【摘要】：隨著城市化進程不斷推進,城市建筑朝著密集化和高層化方向發(fā)展,火災的發(fā)生隱患也不斷的加大,對火災檢測方法提出了更高的要求。火災信號自身具有動態(tài)過程性和非平穩(wěn)性的特點,傳統(tǒng)的火災檢測方法是針對單個傳感器的輸出進行處理,容易產(chǎn)生誤報和漏報,而且目前火災檢測主要研究方向是判斷火災的有無,還無法對火災燃燒物種類進行判斷。為了更準確進行火災預警和采取有效的火災撲救方法,在精準判斷火災的同時,對燃燒物種類的研究也具有很大意義。機器學習和深度學習的應用研究成為熱點,也推動著檢測設(shè)備朝著智能化發(fā)展。這兩點為解決火災檢測中出現(xiàn)的問題提供了理論支持和平臺支撐。綜上所述,為了克服傳統(tǒng)火災檢測的缺陷,本文在對比傳統(tǒng)火災檢測方法和智能化檢測方法的原理后,提出一種基于代價敏感極限學習(Cost-sensitive Extreme Learning Machine)的火災檢測方法。為克服單一傳感器易受到環(huán)境干擾,該方法利用多傳感器融合技術(shù),綜合考慮火災燃燒過程中多個特征信號,避免單一傳感器對監(jiān)測環(huán)境造成不正確的描述。實驗結(jié)果表明,所提出的火災檢測算法能降低火災的漏報率。另外,本文對極限學習機方法進行改進,將DS證據(jù)理論(DS evidence theory)和極限學習機相結(jié)合,提出DS-ELM火災燃燒物識別方法。為火災撲救和災后現(xiàn)場分析提供參考。仿真實驗結(jié)果表明,所提出的火災燃燒物識別方法對于不同燃燒物都能得到較好的分類性能。本文研究工作主要包括:(1)為使實驗更接近真實環(huán)境,我們搭建了基于STM32的火災燃燒物采集平臺,在真實環(huán)境中采集火災數(shù)據(jù)和不同燃燒物數(shù)據(jù),然后數(shù)據(jù)通過WIFI傳輸?shù)诫娔X終端。(2)研究了火災數(shù)據(jù)的預處理方法,降低噪聲數(shù)據(jù)的干擾,使得采集到的燃燒物數(shù)據(jù)更加的可靠有效。(3)針對火災檢測中火災樣本和非火災樣本誤分類代價不同的特點,以極限學習機為基礎(chǔ),在學習過程中引入代價矩陣,提出一種基于代價敏感極限學習機火災檢測方法。實驗結(jié)果表明,與其他方法相比,該方法不僅能使火災漏報率接近為0,而且能使非火災樣本的誤報率達到一個較低水平,克服現(xiàn)有火災檢測方法只追求高分類準確性,忽視火災樣本漏報率高的缺點。(4)分析不同燃燒物分類的可能性,比較其他識別算法和極限學習機在燃燒物識別中的優(yōu)點和不足,選擇極限學習機作為火災燃燒物識別的方法。(5)分析DS證據(jù)理論優(yōu)缺點,提出DS-ELM方法以進一步提高火災燃燒物分類準確率,通過與未優(yōu)化的ELM方法對比驗證,本文提出的方法在特異性、靈敏度和正確率三個衡量指標上都提升10%左右,并且在不同燃燒點都具有較好的適應性。
【圖文】：

浙江工業(yè)大學碩士學位論文集平臺搭建平臺由不同的硬件設(shè)備組成，，主要包括：I 連接的筆記本電腦，作為 MP(monitor pz，內(nèi)存和操作系統(tǒng)分別為 6GB 和 Win器，包括 MQ4 甲烷傳感器、MQ5 可燃圖 3-2 為 MQ 系列傳感器實物。數(shù)據(jù)傳輸?shù)牟杉c，作為 CP(collectionESP8266 無線模塊。表 3-1 為 STM32F42

圖 4-1 BLE(A)與 PLS(A)區(qū)間關(guān)系上面定義的 BPAF 及信任函數(shù)，Dempster 組合規(guī)則在證據(jù)不完全沖綜合了多源證據(jù)的基本信度分配，通過計算其正交和得到新的信度據(jù)空間進行聯(lián)合，以此得到最終的決策結(jié)果[61]。Dempster 組合規(guī)下：、B 分別為Ω 中的子集，BEL1和 BEL2為其兩個信任度函數(shù)，它們值函數(shù)分別為 m1和 m2，Ai和 Bj分別為 BEL1和 BEL2的焦元，則合賦值函數(shù)定義為 1 2m A m m，即： CmAmBmAmBCmCmmCijijABijABCij12121210
【學位授予單位】：浙江工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TU998.1;TP181

【參考文獻】

相關(guān)期刊論文 前8條

1 王利琴;董永峰;顧軍華;董維超;;基于改進極限學習機的心律失常分類[J];計算機仿真;2014年06期

2 佟瑞鵬;高平;劉欣;李春旭;萬海燕;鄧凱;;大型活動事故風險評價模型與方法研究[J];中國安全科學學報;2014年03期

3 劉云翔;原鑫鑫;竇晨超;徐飛;朱萍;黃越;;模糊推理技術(shù)和神經(jīng)網(wǎng)絡(luò)在火災檢測系統(tǒng)中的應用[J];計算機測量與控制;2013年12期

4 陸慧娟;張金偉;馬小平;鄭文斌;;極限學習機集成在腫瘤分類中的應用[J];數(shù)學的實踐與認識;2012年17期

5 梁俊山;王慧琴;胡燕;鄒婷;吳萌;;基于模糊聚類的圖像型火災檢測[J];計算機工程;2012年04期

6 王丹丹;黃家榮;劉偉;孟慶玲;田鵬飛;;基于人工神經(jīng)網(wǎng)絡(luò)的森林火險預測[J];西北林學院學報;2010年03期

7 張認成;杜建華;楊建紅;;火災早期過程特征提取與火災源識別方法[J];安全與環(huán)境學報;2010年02期

8 吳松;李華;;人工神經(jīng)網(wǎng)絡(luò)在艦船火災探測中的應用[J];中國艦船研究;2007年06期

本文編號：2651793