: 湖南大学,2006.

[12]蔡嘉成. 火灾探测中的信息处理算法研究[D]. 广州: 华南理工大学,2012.

[13]张晶. 多传感器信息融合在火灾探测中的应用研究[D]. 广州: 广东工业大学,2003.

[14]张响亮. 智能建筑火灾自动报警系统的设计与研究[D]. 武汉: 武汉理工大学,2003.

[15]赵望达,李卫高,熊涵予,等. 一种新型 BP神经网络模型在火灾探测信息处理中的应用[J]. 铁道科学与工程学报,2015,12(5): 1212–1218.

[16]余永权,曾碧. 单片机模糊逻辑控制[M]. 北京: 北京航空航天大学出版社,1997,145–175.

[17]崔兴文. 智能火灾自动报警系统的设计与实现[D]. 济南: 山东大学,2008.