一种基于前馈神经网络的火灾探测方法

讨论了基于模拟量探测器和前馈神经网络的火灾探测方法。以光学感烟、半导体感温、离子感烟和湿度模拟传感量为输入，以火灾概率和阴燃火灾概率为输出量对前馈神经网络进行训练，不仅可提取火灾环境的有效特征，而且可以提高检测算法的可靠性。     

基于神经网络和模糊逻辑的智能火灾探测

探讨了一种基于模糊逻辑和前馈神经网络的火灾探测和自动报警的方法．该方法以半导体感温，离子感烟和湿度模拟传感量为基本特征，并附加其相应的趋势特征对神经网络进行训练．神经网络所对应的明火概率和阴燃火概率输出，经过模糊判决器后检测火灾现象是否发生．实验表明利用传感量的趋势特征和模糊逻辑判决的自动探测系统，能够及时准确地检测出火灾，为火灾报警提供了一种新的有效的方法     

基于神经网络和模糊逻辑的智能火灾探测

探讨了一种基于模糊逻辑和前馈神经网络的火灾探测和自动报警的方法。该方法以半导体感温，离子感烟和湿度模拟传感量为基本特征，并附加其相应的趋势特征对神经网络进行训练。神经网络所对应的明火概率和阴燃火概率输出，经过模糊判决器后检测火灾现象是否发生，实验表明利用传感量的趋势特征和模糊逻辑判决的自动探测系统，能够及时准确地检测出火灾，为火灾报警提供了一种新的有效的方法。     

手写签名的概率神经网络识判模型

针对手写签名的随机性和信息的不完备性，提出了将Ｂａｙｅｓ网络与前馈神经网络相结合的概率神经网络模型，论述了建模的理论基础，模型结构，训练算法及其简化算法，概率神经网络可计算待测签名样本为真（或伪）签名的最大可能性，进而确定其所属类别。     

森林火险与气象因素的多元相关性及其分析

森林火灾发生概率预测涉及气象、树种、地理条件与人类活动等诸因素，气象参数对火灾的影响一直是森林火灾研究的重点之一。选用日平均湿度、降水量、平均风速、平均温度和日照时间等5种典型气象参数，利用BP神经网络分析了它们对火灾发生概率的综合影响；研究了多种气象参数综合作用下火灾发生概率的变化规律。结果表明，气象参数与火灾发生概率之间存在稳定的关联，神经网络在处理多参数综合影响方面具有较好的泛化能力，可以作为预测林火概率的可靠方法，为森林火灾研究提供了基础数据。     

手写签名的概率神经网络识判模型

针对手写签名的随机性和信息的不完备性,提出了将Ｂａｙｅｓ网络与前馈神经网络相结合的概率神经网络模型．论述了建模的理论基础、模型结构、训练算法及其简化算法．概率神经网络可计算待测签名样本为真（或伪）签名的最大可能性,进而确定其所属类别     

数据融合技术在消防探测中的应用研究

数据融合技术用智能化多传感探测器取代传统的单一传感器,可以区别非火灾信号和火灾信号,从而能够及时并准确地报警。基于多传感器数据融合的火灾探测系统的基本框架及相应算法,以感温、感烟和气体传感器的模拟量为输入,利用神经网络和模糊识别技术对多传感器信号进行融合,设计出一种快速、准确和有效的火灾探测系统,可以达到及时报警和降低误报警的目的。     

点型感烟火灾探测器响应信号时程数值预测方法

为预测点型感烟火灾探测器的响应信号时程,提出了采用FDS软件进行数值风洞实验、标定探测器Cleary迟滞模型参数的方法和步骤。以JTY-GD-1109A光电散射感烟探测器为例,标定了与之匹配的Cleary迟滞模型参数;结合FDS火灾模拟分析结果,给出了适用于顶棚射流速度0.15~0.6m/s的探测舱内响应信号时程预测模型;通过一个室内火灾模拟算例,说明了该预测模型的应用。为评估点型感烟火灾探测器火灾探测的有效性提供了数值方法。     

大气悬浮颗粒PM10对感烟火灾探测器本底效应研究

针对大气污染引起的悬浮颗粒,尤其是可吸入颗粒（PM10）对感烟火灾探测器产生的本底效应进行了分析，并以离子型感烟探测器为例对本底值进行计算，通过比较，显示不同程度的大气颗粒物污染对感烟探测器本底影响的差异极小，排除了感烟探测器在悬浮颗粒污染严重地区发生灵敏度和误报率升高的可能。确认目前各国感烟火灾探测器检测标准对灵敏度指标的规定可以统一，粒子计数等高分辨率颗粒浓度测量技术的发展将使该本底效应的影响不可忽略。     

点型感烟火灾探测器响应信号时程数值预测方法

为预测点型感烟火灾探测器的响应信号时程,提出了采用FDS软件进行数值风洞实验、标定探测器Cleary迟滞模型参数的方法和步骤。以JTY-GD-1109A光电散射感烟探测器为例,标定了与之匹配的Cleary迟滞模型参数;结合FDS火灾模拟分析结果,给出了适用于顶棚射流速度0.15~0.6 m/s的探测舱内响应信号时程预测模型;通过一个室内火灾模拟算例,说明了该预测模型的应用。为评估点型感烟火灾探测器火灾探测的有效性提供了数值方法。     

数据融合技术在公路隧道火灾探测中的应用

在分析公路隧道火灾特点的基础上,依据数据融合的基本原理,充分利用多个传感器资源,把多个传感器在空间和时间上的冗余或互补信息依据某种准则来进行组合,以获得被测对象的一致性解释或描述。提出了一种基于数据融合技术的隧道火灾探测算法,以感烟、感温和感光传感器的模拟量为输入,利用人工神经网络和模糊逻辑技术对多传感器信号进行融合,设计出一种快速、准确和有效的隧道火灾自动探测融合系统,可缩短报警时间,降低误报警率。克服了火灾探测算法单一使用固定阈值的弊端。     

One Fire Detection Method Using Neural Networks

A neural network fire detection method was developed using detection information for temperature,smoke density,and CO concentration to determine the probability of three representative fire conditions.The method overcomes the shortcomings of domestic fire alarm systems using single sensor information.Test results show that the identification error rates for fires,smoldering fires,and no fire are less than 5%,which greatly reduces leak-check rates and false alarms.This neural network fire alarm system can fu...     

基于神经网络的多参数矿井火灾识别方法

针对矿井火灾早期预测预报研究了新的方法,将矿井火灾图像与温度、烟雾、CO、CO2、O2等多个参数相结合,进行综合分析,对矿井火灾进行判断。依据神经网络建立的数学模型,采用神经网络的学习算法,对矿井火灾进行识别。通过仿真分析结果表明,矿井火灾正确识别率很高,特别是采用RBF神经网络,正确识别率达到98%以上,从而为神经网络实际用于矿井火灾识别成为可能,该方对矿井火灾早期预测预报具有重要的理论意义和实用价值。     

Immune Feedforward Neural Network for Fault Detection

An immune algorithm-based approach was developed to optimize a feedforward neural network. The network architecture, activation functions, and training method were encoded as individuals with an ap- propriate method for individual selection. The immune feedforward neural network is then applied to fault detection of water quality monitoring equipment. This gives better performance than a feedforward neural network.     

基于稠密连接和非局部运算的烟雾识别方法

烟雾图像检测已经成为早期火灾预警的主要技术手段之一,为了提升烟雾识别准确率和运算效率,提出基于稠密连接和非局部运算的深度卷积神经网络用于烟雾识别。首先,设计深度网络中卷积层间的稠密连接机制,构建稠密基本块,增强信息流通和特征重利用,同时也减少模型参数量。然后,为了进一步考虑烟雾图像的全局信息,将非局部运算与稠密基本块中的卷积运算相结合,构建稠密和非局部基本卷积块。最后,利用已经构建的若干个稠密和非局部基本卷积块搭建用于烟雾识别的深度卷积神经网络。在已经公开的烟雾图像数据库上进行性能评估,实验结果表明,提出的基于稠密连接和非局部运算的烟雾识别方法以不到1M的模型参数量取得了更令人满意的性能。     

热释放率计算和预测的神经网络方法

基于多层前馈神经网络提出了火灾实验中不同材料热释放率的学习算法和预测技术．同时,将具有全局收敛特性的混合共轭梯度（ＭＣＧ）算法应用于该问题中多层前馈神经网络的训练,克服了传统ＢＰ算法收敛速度慢,推广性能差的缺陷．文中对ＭＣＧ方法进行了大量模拟,并将模拟结果与ＢＰ算法及带有动量项的ＢＰ算法作了全面比较,结果表明：ＭＣＧ方法不仅在学习速度和收敛性方面均优于传统的ＢＰ算法而且显示了良好的性能和行为     

设计前馈神经网络结构的一种新方法

提出了一种设计前馈神经网络结构的新方法,该方法对网络隐层节点的输出作奇异值分解,根据奇异值大小的分布情况来决定隐层节点的个数,优化网络结构。这种方法同样也适用于有多个隐含层前馈神经网络的设计。应用这种方法来设计一个前馈神经网络并对一复杂信号建模和进行预测,能取得令人满意的结果。     

神经网络在矿井胶带机火灾探测中的应用

综合考虑温度、温度变化率、一氧化碳浓度、一氧化碳浓度变化率为胶带机火灾探测系统的参数 ,采用三层前馈 BP神经网络对胶带输送机火灾探测进行研究 ,经过 81组数据样本训练得到合适的网络结构及网络参数 .仿真结果表明 :当隐层节点数为 1 0 ,动量因子为 0 .95时 ,训练时间最短 ,误差下降最快 ;对 PVC胶带机的火灾燃烧试验探测结果表明 ,当输出报警限取 0 .5时 ,经一定的时间延时后 ,运用该网络可在燃烧发生 35 0 s时进行报警 ,从而有效实现了矿井胶带输送机火灾的早期报警 ,并增强了系统的抗干扰能力及对环境的适应性能     

α-淀粉酶Amy7C及其突变体最适pH值的定量预测

【目的】pH值是影响酶催化效率的关键参数,通常需要通过实验方式才能确定生物酶的最适 pH 值,而该方式要消耗较多的人力、物力和时间。因此,有必要发展一种利用酶的简单结构信息即可预测其最适 pH 值的方法。【方法】以20-1前馈反向传播的神经网络为模型,完成535种氨基酸属性对α-淀粉酶 pH 值的拟合。同时,将α-淀粉酶 Amy7C及其54个突变体的数据分为2组,用35个酶作为训练组进行拟合,20个酶作为验证组进行检验,并对不同层次及神经元个数的模型进行比较。【结果】109个氨基酸属性可实现20-1神经网络模型收敛,表明这些氨基酸属性可用干预测α-淀粉酶的最适 pH值,但是不同氨基酸属性预测 pH 值的效果差别较大,只有部分指标预测 pH值的效果较好。多模型的分析结果显示,不同模型对训练组R值的结果具有显著性差异,而对训练组P值、验证组R值和验证组P 值结果无显著性差异。【结论】氨基酸分布概率等属性可用干预测α-淀粉酶的最适 pH值。20-1神经网络模型是预测α-淀粉酶最适 pH值相对理想的模型。