一种新型数据融合方法在火灾监测中的应用研究_李时辉

1 1 0/1 0/1 0/1 1 0/1 0 1 0/1 1 1 0/1 1 0/1
灾预警监测系统应该能在火灾初始阶段即能准确 判断火灾发生的概率. 在火灾初始阶段发展过程 中，又可以分为三个阶段：第一阶段为火灾现场的 可燃物燃烧首先会产生直径仅为 1～50 nm 的烟雾 和 CO、CO2 气 体 ； [12-13] 第 二 阶 段 随 着 可 燃 物 的 燃 烧 进一步充分，所产生的气体浓度增大，产生了可见 烟雾； 第三阶段火灾现场各类气体对流速度加快， 烟雾浓度增大，温度相比第二阶段有所升高，但火 焰还未产生.
Abstract: The threshold value determination method adopted by conventional fire monitoring system can yield prompt response but it also has a high rate of false monitoring. To solve the problem and to meet the requirements of data collection in fire monitoring system，a new data fusion approach based on Bayesian network algorithm by inference of D-S evidence theory is proposed. The approach uses D-S evidence theory to deduce the conditional probability of Bayesian network's belief function and likelihood function and then puts the acquired belief function and likelihood function under decision rule to make judgment on the probability of fire. Experiment result shows that the method is simple and easy to implement, and can effectively improve the accuracy of the monitoring system. Key words: fire monitoring; D-S evidence theory; Bayesian network algorithm
收 稿 日 期 ：２０１４－１２－２３ 基 金 项 目 ：浙 江 省 自 然 科 学 基 金 资 助 项 目 （Y1100219 ） 作者简介：李时辉（1981- ），男，副教授，高级技师，主要从事信号与信息处理及自动控制系统等方面的研究，E-mail: ywlsh@.
86
框 架 Θ 上 的 BPA，定 义 函 数 Bel:2u→[0,1]： ， 可 得 识别框架 Θ 上的信任函数 Bel.
Bel（A）=Σm（A） （坌A奂Θ） （1） A哿Θ
定义 3：由定义 1，现有函数 m:2u→[0,1]为识别 框 架 Θ 上 的 BPA，定 义 ，可 得 识 别 框 架 Θ 上 的 似 然函数 Pl.
P（B｜An）P（An）
∞
（3）
ΣP（Aj）P（B｜Aj）
j=1
式（3）中 P（An）为先验概率，表示所有条件中 An 条 件 发 生 的 概 率 ；P（An｜B）为 后 验 概 率 ， 表 示 在 形 成 事
第 ３６ 卷 第 ３ 期
李时辉，等：一种新型数据融合方法在火灾监测中的应用研究
87
件 B 结果时 A 事件中因第 n 个事件引起的概率； P（B｜An） 为 似 然 率 ， 表 示 事 件 A 中 第 n 个 事 件 对 结 果 的 影 响 程 度. 通 过 对 公 式 （3）分 析 可 知 ，已 知 P（An）可计算出 P（An｜B），已知 P（An｜B）亦可计算 出 P（An），即由各 类 事 件 发 生 的 概 率 可 导 出 结 果 ， 又可由结果导出原因各类事件发生的概率. 2.3 贝叶斯融合理论
表 2 传感器的输出状态 X0 与 X1 还应增加一个 不 确定状态，用 1/0 表示，根据公式(1)可得该节点的
“与”、“或”模型，“与”模型见表 2，“或”模型见表 3.
表 2 存在不确定状态“与”节点模型
表 3 存在不确定状态“或”节点模型
X0
0
X1
0
Y0
001 1 0/1 0 1 0/1 1
Application research of a new data fusion approach in fire monitoring
LI Shihui1， LIU Shanbao2
(1.School of Mechatronics and IT, Yiwu Industrial and Commercial College, Yiwu 322000, China; 2.Guangdong Provincial Communications Administration, Guangzhou 510080, China)
第 36 卷 第 3 期 2015 年 6 月
江西理工大学学报
Ｊｏｕｒｎａｌ ｏｆ Ｊｉａｎｇｘｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ
Vol.36, No.3 Jun. 2015
文章编号：2095-3046（2015）03-0085-04 DOI:10.13265/ki.jxlgdxxb.2015.03.015
江西理工大学学报
2015 年 6 月
的成果. 文献［2］提出了将 BP 神经网络和 D-S 证据理
论相结合的多传感数据融合技术应用于火灾监测 系 统 ；文 献 ［3］提 出 了 提 出 一 种 基 于 烟 雾 多 特 征 融合的早期火灾烟雾检测方法. 以上方法都在火 灾现场数据融合方面取得了不同程度的成功，但 文 献 ［2］及 文 献 ［3］所 提 出 方 法 都 需 要 大 量 的 运 算，存在处理速度较慢问题. 针对上述问题，提出 了一种基于 D-S 证据推理的 贝 叶 斯 网 络 法 数 据 融合方法应用于火灾预警监测系统，该方法利用 D-S 证据理论推理出贝叶斯网络的信任函数和似 然函数的条件概率， 再求得信度函数和似然函 数， 在决策规则下判断火灾发生的概率. 将现有 的多种数据融合方法与该方法的结果进行对比分 析可知， 该方法可获得更高的火灾判断准确率， 且实现简单.
与 Y1 节点一切正常的概率.
2.4 数据融合
监测系统中所使用的各传感器， 因安装时间、
地点、 环境及自身性能差异等原因，CO 气敏传感
器、 温度传感器及烟雾传感器的检测结果误差较
大. 为能得到更合的融合效果，在将各异质传感器
作为证据进行融合时，应对各传感器间进行“与”或
“或”运算.
传感器的输出状态中存在不确定状态，因此在
一种新型数据融合方法在火灾监测中的应用研究
李时辉 1， 刘山葆 2
（1．义乌工商学院机电信息分院, 浙江 义乌 322000；2. 广东省通信管理局，广州 510080）
摘 要：传统的火灾监测系统一般采用阈值判断法，该系统固然具有快速反应的优点，也存在误 报率较高的问题. 针对上诉问题，结合火灾预警监测系统中的数据采集要求，在对多组数据处理 中， 提出了一种基于 D-S 证据推理的贝叶斯网络法的数据融合新方法. 该方法首先利用 D-S 证 据理论推理出贝叶斯网络的信任函数和似然函数的条件概率，然后再求得信度函数和似然函数， 最后在决策规则下判断火灾发生的概率. 实验结果表明，该方法实现简单，并能有效提高监测系 统的判断准确率. 关键词：火灾监测；D-S 证据理论；贝叶斯网络算法 中图分类号：TP277 文献标志码：A
1 智能型火灾预警监测系统
火灾预警监测系统的信息处理过程分三步走： 第一步： 先将各传感器采集的数据 进 行 A/D 转换处理， 再对各传感器数据进行归一化处理，最 后运用自适应加权算法求得同质传感器的精确值； 第二步：利用 D-S 证据理论推理出贝叶斯网络 的信任函数和似然函数的条件概率， 再求的信度函 数和似然函数，最后在决策规则下确定是否有火灾； 第三步： 通过对第二步的输出进行分析判断， 确定驱动报警模块还是控制模块. 根据火灾预警监测系统的信息处理过程构建系 统， 构建的智能型火灾预警监测系统的组成如图 1 所示，由现场数据采集模块、数据融合决策模块及 输出模块三部分组成[4-5].
0引言
随着社会经济的高速发展，现代建筑日趋智能 化，摩天大楼的高度不断被刷新，建筑火灾的危害 及损失也随之增大. 大多数的火灾在开始时都比 较小，但如不能及时发现并加以控制，火灾将会以 非常快的速度蔓延，因此，防患于未燃，一个反应迅
速、判断准确的火灾预警监测系统在控制火灾的蔓 延中是至关重要的. 传统的火灾监测系统一般采 用 阈 值 判 断 法[1]，利 用 相 应 的 传 感 器 对 室 内 的 温 度 、 CO 气体浓度及烟雾进行检测， 然后将各自的检测 值与阀值进行比较，各传感器的检测值只要一个高 于阀值时系统即报警，火灾的误报率非常高. 为解 决上述问题，进一步降低监测系统的误报率，国内 外众多学者都进行了一系列的研究，并取得了一定
Σ Pl（A）＝1-Bel（Ac）＝ m（B）
（2）
2.2 贝叶斯概率理论 贝叶斯概率理论[9]：假设现有事件 B 及 n 个随
机产生的事件: A1，A2，…, An，且事件满足一下条件： 1）A1，A2，…,An 任意两者间相互排斥；
2）胰An=S 或 B奂胰An
n=1
n=1
3）P（An）＞0
P（An｜B）=
贝 叶 斯 网 络 模 型 [9-10]主 要 包 括 “ 与 ” 节 点 模 型 和 “或” 节点模型. 假设监测系统中的某个节点 W 现 有 4 个 节 点 变 量 ，分 别 用 X0、X1、Y0、Y1 表 示 ，其 中 X0、X1 代 表 两 类 传 感 器 的 判 断 结 论 ，Y0 代 表 X0、X1 相“与”的融合结果，Y1 代表 X0、X1 相“或”的融合结 果 ， 变 量 为 “0” 时 表 示 一 切 正 常 ， 为 “1” 时 表 示 有 火 灾. 4 个节点的判别结论模型如表 1 所示.