基于多傳感器數據融合技術的預警系統的研究

田樹仁，李光

（1.河北省高校水利自動化與信息化應用技術研發中心，河北滄州 061001；2.河北工程技術高等專科學校，河北滄州 061001）

基于多傳感器數據融合技術的預警系統的研究

田樹仁1，李光2

（1.河北省高校水利自動化與信息化應用技術研發中心，河北滄州 061001；2.河北工程技術高等專科學校，河北滄州 061001）

將基于神經網絡的多傳感器數據融合技術應用到預警機制中，對不確定的預警信息進行數據融合，從而得到較為精確的判斷．通過模擬火災輸入信號的仿真結果證明，采用神經網絡BP算法后的多傳感器數據融合技術能夠準確預警，可以有效降低誤報率，達到了預期良好的效果．

數據融合；BP；火災；預警

0 引言

多傳感器數據融合技術形成于20世紀80年代，作為1種基本的數據融合方法，目前應用較多已成為研究的熱點．它不同于一般信號處理，也不同于單個或多個傳感器的監測和測量，具有歸納、總結、抽取、記憶、聯想和容錯性等特點．數據融合的定義就是把來自各個傳感器與信息源的數據和信息加以相關、聯合和組合，然后將實測數據與此信息進行模式匹配與比較，然后對整體的情況做出正確的判斷[1].目前，很多用于火災報警的系統，普遍存在誤報率較高的問題，由此也帶來了甚至比發生火災還大的損失．文中將BP神經網絡算法用于多傳感器信息的融合，介紹了具體的算法步驟，通過反復迭代調節不同傳感器的權值，得到最終的融合判斷結果，能比較準確的及時預警，因而降低了誤報率，具有較高的研究意義．

1 多傳感器數據融合結構模型

由于各個信息源所處的環境不同、傳感器互不相同、再加上多傳感器測量系統所測的物理量不同，因而多傳感器系統采集到的信息都具有一定程度的不確定性，測量結果的精度也有差別，所以還需要對這些不確定性信息進行融合推理，得到正確的判斷．將神經網絡的BP算法用于多傳感器融合理論，各個傳感器根據在信息采集過程中所起的作用不同，所以分配給各個傳感器的權值也不同．權值主要從精度、可靠性、抗干擾能力等方面來體現，性能優良的傳感器要分配較大的權值，反之，則分配的權值要小．同時調整在訓練多層網絡時收斂速度，加快學習的速度．基于BP算法神經網絡的多傳感器融合結構模型如圖1所示．其結構構成原理是首先通過選定系統的n個傳感器的狀態并進行采集數據預處理；之后進行特征選擇；再進行歸一化處理，為神經網絡的輸入提供標準的輸入信息；最后將歸一化的信息與已知的系統狀態信息作為訓練樣本，輸入到上位機進行BP神經網絡訓練，進行決策級融合，直到誤差達到要求為止．

2 BP神經網絡模型

BP神經網絡通常有1個或多個隱層，在實際應用中，3層BP神經網絡應用最多．圖2所示為一個3層BP神經網絡模型．

圖2中，網絡由輸入層、隱含層和輸出層節點組成．X和Y是網絡的輸入和輸出向量．每個神經元用1個節點M表示．i,j和k分別是輸入層、隱層和輸出層的神經元序號．同一層內各神經元互不相連，相鄰層之間的神經元通過連接權值Wji和Vjk相聯系．Wji為輸入層與隱含層之間的連接權值；Vjk為隱層與輸出層之間的連接權值．隱含層的激勵函數為S型函數．

圖1 基于BP網絡的多傳感器數據融合結構圖Fig.1Multisensor data fusion structure based on BP network

圖2 BP神經網絡模型示意圖Fig.2model for the BP neural network

3 基于火災預警系統的數據融合實例

在模擬火災預警系統中，根據圖1所示結構模型，首先對傳感器輸出數據進行預處理和特征提取，歸一化處理等；然后利用前向多層網絡模型，采用BP算法，通過調節權值使實際輸出與期望輸出的總均方差最小．這里重點介紹一下歸一化的處理和融合結果的分析．

3.1 歸一化處理

通過確定訓練模式對，并對網絡進行訓練，以達到神經網絡能夠準確預警．模式對根據傳感器對標準試驗火和各種實際環境下獲取的信號來確定，它由輸入信號和由歐洲標準火災數據作為導師信號組成．神經網絡輸入輸出的數值應是經過歸一化處理的數值，可以在1和+1之間，也可以在0和+1之間等．根據這些歐洲標準試驗火以及由火災概率組成的導師信號，確定出BP|神經網絡的訓練模式對，它由對應的火災判決表來描述，也就是獲得的神經網絡的歸一化數值．使用一下兩個公式對xi進行歸一化處理[2]．

3.2 融合結果及分析

圖33 種傳感器對歐洲標準木柴明火的歸一化值Fig.3Three kinds of sensor to the European standard normalized value of the wood fire

網絡結構采用圖2所示的3層神經網絡結構．分別來自離子感煙探測器X1、光電感煙探測器X2和模擬感溫火災探測器X3作為輸入層；神經元節點M1～M4作為輸入層與輸出層之間的隱層，輸出層的節點Y代表火災發生概率值域為0～1．在訓練時，使用MATLAB語言對3種歐洲標準火數據和無火情況下的數據進行訓練，在仿真時，選取木柴明火情況進行訓練，訓練模式數據如表1所示，共利用了60多個典型的模式對[3]，在實際神經網絡訓練中，不斷對火災數據測試，并有針對性地修正模式對表數據，以達到神經網絡的輸出結果合理為止．

仿真時，設置學習誤差為0.000 001，經過一千余次迭代運算，確定了包括第1層權系數、第2層權系數、隱層閾值和輸出層閾值等神經網絡的數值．

由于選取的歐洲標準火災模式對都是具有代表性的孤立點，再結合神經網絡的強大學習和推廣能力，圖2所示的神經網絡能處理仿真實驗中遇到的各種輸入信息，處理效果好．在實驗仿真過程中，必須對火災數據不斷測試，針對不合理的結果，有目的性地修改模式表，最終網絡輸出結果合理為止．在確定了圖2神經網絡權值和閾值后，在現場進行了火災發生響應速度的模擬實驗．在火災發生前期以及火災發生后期，傳感器輸出值相對比較穩定．隨著火災火情的加劇，模擬傳感器輸出值大多在20～40s左右時急劇變化．如圖4所示的是神經網絡對木柴明火的輸出響應輸出，明顯可以看出在火災發生40 s以后火災的概率基本穩定，可以準確報警．

圖4 神經網絡對木柴明火的輸出響應Fig.4Output response of the neural network for the wood fir

4 結論

仿真實驗結果表明采用BP神經網絡算法進行數據融合具有有效性和可行性，該方法應用到多傳感器數據融合技術的預警機制中，可以有效提高火災報警的準確程度，降低了由于誤報問題帶來的財產損失，有一定的實際意義．

[1]樊雷松，強彥，趙涓涓，等．無線傳感網絡中基于BP神經網絡的數據融合方法[J]．自動化儀表，2014（1）：62-66．

[2]章慧．基于BP神經網絡的壓力傳感器數據融合[J]．湖南工程學院學報，2011（1）：55-58．

[3]張鐵壁，李光，孫士尉．基于數據融合技術的火災報警系統的研究與設計[J]．河北大學學報，2010（1）：138-147．

[4]陽憲惠．現場總線技術及其應用[M]．北京：清華大學出版社，1999．

[5]劉同明，夏祖勛．數據融合技術及其應用[M]．北京：國防工業出版社，1998．

[6]李國玉，孫以材，潘國峰，等．基于BP網絡的壓力傳感器信息融合[J]．儀器儀表學報，2005，26（2）：168-176．

[7]Zadaeh L A，Fuzzy logic．nenural networks and soft computing[J]．Jounal A，1995，13（2）：21-28．

[8]Mirszal AR．Artifcial Inteligence[M]．Lodon：Chapman and Hall，1990．

[責任編輯 代俊秋]

The study of fire alarm system based on data fusion technology

TIAN Shuren1，LI Guang2

(1.Hydraulic Automation and Information Research and Development Center of Hebei Universities,Hebei Cangzhou 061001,China; 2.Hebei Engineering and Technology College,Hebei Cangzhou 061001,China)

Multisensor data fusion technology based on neural network are applied to the early warning mechanism to get accurate judgment by data fusion of uncertain information.Results of imitated input information verified that the multisensor data fusion technology using BP neural network can accurately forecast fire hence lower false alarm rate.

data fusion;BP;fire;alarm

TP304

A

1007-2373(2015)03-0030-03

10.14081/j.cnki.hgdxb.2015.03.006

2015-03-15

河北省教育廳重點項目（2014082）

田樹仁（1960-），男（漢族），副教授．