基于多传感器贝叶斯网络的火灾报警系统
抽要
针对火灾报警系统存在信息不确定性导致虚警和漏报问题，提出贝叶斯网络分析火灾报警系统。通过分析火灾机理，阐述了火灾报警与火灾过程中产生的物理化学特性之间的内在逻辑关系。在BN中定义节点变量的基础上，在Netica中建立了火灾报警系统的多传感器贝叶斯网络模型。发现节点的概率推理和敏感性分析证明，通过多传感器贝叶斯网络模型分析火灾概率是可行和有效的。
关键词：火灾报警系统; 多传感器; 贝叶斯网络; 概率推理; 敏感性分析
- 介绍
火灾（作为一种灾难）是现代社会中最具破坏性的灾害之一，如何防止人们的生命和社会财富受到火灾的危害已成为当前面临的一个主要问题。火灾报警系统是防火的重要手段，其功能是对火灾现场过程中的信号进行采样，并确定是否发生火灾。目前主要的研究领域是基于多传感器的智能火灾报警系统。多传感器数据融合，神经网络，图像处理技术和模糊逻辑决策已被用于火灾报警系统。
在工程实践中，不同系统的系统结构，控制对象和工作条件是变化的，存在很多不确定性，希望火灾报警系统能够应对不确定性问题，具有适应性和自学习功能。在论文中应用的BN是一个有效的工具来表达和推断不确定的知识。基于火灾燃烧的机理分析，建立了火灾报警系统的贝叶斯网络模型。我们通过贝叶斯网络模型进行相关的概率推论和对结果的敏感性分析。
2.贝叶斯网络理论
贝叶斯网络是基于概率推理的图形网络，它可视化地编码变量之间的因果关系。它是不确定知识表示和推理领域中最有效的模型之一。
2.1.贝叶斯网络的定义
贝叶斯网络由两部分组成：网络结构和网络参数，分别对应于研究领域的定性描述和定量描述。
网络结构是一个有向无环图结构S，它由节点变量集 和有向边集合。节点变量是对问题的抽象;有向边L表示变量之间的依赖关系或因果关系。网络结构表示为：。
网络参数是局部概率分布集，用于反映变量之间的关系，即条件概率表,列出了每个节点相对于其父节点的所有可能的条件概率：
因此，贝叶斯网络的数学模型是：.
如果是设置变量的父节点，的联合概率分布是：
2.2.贝叶斯网络的构建
构建贝叶斯网络是解决实际问题的基础。构建贝叶斯网络的步骤包括：定义节点变量; 建立网络结构; 确定网络参数。构建网络不是上述步骤的简单顺序，而是交替执行。
首先，定义节点变量。建立的前提首先代表对象属性确定网络节点及其状态，任务主要依靠相关领域的专家知识来完成。节点可以分为三类：输入节点，输出节点和过渡节点。变量是两种变量：离散变量和连续变量。定义离散变量的状态非常简单。根据研究对象的精度，将连续变量离散化为有限个状态，转换过程如公式(2)所示：
其次，建立网络结构。建立网络结构有两种方式：专家知识方法和学习方法。前者基于专家知识来确定贝叶斯网络的结构; 后者就是所谓的学习结构。
- 确定网络参数。确定网络参数有三种方法：专家知识，公式，学习参数方法。
2.3.贝叶斯网络的概率推理
概率推论是计算概率。让我们假设所有随机变量的集合为，给定节点变量集合是的一个子集 ，其中的值表示为（假设为真或假），即。给定的节点变量通常由传感器获得，我们称之为调查结果。查询节点变量的集合假设为，它的值表示为。概率推理是发现当计算查询节点可变的条件概率已经给出：
的概率推理包括：因果推理，诊断推理，支持推理。
3.多传感器贝叶斯网络火灾报警系统
3.1.火灾的机理分析
火灾是由于失控而造成的灾难。火焰释放热量，伴随着火焰，燃烧的声音，并在燃烧过程中产生诸如烟雾，CO等新物质。工程中常用的火灾探测手段是提取燃烧过程的物理化学特性，包括火焰，燃烧产物，燃烧声音。可以表达特征的物理量称为火灾探测的特征参数。
1） 火焰：火焰具有明显的物理特性：火焰辐射，火焰光谱，火焰形状和火焰闪烁。特征参数包括红外光，紫外光和火焰形状。涉及的传感器包括红外传感器，紫外线传感器，图像传感器等。
2） 燃烧产物：燃烧产物包括伴随温度变化的气体和固体产物。气体产品的主要成分是CO和CO 2，相应的传感器是气体传感器。固体产品是烟雾，传感器是烟雾传感器，静电传感器和图像传感器。温度变化的特征参数是温度，传感器是温度传感器。
3） 燃烧的声音：特性参数是次声,相应的传感器是声音传感器。
3.2.建立基于多传感器贝叶斯网络的火灾报警系统
首先，为贝叶斯网络定义节点变量。在火灾机理分析的基础上，将火灾特征参数作为的输入节点变量，火焰，燃烧产物和燃烧声音作为中间节点变量，火灾作为输出节点变量。所有节点都是自然节点。
其次，建立结构。提供了两种建立结构的方法，一种是专家知识; 另一个是从案例中学习样本。本文整合了专家知识和学习样本来创建BN 结构。
第三，确定。提供了三种方法来定义节点的：首先是专家知识; 二是使用公式，现在一般常用编辑语言如C，C 和Java; 第三是根据案例中的数据样本获取。在定义的同时，也建立了网络结构。本文整合了专家知识和编辑公式两种方式来定义，如图1所示。
每个节点隐含地包含节点变量的。图2是火灾节点的。有火节点，并在图二的左相应节点的状态组合的3个父节点，右边是相对于节点的火灾概率分布到它的父节点的状态组合。
请注意，表格中每一行的概率必须完全相加为1.0。
图1火灾报警系统的编译贝叶斯网络模型
图2火灾节点的条件概率表
4.贝叶斯网络的概率推理
4.1.火灾预测分析
在图3所示的BN中，假定CO浓度发现变化。如果当前一氧化碳浓度超过标准水平，则查找节点状态很高。预测分析是根据研究结果计算其他节点变量的后验概率。在Netica中，CO变量状态设置为高（高= 100％），表明已知变量状态，通过自动更新功能更新整个网络的概率。结果如图3所示，其中燃烧气体的概率（目前）从50％升至70％，燃烧产物（现在）从50％升至57.5％，火（火）从50％升至53.7％，表明一氧化碳浓度溢出会增加火灾概率。
除了一氧化碳浓度外，让我们假设二氧化碳也超过了标准。结果如图4所示，其中发生火灾的概率从53.7％上升到59.4％，表明火灾概率更高。以上分析与工程实践是一致的。
图3基于火灾预测的CO 发现变量
图4 基于CO和CO2发现变量的火灾预测
4.2.寻找的敏感性分析
有时候对了解我们对特定节点的可信度是否受其他节点的影响很有用。如果它非常敏感，那么了解该节点的状态对我们很重要。Netica可以轻松计算节点对结果的敏感度。假设我们想知道哪些节点最能影响我们的“火焰”知识 。点击“火焰” 框标题区域的顶部将其选中，然后选择“网络-gt;对发现的敏感度”。详细报告将在“Netica - 消息”窗口中生成。为简洁起见，“火焰”对其他发现的敏感性仅在表1中显示。
我们可以发现，“火焰”最具影响力的节点是其表1中的父母和孩子。
|
节点 |
相互信息 |
百分比 |
可信度变化 |
|
火焰 |
1.00000 |
100 |
0.2500000 |
|
燃烧的画面 |
0.18872 |
18.9 |
0.0625000 |
|
火 |
0.11871 |
11.9 |
0.0400000 |
|
紫外线 |
0.04557 |
4.56 |
0.0156250 |
|
红外线 |
0.04557 |
4.56 |
0.0156250 |
|
其他节点 |
0.00000 |
0.00 |
0.0000000 |
表1“火焰”对另一节点发现的敏感性
结论
本文应用贝叶斯网络对火灾报警系统进行分析，充分利用强大的图形知识表达和有效的不确定性发现处理能力，试图对火灾报警系统进行研究。概率推理表明，基于BN模型的火灾报警系统是可行和有效的。在实际应用中，也有一些作品做的，包括收集样本的火灾情况，建立数据库，并逐步修改和完善，并更新BN 模型。
探索多传感器数据融合的关键技术
抽要:
20世纪中后期，随着计算机技术，控制技术，电子技术和传感器技术等的飞速发展，出现了多传感器数据融合技术。多传感器数据融合技术所获得的数据具有多个层次和等级，对实际应用具有更重要的意义。本文以多传感器数据融合技术为中心，首先介绍了数据融合技术，然后详细阐述了多传感器数据融合的关键技术，希望能够促进这些技术的进一步发展。
关键词：多传感器;数据融合;关键技术
1.介绍
用一个传感器，多传感器数据融合技术在目标识别，应用程序相比检测，跟踪和因此对能有效地提高了可靠性和有效性的数据，保证了数据的准确度和促进系统操作和信息的鲁棒性和实时使用。在目前，这一技术已被广泛使用在军事，民用和其他领域，例如机器人，海洋监测，医学诊断，运输和图像处理等。因此，研究多传感器数据融合技术对提高技术含量和促进各行业快速发展具有重要的现实意义。
2.数据融合的定义，结构和融合水平
2.1数据融合的定义
多传感器数据融合技术源自人与动物信息集成系统的基本功能，即人们通过与大脑思考和与身体感知自然地将来自自己的眼睛，耳朵，神经和其他传感器的信息进行整合，并检测，估计和理解事物、环境和在他们周围正在发生的事件的原理。通过综合多种传感器并充分利用它们，可以综合采集多样化、多级、多层次的信息，统一描述
全文共6039字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[10747]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
