李北海
重庆大学电气工程学院 （400045）
摘要：将探测器的输出信号模糊化后送入神经网络进行处理，采用三层前馈BP神经网络结构，用BP算法进行网络参数的训练，然后由模糊逻辑判决火灾和非火灾。采用Matlab语言进行仿真，结果表明基于模糊神经网络的中庭火灾探测系统能够准确探测各种标准试验火，并有很强的抗干扰能力。
关键字：模糊神经网络 中庭 火灾 探测系统
由于中庭火灾温升并不是很高，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。而前三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[1]， 本文在火灾探测系统中采用串联模糊神经网络。
神经网络前后均有模糊系统与之串联。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，得到它们的四个隶属度函数值，作为神经网络的输入。神经网络结构为前馈BP网络，输出量为两个，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[2] 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，多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。
偏大型柯西分布为：
（A）
偏小型柯西分布为：
（B）
通过实验可以确定两种柯西分布中的参数α、β。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。
1 - 气体的线性隶属度 2 - 气体的柯西隶属度
3 - 烟雾的线性隶属度 4 - 烟雾的柯西隶属度
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，那么由此可得四个隶属度值，将这四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三层前馈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些网络结构如图3所示。输入层的四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。
为了使神经网络能够准确判断火灾，需要首先确定训练模式对并对网络进行训练。模式对由输入信号和导师信号构成，它根据探测器对标准试验火和各种实际环境条件下的信号来确定。根据这些标准试验火和导师信号（由明火概率和阴燃火概率组成），可以确定出训练模式对，由火灾判决表表示。
可以用以下四个公式将输入输出用权值联系：
(1)
将式 (1) 用Sigmond 函数转换：
(2)
输出层的输入和：
(3)
隐含层的输入和用线性函数转化为输出：
OTk = INT2(k) (4)
( i = 1,2,3,4; j = 1,2,3,4,5,6,7; k = 1,2 )
其中：INi ──神经网络的输入信号； IMj ──隐层的的输入信号；
OTk──神经网络的输出； W1 ──输入层与隐层之间的权值；
W2 ── 隐层与输出层之间的权值。
通过BP算法，可将判决表转换到神经网络的连接权值矩阵中。这样就能自适应地表示输入的各种情况并给出接近期望值的结果。在定义输入和输出之间关系时，只需考虑重要的样点，而不必定义输入/输出模式的所有组合。重要的样点包括对于输入的很小变化即能引起输出的很大变化以及要在细节上描述的样点，或最大值和最小值所在的区域。根据实际应用，调整判决表的定义可以得到更加精确的判决。
当第m种输入模式送到输入层，由式 (1)～(4) 计算得OT1和OT2，与导师信号T1和T2比较，得总均方差：
(5) 均方差：
(6) 调整权值W1、W2，使E达到最些
调整好权值后，系统由训练状态转移到工作状态，将四种中国标准火SH1～SH4和非标准火的气体和烟雾的归一化值的四个隶属度送入神经网络的输入层，由训练后的权值和阈值获得输出的明火和阴燃火概率。
3模糊逻辑判决
神经网络的输出一般可以直接由门限判决输出火灾/非火灾结果，对于较严重的干扰信号仍会引起误报警，同时对于接近门限的值也难于作出判断。为了提高系统的抗干扰性能，使系统的输出更符合实际情况，对神经网络的输出进一步采用模糊逻辑判决。这里是对火灾概率值为0.3～0.8用隶属函数进行变换，从而将这一部分进行扩展，使火灾和非火灾的界限更加明确，再用门限判决，可以大大减少误判。此模糊逻辑采用偏大型正态分布的隶属度函数，其函数式为：
(7)
式中，对明火，α=0.26，σ=0.2；对阴燃火，α=0.24，σ=0.2。再经门限法去模糊，其门限取为0.5，并增加报警延时（阴燃火延时20 s），对变换后的火灾概率的隶属度值加以判决。
4仿真训练结果
为了验证模糊神经网络对中庭火灾探测的有效性，用Matlab语言对其进行仿真，利用图3所示的网络结构对欧洲标准试验火TF1 - TF6数据进行训练，得到网络参数如表1：
表1 训练后的网络参数 Table 1 Trained networks parameter
第一层权系数W1, 第二层权系数W2，隐层阈值b1，输出阈值b2W1 = [ 0.6897 -0.5484 0.6576 -2.4231 -0.8544 3.1034 -1.2551 -0.6956 0.5305 3.9070 0.6611 -2.2960 -2.4153 0.8750 0.1052 -1.4941 2.3253 3.2030 0.2445 -0.5884 -1.3203 -1.5115 -0.9642 -1.6246 -1.2987 -2.7268 -0.7950 -0.1885 ]W2 = [ -0.0418 0.2240 -0.1873 -0.3617 0.7994 0.3662 -0.5500 0.3977 0.9605 -0.2208 0.3011 -1.7247 -0.7659 0.3270 ]b1 = [ 0.4528 0.5438 -1.2326 1.3242 0.41723 2.6981 3.4956 ]T b2 = [ 0.2398 1.4142 ]T
图4显示了上述模糊神经网络探测系统对两种中国标准试验火的仿真结果。结果表明，该系统能够准确探测出明火，对阴燃火也能在早期阶段报警。
该模糊神经网络探测系统也对一些非火灾数据 [2] 进行了仿真，如图5所示。结果表明对于一些普通火灾探测方法无法避免误报的强干扰信号，采用上述算法较少产生误报。
中国标准阴燃火SH1 中国标准明火SH4
5结束语
将模糊神经网络应用于中庭火灾探测系统，将探测器的输出信号模糊化后送入神经网络进行处理，其模糊系统采用指派法定义隶属度函数。神经网络采用三层前馈BP网络结构，用BP算法进行网络参数的训练，然后由模糊逻辑判决火灾和非火灾。按照火灾探测的具体需要，针对多种火灾灾情信号，建立了模糊神经网络。由于模糊神经网络的自适性和易于理解的特点，采用这一特点，显著地提高了火灾探测的灵活性和准确性。采用Matlab语言进行仿真，结果表明该网络能够准确探测各种标准试验火，并有很强的抗干扰能力。