基于聚类融合控制的火灾报警系统的研究
|
摘要
火灾威胁着人们的生命和财产安全,精确报警控制系统的研制变得至关重要。目前,还有很多的报警系统功能不够完善,火灾发生时容易出现漏报、误报的情况,主要原因在于火灾报警系统只由单一传感器提供信息源,造成火灾报警系统接收不到完整的火灾预警信号。
对于火灾报警系统存在的众多弊端,本文将多传感器信息的聚类融合控制方法运用到火灾报警系统中,解决单一传感器信息源不足的问题。信息融合是集信息处理、概率统计、人工智能、模式识别、认知科学、计算机科学及信息论等技术于一体的一门新发展起来的交叉学科。本文以多传感器信息融合、神经网络知识为基础。神经网络在学习上的优点是有很强的自适应能力和记忆能力以及自组织能力,它能够进行过全局分析以及全面的综合判断,从而形成一种崭新的融合控制策略。
在方案中,对数据进行了两次的聚类融合算法上控制,即BP融合和ART-1融合。对BP和ART-1神经网络分别进行研究,并在MATLAB中对它们进行了样本训练和仿真。由于BP神经网络局部误差的原因,其输出值不够精确不能满足报警系统高精度的要求,利用ART-1神经网络对BP神经网络进行完善,使输出的结果更加准确,从而满足报警系统的需要。接着对BP神经网络和ART-1神经网络算法进行了比较,并编写了MATLAB程序。同时,对火灾报警系统运行的硬件环境进行了设计,以及对系统运行时所需的主要芯片进行了简单的分析。
通过对本课题研究和仿真实验结果的对比,证明ART-1神经网络的聚类融合控制方法优于BP控制方法,能够满足系统对精确度的要求,证实了本课题理论研究部分的正确性及整体系统设计的可行性。
Fire threat to people's lives and property, good alarm control system is essential. Currently, there are a lot of alarm system function is not perfect, when the fire broke prone to omissions, false positives, mainly due to the fire alarm system consists of a single sensor to provide information source, resulting in less than a complete fire alarm system to receive early warning of fire Signal.
The fire alarm system has many drawbacks, this clustering of multi-sensor information fusion control method applied to the fire alarm system, a single sensor to solve the problem of inadequate sources of information. Information fusion is an information processing, probability and statistics, artificial intelligence, pattern recognition, cognitive science, computer science and information theory and other technology in one of a newly developed interdisciplinary. In this paper, multi-sensor information fusion, knowledge-based neural network and the neural network learning and memory ability and self-organizing and adaptive capacity, through a comprehensive judging, global analysis, the formation of a new control strategy.
In the scheme, two neural networks using data fusion control, that BP neural network and the ART-1 neural network. On BP and ART-1 neural networks to study, and in MATLAB, they were trained and simulated samples. Local error BP neural network as the reason, the output value is not precise enough alarm system can not meet the requirements of high accuracy, the use of ART-1 neural network to improve the BP neural network, a more accurate value of output to meet the needs of the alarm system. Then on the BP neural network and ART-1 neural network algorithm are compared, and the preparation of the MATLAB program. Meanwhile, the introduction of the fire alarm system is running the hardware environment, and the system is running a major chip required a simple introduction.
Through this research and comparison of simulation results show that ART-1 neural network clustering method is better than BP control fusion control method, and calculate the output value of more accurate, confirmed some of the correctness of theoretical research topics And the feasibility of the overall system design.
对于火灾报警系统存在的众多弊端,本文将多传感器信息的聚类融合控制方法运用到火灾报警系统中,解决单一传感器信息源不足的问题。信息融合是集信息处理、概率统计、人工智能、模式识别、认知科学、计算机科学及信息论等技术于一体的一门新发展起来的交叉学科。本文以多传感器信息融合、神经网络知识为基础。神经网络在学习上的优点是有很强的自适应能力和记忆能力以及自组织能力,它能够进行过全局分析以及全面的综合判断,从而形成一种崭新的融合控制策略。
在方案中,对数据进行了两次的聚类融合算法上控制,即BP融合和ART-1融合。对BP和ART-1神经网络分别进行研究,并在MATLAB中对它们进行了样本训练和仿真。由于BP神经网络局部误差的原因,其输出值不够精确不能满足报警系统高精度的要求,利用ART-1神经网络对BP神经网络进行完善,使输出的结果更加准确,从而满足报警系统的需要。接着对BP神经网络和ART-1神经网络算法进行了比较,并编写了MATLAB程序。同时,对火灾报警系统运行的硬件环境进行了设计,以及对系统运行时所需的主要芯片进行了简单的分析。
通过对本课题研究和仿真实验结果的对比,证明ART-1神经网络的聚类融合控制方法优于BP控制方法,能够满足系统对精确度的要求,证实了本课题理论研究部分的正确性及整体系统设计的可行性。
Fire threat to people's lives and property, good alarm control system is essential. Currently, there are a lot of alarm system function is not perfect, when the fire broke prone to omissions, false positives, mainly due to the fire alarm system consists of a single sensor to provide information source, resulting in less than a complete fire alarm system to receive early warning of fire Signal.
The fire alarm system has many drawbacks, this clustering of multi-sensor information fusion control method applied to the fire alarm system, a single sensor to solve the problem of inadequate sources of information. Information fusion is an information processing, probability and statistics, artificial intelligence, pattern recognition, cognitive science, computer science and information theory and other technology in one of a newly developed interdisciplinary. In this paper, multi-sensor information fusion, knowledge-based neural network and the neural network learning and memory ability and self-organizing and adaptive capacity, through a comprehensive judging, global analysis, the formation of a new control strategy.
In the scheme, two neural networks using data fusion control, that BP neural network and the ART-1 neural network. On BP and ART-1 neural networks to study, and in MATLAB, they were trained and simulated samples. Local error BP neural network as the reason, the output value is not precise enough alarm system can not meet the requirements of high accuracy, the use of ART-1 neural network to improve the BP neural network, a more accurate value of output to meet the needs of the alarm system. Then on the BP neural network and ART-1 neural network algorithm are compared, and the preparation of the MATLAB program. Meanwhile, the introduction of the fire alarm system is running the hardware environment, and the system is running a major chip required a simple introduction.
Through this research and comparison of simulation results show that ART-1 neural network clustering method is better than BP control fusion control method, and calculate the output value of more accurate, confirmed some of the correctness of theoretical research topics And the feasibility of the overall system design.
引文
[1]何祥林.机器人中的多传感器信息融合技术.科技信息(学术版),268-269,2006
[2]马芳.智能公交系统中GPS信息质量问题解析研究.同济大学硕士学位论文,2008
[3]屠乃威.多传感器信息融合技术在矿井环境监测系统中的应用研究.辽宁工程技术大学硕士学位论文,2005
[4]孙向作.基于数据融合的电机故障诊断技术研究.中北大学硕士学位论文,2008
[5]姚光顺.基于信息融合的聚类控制方法和控制器的研究.长春工业大学硕士学位论文,2007
[6]刘小军,鲍鸿.基于ARM9多传感器数据融合火灾报警系统的实现.工业控制计算机,22(3)：52～53,2009
[7]程瑞学等.光电感烟探测器散射灵敏度优化设计.实验技术与管理,24(10)：1～4,2006
[8]曹庆.基于神经网络和模糊理论的股市分析、预测与决策.北京工业大学硕士学位论文,2004
[9]仲兆满.基于神经网络的实时入侵检测系统的研究和实现.天津工业大学硕士学士论文,2006
[10]丁雪梅.基于BP算法的股票预测技术研究.哈尔滨工业大学硕士学士论文,2003
[11]刘久付.基于模糊神经网络的模拟电路故障诊断研究.河海大学硕士学位论文,2007
[12]刘泽华,李振水.基于小波包特征熵的飞机液压系统故障诊断方法研究.计算机测量与控制,09(12)：20～22,2009
[13]袁南儿,周德泽,何衍.基于信息融合的聚类控制.浙江省自然科学基金研究报告,浙江工业大学,223～229,1999
[14]DAVID L. HALL, JAMES LLINAS, An Introduction to Multisensor Data Fusion, Proceedings of the IEEE,85(1):6～23,1997
[15]刘向杰,彭一民,周孝信.模糊控制在热工控制中的应用现状及前景.中国控制会议论文集,785～792,1998
[16]刘海亮、熊静琪.基于BP神经网络液压制动故障诊断研究[J].微计算信息,2007,23(2-1),186～187.
[17]Sun K, Upda S S, Xue T, Lord W.Registration Issues in the Fusion of Eddy Current and Ultrasound NDE Data Using Q-Transforms Review of Progress in QNDT,15: 813～820,1996
[18]范新华.基于信息融合的专家控制系统在工业生产中应用的研究.浙江工业大学硕士学位论文2001
[19]王锦标,方崇智.过程计算机控制.清华大学出版社,90～92,1992.4
[20]周德泽,袁南儿.计算机智能监测控制系统的设计及应用.清华大学出版社,2002
[21]邓娟、杨家明.一种改进的BP算法神经网络[J],东北大学学报(自然科学版),2005,31(3)123～126.
[22]刘海亮、熊静琪,基于BP神经网络液压制动故障诊断研究[J].微计算信息,2007,23(2-1),186～187.
[23]高雪鹏,从爽.BP网络改进算法的性能对比研究.控制与决策,(2)：167～171,2001
[24]Pawlak Z, Rough Set, International Journal of Computer and Information Sciences, 341-356,1982.11
[25]薛定宇.控制系统计算机辅助设计—MATLAB语言与应用(第2版)[M].清华大学出版社,2006,213-224.
[26]G. Bartfai, An ART-based modular architecture for learning hierarchical clusterings, Neurocomputing,13,31～45,1996
[27]Wai-Keung Fung, Yun-hui Liu, Adaptive categorization of ART networks in robot behavior learning using game-theoretic formulation, Neural Networks 16,312～320, 2003
[28]贺一平.基于信息融合的目标分类技术研究[D].西北工业大学硕士学位论文,2000.
[29]王志鹏.基于信息融和技术的故障诊断方法的研究及应用[D].大连理工大学博士学位论文,2001.
[30]Carpenter G A, Grossberg S,Rosen D B,ART22A:an adaptive resonance algorithm for rapid category learning and recognition, Neural Network,4,493～504,1991
[31]Tang Ying, Sun Rongping, Chen Kexing, Adaptive Resonance Network and Application in Manufacturing Faul Diagnosis, Journal of University of Science and Technology Beijing,3 (1):43～47,1996
[32]Xiujiang Lv, Qiwen Zhang, Yan Zhao, Yu'e Li.A New Neural Network Classifer based on ART theory.第四届机器学习和控制论国际会议(ICLMC2005),2005
[33]袁南儿.计算机新型控制策略及其应用.现代工业企业自动化丛书,清华大学出版社,30～32,2002
[34]张定会,基于知识和神经网络相结合的实时故障诊断专家系统.自动化仪表,21(7)：11～13,21,2000
[35]刘同明,夏祖勋,解洪成编著.数据融合技术及其应用.国防工业出版社,77～85,1998
[36]Waltz E. Llinas著.赵宗贵等译.多传感器数据融合.机械电子部第28研究所,38～42,1997
[37]高朝阳.数据融合树的定时控制策略[J].哈尔滨师范大学自然科学学报.2007,23(1),64～67
[38]袁南儿,周德泽,何衍.基于信息融合的聚类控制.浙江省自然科学基金研究报告,浙江工业大学,223～229,1999
[39]薛定宇.控制系统计算机辅助设计—MATLAB语言与应用(第2版).清华大学出版社,2006
[40]周开利,康耀红.神经网络模型及其MATLAB仿真程序设计.清华大学出版社,2005
[41]梅艳,袁南儿,周德泽.基于神经网络模式识别的信息融合.中国控制与决策学术年会论文集,沈阳,东北大学出版社,485～488,1999
[42]James A. Freeman, David M. Skapura, Neural Networks—Algorithms,Applications, and Programming Techniques, Addison-Wesley Publishing Company,1991
[43]丛爽.面向MATLAB工具箱的神经网络理论与应用(第二版).中国科学技术大学出版社,2003
[44]薛定宇,陈阳泉.基于MATLAB/Simulink的系统仿真技术与应用.清华大学出版社,2004
[45]Martin T. Hagan, Howard B. Debuth, Mark H. Beale.(?)神经网络设计.机械工业出版社,2002
[46]穆荣军、崔乃刚.多传感器优化融合模型的理论与仿真研究[J].仪器仪表学报.2006,27(6),326～328
[47]天泽.ARM9嵌入式Linux开发实验与实践.北京航空航天大学出版社,2006
[48]刘天时.ARM嵌入式开发基础实验.北京航空航天大学出版社,2007
[49]孙纪坤、张小全.嵌入式Linux系统开发技术详解--基于ARM.人民邮电出版社,2006
[50]廖日坤.ARM嵌入式应用开发技术白金手册.中国电力出版,2005
[51]马忠梅、徐英慧.ARM嵌入式处理器结构与应用基础[M].北京航空航天大学出版社.2007,164～171
[52]周立功.ARM微控制器基础与实战.北航出版社,2003
[53]魏洪兴,胡亮.嵌入式系统设计与实例开发实验教材.清华大学出版社,2005
[2]马芳.智能公交系统中GPS信息质量问题解析研究.同济大学硕士学位论文,2008
[3]屠乃威.多传感器信息融合技术在矿井环境监测系统中的应用研究.辽宁工程技术大学硕士学位论文,2005
[4]孙向作.基于数据融合的电机故障诊断技术研究.中北大学硕士学位论文,2008
[5]姚光顺.基于信息融合的聚类控制方法和控制器的研究.长春工业大学硕士学位论文,2007
[6]刘小军,鲍鸿.基于ARM9多传感器数据融合火灾报警系统的实现.工业控制计算机,22(3)：52～53,2009
[7]程瑞学等.光电感烟探测器散射灵敏度优化设计.实验技术与管理,24(10)：1～4,2006
[8]曹庆.基于神经网络和模糊理论的股市分析、预测与决策.北京工业大学硕士学位论文,2004
[9]仲兆满.基于神经网络的实时入侵检测系统的研究和实现.天津工业大学硕士学士论文,2006
[10]丁雪梅.基于BP算法的股票预测技术研究.哈尔滨工业大学硕士学士论文,2003
[11]刘久付.基于模糊神经网络的模拟电路故障诊断研究.河海大学硕士学位论文,2007
[12]刘泽华,李振水.基于小波包特征熵的飞机液压系统故障诊断方法研究.计算机测量与控制,09(12)：20～22,2009
[13]袁南儿,周德泽,何衍.基于信息融合的聚类控制.浙江省自然科学基金研究报告,浙江工业大学,223～229,1999
[14]DAVID L. HALL, JAMES LLINAS, An Introduction to Multisensor Data Fusion, Proceedings of the IEEE,85(1):6～23,1997
[15]刘向杰,彭一民,周孝信.模糊控制在热工控制中的应用现状及前景.中国控制会议论文集,785～792,1998
[16]刘海亮、熊静琪.基于BP神经网络液压制动故障诊断研究[J].微计算信息,2007,23(2-1),186～187.
[17]Sun K, Upda S S, Xue T, Lord W.Registration Issues in the Fusion of Eddy Current and Ultrasound NDE Data Using Q-Transforms Review of Progress in QNDT,15: 813～820,1996
[18]范新华.基于信息融合的专家控制系统在工业生产中应用的研究.浙江工业大学硕士学位论文2001
[19]王锦标,方崇智.过程计算机控制.清华大学出版社,90～92,1992.4
[20]周德泽,袁南儿.计算机智能监测控制系统的设计及应用.清华大学出版社,2002
[21]邓娟、杨家明.一种改进的BP算法神经网络[J],东北大学学报(自然科学版),2005,31(3)123～126.
[22]刘海亮、熊静琪,基于BP神经网络液压制动故障诊断研究[J].微计算信息,2007,23(2-1),186～187.
[23]高雪鹏,从爽.BP网络改进算法的性能对比研究.控制与决策,(2)：167～171,2001
[24]Pawlak Z, Rough Set, International Journal of Computer and Information Sciences, 341-356,1982.11
[25]薛定宇.控制系统计算机辅助设计—MATLAB语言与应用(第2版)[M].清华大学出版社,2006,213-224.
[26]G. Bartfai, An ART-based modular architecture for learning hierarchical clusterings, Neurocomputing,13,31～45,1996
[27]Wai-Keung Fung, Yun-hui Liu, Adaptive categorization of ART networks in robot behavior learning using game-theoretic formulation, Neural Networks 16,312～320, 2003
[28]贺一平.基于信息融合的目标分类技术研究[D].西北工业大学硕士学位论文,2000.
[29]王志鹏.基于信息融和技术的故障诊断方法的研究及应用[D].大连理工大学博士学位论文,2001.
[30]Carpenter G A, Grossberg S,Rosen D B,ART22A:an adaptive resonance algorithm for rapid category learning and recognition, Neural Network,4,493～504,1991
[31]Tang Ying, Sun Rongping, Chen Kexing, Adaptive Resonance Network and Application in Manufacturing Faul Diagnosis, Journal of University of Science and Technology Beijing,3 (1):43～47,1996
[32]Xiujiang Lv, Qiwen Zhang, Yan Zhao, Yu'e Li.A New Neural Network Classifer based on ART theory.第四届机器学习和控制论国际会议(ICLMC2005),2005
[33]袁南儿.计算机新型控制策略及其应用.现代工业企业自动化丛书,清华大学出版社,30～32,2002
[34]张定会,基于知识和神经网络相结合的实时故障诊断专家系统.自动化仪表,21(7)：11～13,21,2000
[35]刘同明,夏祖勋,解洪成编著.数据融合技术及其应用.国防工业出版社,77～85,1998
[36]Waltz E. Llinas著.赵宗贵等译.多传感器数据融合.机械电子部第28研究所,38～42,1997
[37]高朝阳.数据融合树的定时控制策略[J].哈尔滨师范大学自然科学学报.2007,23(1),64～67
[38]袁南儿,周德泽,何衍.基于信息融合的聚类控制.浙江省自然科学基金研究报告,浙江工业大学,223～229,1999
[39]薛定宇.控制系统计算机辅助设计—MATLAB语言与应用(第2版).清华大学出版社,2006
[40]周开利,康耀红.神经网络模型及其MATLAB仿真程序设计.清华大学出版社,2005
[41]梅艳,袁南儿,周德泽.基于神经网络模式识别的信息融合.中国控制与决策学术年会论文集,沈阳,东北大学出版社,485～488,1999
[42]James A. Freeman, David M. Skapura, Neural Networks—Algorithms,Applications, and Programming Techniques, Addison-Wesley Publishing Company,1991
[43]丛爽.面向MATLAB工具箱的神经网络理论与应用(第二版).中国科学技术大学出版社,2003
[44]薛定宇,陈阳泉.基于MATLAB/Simulink的系统仿真技术与应用.清华大学出版社,2004
[45]Martin T. Hagan, Howard B. Debuth, Mark H. Beale.(?)神经网络设计.机械工业出版社,2002
[46]穆荣军、崔乃刚.多传感器优化融合模型的理论与仿真研究[J].仪器仪表学报.2006,27(6),326～328
[47]天泽.ARM9嵌入式Linux开发实验与实践.北京航空航天大学出版社,2006
[48]刘天时.ARM嵌入式开发基础实验.北京航空航天大学出版社,2007
[49]孙纪坤、张小全.嵌入式Linux系统开发技术详解--基于ARM.人民邮电出版社,2006
[50]廖日坤.ARM嵌入式应用开发技术白金手册.中国电力出版,2005
[51]马忠梅、徐英慧.ARM嵌入式处理器结构与应用基础[M].北京航空航天大学出版社.2007,164～171
[52]周立功.ARM微控制器基础与实战.北航出版社,2003
[53]魏洪兴,胡亮.嵌入式系统设计与实例开发实验教材.清华大学出版社,2005