基于神经网络的火灾数据处理系统研究.doc

1、 目 录1 绪 论11.1 课题研究背景及意义11.2 火灾特点及预防21.3 课题研究的主要内容32 火灾探测及其发展42.1 火灾报警系统的神经网络算法设计42.2 火灾探测算法的发展52.3 火灾探测信号特征82.4 检测数据处理方法103 神经网络的介绍113.1 神经网络简介113.2 神经网络特点123.3 神经网络的分类及模型123.2.1 线性神经网络模型133.2.2 感知性模型133.2.3 BP网络模型134 神经网络在信号处理中的应用164.1 网络的基本特征和学习方式164.2 BP网络用于消噪和模式识别174.3 基于神经网络火灾探测原理184.3 智能复合火灾探测

2、器的构造184.4 BP算法195 仿真分析235.1 火灾数据处理的神经网络设计235.2 在matlab中的仿真分析235.3 仿真结果分析27参考文献28致 谢29附 录301 绪 论1.1 课题研究背景及意义现代社会，由于人口密度较大，高层建筑普及，建筑、财产和商业相对集中，新能源、新材料、新设备的广泛开发和利用等因素，加重了一旦发生火灾所造成的危害。据统计，在众多灾难中，火灾造成的直接经济损失约为地震的5倍，仅次于干旱与洪涝，而且发生的频度居各种灾害之首，不仅引发环境污染，生态失衡，更造成了重大的人员伤亡和财产损失。2002年，中国发生了258315起火灾还未包括香港、澳门特别行政区

3、和台湾地区的火灾，也不包括森林火灾、草原火灾、军事和地下煤矿火灾)，造成间接财产损失15.4亿元，死亡2393人，受伤3414人。与2001年相比，火灾起数增加了19.2，直接财产损失增加了9.7，可见火灾形势十分严峻。下面是近年来几个较为典型的案例1：1996年4月2日，辽宁沈阳商业城发生火灾。该商业城共有6层，起火位置位于商业城一楼的办公室，火势蔓延迅速，致使火灾自动报警系统、自动喷水灭火系统未发挥作用，导致整个商业城内的柜台和物品燃烧起来。此次火灾造成的经济损失高达5 5 192万元。2005年6月10日、12月25日，广东省汕头市华南宾馆、广东省中山市一西餐厅由于建筑消防设施不足发生火

4、灾，分别造成31人、26人死亡。2005年12月15日16时30分，吉林省辽源市中心医院住院楼发生火灾。原因是医院突然停电，电工在一次电源跳闸、备用电源未自动启动的情况下，强行推闸送电，导致配电室发生火灾。在这场火灾中，过火面积达5 714平方米，造成40人死亡、28人重伤、182人受伤，火灾直接损失8219214万元，是建国以来卫生系统的最大一起火灾。2004年8月2日中午，位于南美内陆国家巴拉圭首都亚松森郊区的一座大型超市突然起火，造成340人死亡，300多人受伤。原因是许多人被困在大火中未能顺利逃生，大部分死者是因为吸入有毒气体后死亡。从我国和世界各地的恶性火灾事故2来看，商场、超市以及

5、宾馆场所可燃、易燃物较多。燃烧时产生的大量一氧化碳和有毒物质，对人造成极大伤害；消防自动化系统可靠性较低，造成误报、漏报：对火灾的重视不够，火灾初期发现较晚；而且各种电气、电子设备、仪器仪表高度集中且处于长期运行，电气设备过载、过热、短路的火灾隐患较多，加重了一旦发生火灾所造成的重大经济损失和人员伤亡。随着社会经济和技术的发展，目前高层、超高层建筑以及大型工厂、企业如雨后春笋一般的涌现。建筑内多采用大跨度钢架结构和灵活的环境布置，使建筑物开间和隔墙布置复杂，导致火灾烟气弥漫、扩散迅速；装饰材料多种多样，且多为易燃或可燃材料；大量使用各种电气设备，电气设备配电线路和信息数据通信布线系统密如蛛网，

6、造成一旦发生火灾后火势迅速蔓延。由此可见，现代化高层建筑对智能型火灾报警系统有了更多的要求，并且对于系统的可靠性也提出了更高的要求。无线火灾报警系统是近几年来在国外发展起来的新型火灾报警系统，与传统的火灾报警系统相比有它独特的优势，并孕育着巨大的市场潜力。传统火灾报警系统，通常需要通过布线将系统中的各种部件连接起来，完成安装工程往往需要花费大量的时间，甚至造成建筑物结构被破坏，且无法弥补。同时，现行的工业火灾报警系统中探测器与控制器的连接大多采用两条或多条铜芯绝缘导线或铜芯电缆，系统耗材多，功耗大，设计、施工与维护复杂，且难于改造；硬线连接线路容易老化或遭到腐蚀、磨损，故障发生率多，误报率高；

7、系统运行时，火灾信息在探测器与控制器间的往返传送，增加了报警控制器的信号处理负担，降低了系统巡检速度、稳定性和可靠性。而无线火灾报警系统省去了这些既烦琐又费时的布线工程，给一些特殊建筑或场所提供了一种新的选择，可以有效地避免出现上述问题。尤其对于那些已经建成且已装修完毕的建筑，使之省却再进行破墙洞布线作业的麻烦。本课题采用智能探测算法提高火灾报警系统可靠性，同时采用蓝牙技术减少通信布线，实现各探测设备间“无缝连接、随时在线”。1.2 火灾特点及预防据统计，在众多灾难中，火灾造成的直接经济损失约为地震的5倍，仅次于干旱与洪涝，而且发生的频度居各种灾害之首，不仅引发环境污染，生态失衡，更造成了重大

8、的人员伤亡和财产损失。2002年，中国发生了258315起火灾f未包括香港、澳门特别行政区和台湾地区的火灾，也不包括森林火灾、草原火灾、军事和地下煤矿火灾)，造成间接财产损失15.4亿元，死亡2 393人，受伤3414人。与2001年相比，火灾起数增加了19.2，直接财产损失增加了9.7，可见火灾形势十分严峻3。如此之多的惨痛事件发人深省，消防安全必须引起人们的重视。火灾地点存在以下特点：人员密集度高，不易疏散；可燃易燃物多，内部空间大，空气充分，燃烧猛烈，扑救空难； 燃烧速度快，温度积聚迅速；烟雾生成量大，遮盖了真正的着火点以及火灾的蔓延趋势；火灾负荷量远远高于其他建筑、危险性极大5-7。因

9、此，短时间内将造成不可弥补的巨大损失。科学合理的消防系统为火灾的先期预报、即时扑灭、人身和财产安全保障起到了不可替代的作用。电子技术、自动控制技术以及计算机技术的高速发展，有力的促进了消防系统的发展。目前，我国大部分建筑还是采用传统的火灾监控系统，尚不能实现火灾的超早期探测、监控。特别是像图书馆、博物馆医院等这种人员密集又收藏着珍贵的文献资源的场所，传统的火灾监控不能满足要求；再加上建筑楼层高，传统的一些火灾探测技术如普通感烟探测器等很难及时地对火灾进行预报。早期火灾监控系统是通过一定的早期火灾监控技术，探测火灾在超早期阶段发生的情况并根据结果进行预报，消防控制系统及值班人员可以根据超早期火灾

10、监控系统的预报，启动消防安全警报装置，将消防警报信号送到哥保卫处；同时，激活并启动整个消防设施开始工作。工作人员在得到消防报警的信号后，一边迅速到达火灾发生地，采取有效措施进行灭火，将早期火灾扑灭或控制在很小的范围内；一边快速引导疏散人员，保障生命安全以及财产安全。1.3 课题研究的主要内容综上分析，本文主要设计CO气体浓度信号、烟雾浓度信号和温度信号的下位机信号采集电路4，将一定范围内的计算机通信电路和设备连接起来，然后在PC机上构建神经网络计算模型，应用神经网络算法进行火灾探测信号的智能化处理，判断火灾的有无。具体分为以下几部分：(1) 在对智能型火灾探测报警技术历史发展有一个总体全面认识

11、的基础。(2) 简要阐述神经网络各自的技术原理以及所构成的神经网络的特点，建立模糊神经网络计算模型和网络学习算法，并进行仿真研究，验证算法的可行性。2 火灾探测及其发展消防系统由火灾报警监控系统和消防联动系统组成。其核心思想是对报警区域中发生的任何火情及时地感知，并根据其报警级别分别在控制中心给予报警或进行相应的联动处理。工作原理是自动捕捉火灾监测区域内火灾发生时燃烧所产生的火焰、热量、烟雾等特性，由自动报警装置或手动报警装置发出报警信号，通过导线传送到报警控制器，控制中心确认该信号是火灾报警信号后，发出声、光报警信号，显示火灾发生部位。火灾监控系统有助于提高图书馆的防灾自救能力，将火灾消灭在

12、萌芽状态，实现火灾早期探测、早期报警。超早期火灾监控系统由监控终端，信号传输线路，监控中心组成。组成示意框架见下图：火灾监控系统 有线通信智能型区域报警集中报警监控中心超早期探测技术监控终端信号路线手动报警超早期探测器自动报警无线通信控制器图 2.1 消防系统组成示意图 2.1 火灾报警系统的神经网络算法设计由上面分析可以得出，模糊控制和神经网络各有优缺点。模糊技术重规则，这个规则是人的经验、知识的表达；神经网络的知识隐含在其权值矩阵中，其知识表达比较隐晦。结合模糊控制和神经网络两种智能技术的优点，本文提出一种基于神经网络5的火灾自动探测算法，其单元结构示意图如图2.2所示。传感器信号信号预处

13、理模糊化模糊神经网络推 理去模糊训练样本集火灾发生率 图2.2基于模糊神经网络的火灾探测单元结构系统从被探测的环境中检测气体、烟雾浓度及温度信号后经信号预处理，送入模糊神经网络系统模型。将模糊规则和隶属度函数用神经网络表现出来，隶属度函数的参数赋予为神经网络权值，生成的神经网络用于实现模糊推理。根据火灾特征预先选定组数据样本组成训练样本集，使用附加动量项的BP(Error Back Propagation Network)算法6对网络进行学习和训练，利用梯度下降技术，通过调整网络权值、阈值，使得网络实际输出与期望输出的误差均方值最小。训练结束后，通过权值的变化找出火灾参数与传感器输入模式之间的

14、映射规律，即完成针对火灾特征的学习，自动生成适于火灾探测模型的隶属度函数参数，并提取各模糊推理规则相对作用的权值。训练后的模糊神经网络即可用于实际的自动火灾探测中。2.2 火灾探测算法的发展火灾探测技术7是传感技术和火灾探测算法相互结合的产物，其实质是将火灾中出现的物理特征，利用传感器进行接收，将其变为易于处理的物理量，通过火灾探测算法判断火灾的有无。因此，火灾探测算法是火灾探测报警系统中不可或缺的部分。随着火灾探测技术的发展，火灾探测算法也在不断的更新和进步。由于传感器采集的火灾参数是事先未知的或不能确定的信号，不仅随火灾特征而变化，其它环境变化和电子噪声等都可能引起其变化，而且这种变化往往

15、与火灾参数变化特征相似，在探测器的安装位置和人的活动以及环境影响事先无法确定的情况下，无论采用什么样的固定算法都是不能完全满足要求，采用一般的数学模型方法也很难精确描述它，所以火灾探测与其它典型的信号检测相比是一种十分困难的信号检测问题，要求信号处理算法能够适应各种环境情况的变化，自动调整参数以达到既能快速探测火灾又有很低的误报警率。火灾信号通常具有频率特性、趋势特性和持续时间特性，基于这些特性进行分析处理的火灾探测算法是火灾科学与计算机技术、信号处理技术和自动化技术的相互交叉。鉴于火灾探测是一种特殊信号的检测问题，目前火灾信号处理算法主要有基本处理算法、统计检测算法、以及人工智能算法，如表2

16、1所示。表2.1 火灾信号处理算法基本处理算法 阈值法 变化率检测法 趋势算法 斜率算法 统计检测算法 功率谱检测算法 复合传感器信号算法人工智能算法 神经网络算法 视觉模拟算法 20世纪90年代前期，火灾探测器绝大多数采用接触式，火灾探测算法以阈值检测法和过程法为主。(1)阈值法 阈值法是一种最简便、使用最为普遍的火灾探测算法。此方法是设定一个(或若干个)判断阈值，一旦检测到所探测的火灾物理信号超过判断阈值，就发出火灾报警。(2)过程法 火灾是一个发展过程，相应的各个物理特征参量也表现为一定的发展规律，于是将探测器改为传感器，把现场监测到的物理量信号变化传送给计算机，计算机将这种信号变化历程

17、与事先储存的、由模拟实验得到的实际火灾信号变化历程进行相互比较，判断火灾是否发生，然后根据这种判断决定是否给出火灾报警信号。上述两种方法简单明了、易于实现，其缺点是对环境适应能力差，误报率高。20世纪90年代后，火灾探测算法与人工智能技术、自动化技术和信号处理技术等广泛融合，推动了其自身发展。探测智能、监控智能和抗干扰算法在火灾探测技术中的应用，使火灾探测技术进入了一个全新的发展时期，火灾探测算法在改进探测系统性能上的作用日益突出，主要表现在：(1)人工智能技术的应用 自从日本的YOkayama和SNakanishi把神经网络和模糊逻辑应用到火灾探测技术之后，火灾探测系统不再单一依靠开关量信号

18、，而是以反映火灾特征的模拟量作为对象。神经网络的自学习能力使系统能适应环境变化，其容错能力又提高了系统的可靠性；模糊算法的应用使经神经网络输出处理难以判断的数据进行再加工，进一步提高报警的准确性。国内外关于此方面的文章很多，吴龙标、Milke JA等在该方面做了很多工作，为火灾探测提供了一种具有自适应特性的信号处理方法，明显提高了火灾探测的灵活性和准确性。谢平教授将神经网络数据融合算法引入到多传感器火灾探测系统中，针对火情信号测试的固有特点，采用神经网络进行数据融合决策取得了较好效果。谷建荣等将模糊控制技术应用到单参数火灾报警系统中，使信号变化量和信号变化率两个火灾判据得到了较好的结合。姚畅等

19、基于神经网络的多传感器火灾报警系统，对温度、烟雾和CO数据进行智能化处理，减少了误报，增强了系统的抗干扰能力和对环境的适应性能。(2)与其它技术的融合火灾探测技术在与其它技术的融合中得到不断的发展。施式亮等建立了基于小波神经网络的建筑火灾预测模型，与消防工作相结合，建立和实施城乡综合防灾减灾系统。王殊教授提出的复合特定趋势算法，能够根据信号的稳定值识别复合信号位于稳定值上方的正方向变化和稳定值下方的负变化趋势。在趋势判断函数中引入判别门限，有效克服了随机噪声干扰。在统计方法上，ThoITlaS JMcAvoy etal提出了一种基于统计的火灾算法，它可以提高传统感烟探测器的准确度，尤其对阴燃火

20、有良好的响趔”l。Richard WBukowski et a1提出了根据实际火灾的计算模型与探测器信号进行匹配来判断火灾的新方法8。JamesAMilke提出应用以气体探测为主的复合型多传感器识别火灾探测信号的方法。实际应用中，智能化的火灾探测技术的发展形成了新一代智能型火灾探测系统，瑞士西门子西伯乐施公司的AlgoRex火灾探测器，采用分布智能和神经网络算法及数字滤波，代表了当今火灾探测系统的最高水平。中国原子能科学研究院电子仪器厂AOO系统采用模糊信号处理技术完成火灾报警，取得了较好的效果。根据专家经验，利用信号变化量和变化率两个判据做出模糊推理规则基，再根据自组织模糊控制原理中的修正因

21、子校正法，对规则按实际情况进行优化，规则基形成后用强度转移法求出推理结果。此系统充分利用了信号变化量和信号变化率这两个火灾判据，减少信号噪声的影响，有效的降低了误报掣。近年来，在火灾探测系统中，人工神经网络、模糊逻辑等智能算法得到了广泛的应用。国内、外关于火灾探测报警技术的最新研究成果也充分表明，采用智能算法将现代火灾探测理论与计算机应用相结合是提高火灾探测报警系统性能的有效方法，智能算法的采用，可以大大的提高火灾探测系统的可靠性和抗干扰能力，有效的降低误报率。2.3 火灾探测信号特征对于火灾早期所表现的一些特征，利用不同类型的火灾传感器可以感知各类火灾特征参数，并产生相应的包含火灾与非火灾以

22、及环境噪声的火灾传感器输出信号。从信号处理角度分析，火灾传感器输出信号可以近似地看做是一个非平稳随机过程，利用现代信号检测和处理方法并结合火灾信号的特殊性可以有效的检测出火灾信号。由于火灾探测和报警事关重大，要求火灾监控系统绝对可靠，不允许有漏报警，同时其误报警越少越好，因此，寻找适当的火灾信号处理方法，在正确检测火灾的同时又具有极低的误报警率，一直是火灾自动探测报警系统的首要任务。鉴于火灾的发生是一个随机过程，而火灾发生时的火灾参数更是一个非稳态过程，环境变化如时间，气候，地貌，湿度，灰尘和人为的其他活动等都可能影响火灾参数变化。目前为止，人们无法也根本不可能找到一个标准的火灾标准模型，对于

23、火灾参数的变化也只有一个大体上的感知，即：可得到的火灾信号都是随机信号，受她们的统计特征随时间或环境变化而变化；需要被检测的情况极少出现，火灾探测器几乎总是在输出正常情况下的信号；火灾探测信号的背景噪声很强，其特征有时与被探测的信号极其相似。因此，火灾传感器的输出信号x(t)是事先未知或不能确定的信号，火灾探测也是人们无法用数学语言精确描述的非结构问题。尽管对火灾传感器输出信号x(t)的检测是困难的，但它们的变化还是表现了火灾早期的一些特征，如传感器输出信号x(t)的时间和频谱特性，信号所代表的烟雾浓度变化及温度上升等特征等。所以，将火灾探测看做一个非平稳随机过程，火灾传感器输出信号x(t)通

24、常课可表示为： (2.1）式中，-火灾特征参数信号；-其他因素引起的非火灾信号，习惯称为噪声显然，与是互不影响的，在火灾发生时我们无法从x(t)中分离，但在非火灾情况下，却有可能产生类似的变化。图2.3所示为离子感烟和半导体感温火灾探测器对欧洲标准试验下TF1（木材明火）的输出信号，其中纵坐标无量纲，仅起比较作用，并未直接表示烟雾浓度和温度数值。可以看出，（1）传感器输出信号都是由一个慢变低频成分和一个不规则的快变高频成分组成；（2）非火灾时，传感器输出信号有明显的稳态值；（3）火灾发生时信号显示出较明显的正向（信号增加）或负向（信号减少）趋势特征；（4）传感器输出信号的正向或负向趋势变化持续

25、了较长变化。在信号处理过程中，如果此时对信号x(t)的特征趋势判断有误或信号或处理不当，则很可能产生误检侧报警，因此，降低火灾探测误报率的关键也就在于区别与。 图2.3 火灾传感器输出信号示意图火灾信号的频谱特征也具有一定的规律，了解火灾信号的频谱特征对确定火灾探测系统的频率响应范围十分有用。图2.4显示了有关实验中火灾阴燃阶段烟雾和温度频率的频度分布，图中空格表示烟雾频率，阴影表示温度频率。由于烟雾和温度的最大频率随实验房间的形状和尺寸而有所变化，考虑到环境变换也会影响信号频率，因此，通常认为烟雾最高频率为20mHZ，温度最高频率为60mHZ。 图2.4 烟雾和温度信号频谱图由于火灾传感器输

26、出的非结构问题或非平稳随机过程的性质，特别是信号在非火灾时有可能产生于火灾信号相似的变化干扰，因此，要想从中有效地检测出火灾信号，就必须采用现代信号检测和数据处理方法。这些现代数据处理方法与火灾信号的特殊性相结合就形成了火灾探测理论与算法，当今计算机技术和专用集成电路设计技术为这些算法在火灾探测报警系统中的应用创造了条件。据此，火灾探测报警系统可以抽象为图2.5的形式。由火灾传感器将与火灾有关的物理参数（烟雾，温度，火焰光辐射等）转换为电信号，然后经现代信号处理方法进行信号处理后得到信号，这个信号再经判决逻辑判决后输出与非火灾的结果。 判决 x(t) y(t) 火灾传感器信号处理 非火灾 图2

27、.5 火灾探测系统工作流程2.4 检测数据处理方法神经网络又可称为人工神经网络，具有自适应能力，学习能力，容错能力和并行处理等特性。日本Nohmi Bosai公司研究人员采用多层传感器9的前馈网络算法对火灾的产生的烟雾，温度和气体信号进行研究，设计了火灾探测神经网络，其构成包括三个输入神经元，五个隐藏神经元和三个输出神经元，结构如图2.6。图中，左边的三项、为输入层，在实际应用中火灾探测器发出的烟雾，温度及气体三个信号被转化归一到【0,1】，在传递给输出层；右边三项、为输出层，分别表示火灾概率，火险概率，阴燃火概率，输出值范围也是；输入和输出层之间的为隐藏层，输入信号通过隐藏后在送到输出层，在

28、与，与之间各有15条连接弧，其职权分别为、。利用神经网络理论，对该模型定义学习表和输出期望值并确定权值后，可从神经网络输入层收受探测器的输出电位并进行计算，计算出的数值分别与火灾概率，火险概率及阴燃火概率进行比较，最后做出是否发生火灾的判断。图2.6 火灾探测神经网络结构图3 神经网络的介绍3.1 神经网络简介 人工神经网络（ANN）是以计算机网络系统模拟生物神经网络的智能计算系统。网络上的每个节点相当于一个神经元，都可以存储和处理一定的信息，并与其它结点并行工作。利用ANN处理问题就是先向ANN的某些神经元（输入层节点）输入信息，各节点处理（如：加权求和）后向其它节点输出，其它节点接受并处理

29、后再输出，直到整个神经网工作完毕，输出最后结果。另外，每次并非所有神经元都一样地工作，与生物的神经网络类似，当有声音时，处理声音的听觉神经元就要积极工作，视觉、触觉等神经元基本不工作，主管思维的神经元部分参与工作。在人工神经网络中以加权值控制节点参与工作的程度。正权值相当于神经元突触受到刺激而兴奋，负权值相当于受到抑制而使神经元麻痹直到完全不工作。神经网络是单个并行处理元素的集合，我们从生物学神经系统得到启发。在自然界，网络功能主要由神经节决定，我们可以通过改变连接点的权重来训练神经网络完成特定的功能。 一般的神经网络都是可调节的，或者说可训练的，这样一个特定的输入便可得到要求的输出。如下图所

30、示。这里，网络根据输出和目标的比较而调整，直到网络输出和目标匹配。作为典型，许多输入/目标对应的方法已被用在有监督模式中来训练神经网络。 比较神经网络（包括连接权重）输入 输出 调整权重 图3.1 神经网络结构图神经网络已经在各个领域中应用，以实现各种复杂的功能。这些领域包括：模式识别、鉴定、分类、语音、翻译和控制系统12。 如今神经网络能够用来解决常规计算机和人难以解决的问题。 我们主要通过这个工具箱来建立示范的神经网络系统，并应用到工程、金融和其他实际项目中去。 一般普遍使用有监督训练方法，但是也能够通过无监督的训练方法或者直接设计得到其他的神经网络。无监督网络可以被应用在数据组的辨别上。

31、一些线形网络和Hopfield网络是直接设计的。总的来说，有各种各样的设计和学习方法来增强用户的选择。 3.2 神经网络特点目前，关于神经网络的定义，按美国神经网络学家Hecht Nielsen的观点，神经网络可定义为：是由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算机系统，该系统靠其状态对外部输入信息的动态响应来处理信息。综合神经网络来源、特点和目前的各种解释，可简单表述为：人工神经网络是一种旨在模仿人脑结构及其功能的信息处理系统口。在我国，虽然神经网络的研究起步较晚，但目前发展迅速，它具有如下基本特点：（1）神经网络具有的非线性映射能力、自学习适应能力、联想记忆能力、并行信息处

32、理方式及其优良的容错性能等特点，使得其非常适合于复杂系统的建模与控制，特别是当系统存在不确定性因素时，更体现其优越性。（2）神经网络是以对信息的分布式存储和并行处理为基础，在许多方面更接近人对信息的处理方法，具有模拟人形象思维的能力，反映人脑功能的基本特性，但并不是人脑的逼真描述，而只是其某种抽象、简化和模拟。但是，将神经网络应用于火灾探测技术时，仅凭有限的现场、实验数据来构造规则远远不够。由于现场环境有别于实验环境，而火灾是一种特殊类型的信号检测，它不可能多次现场重复实验以期获得所有状态的样本，因此，单纯依靠神经网络，同样很难达到理想效果。3.3 神经网络的分类及模型从对人工神经网络研究开始

33、，到目前的短短几十年中，虽然ANN的发展经历了几次跌伏，但人们对ANN的研究始终没有中断过，而且取得了很大的成就。ANN不论从结构还是功能上，都有了质的飞跃。在此过程中，比较经典的ANN有感知器、线性神经网络、BP网络、径向基函数网络、竞争型网络、自组织网络、反馈型网络、学习矢量量化网络和关联学习算法等。本章主要概述了常用的激活函数，以及分析比较了6种基本的ANN模型的应用领域、优缺点，并用事例进行了仿真说明。这6种网络分别是感知器、线性神经网络、BP网络、径向基函数网络、竞争型网络和反馈型网络10。3.2.1 线性神经网络模型线性神经网络的基本单元式线性神经元模型，图3.2给出了一个线性神经

34、元模型，其中X1，X2，Xn为输入，w1，w2，wn为对应权值，b为阈值，SUM为求和运算，line表示传递函数为线性函数，Y为神经元输出。通过该模型可以组合成多种单层或多层线性神经网络。图3.2 线性神经元模型LMS算法比学习算法更有效，主要由于LMS使用均方误差最小，可以使各个类远离判别边界，因而有较好的抗噪能力。LMS算法如今依旧还有很广泛的应用，尤其在随机信号处理中的滤波方面，有经典的LMS滤波算法。3.2.2 感知性模型 感知器是基本的神经元模型，图3.3给出了一个感知器神经元模型，其中X1，X2，Xn为输入，w1，w2，wn为对应权值，b为阈值，SUM为求和运算，hardlim表示

35、传递函数为硬极限函数，Y为神经元输出。通过该模型可以组合成多种单层或多层感知器神经网络。图3.3 感知器神经元模型3.2.3 BP网络模型前面介绍了感知器网络和线性神经网络，虽然他们都有各自的学习算法，但是对于多层网络情况，二者没有较好的学习算法。另外，单层神经网络只能够解决线性可分模式问题，对线性不可分情况无能为力，也正是由于ANN这样窘迫的境地，使ANN的研究进入了第一次低潮期。但是仍旧有一些学者坚持不懈地研究，P.Werbos于1974年提出了第一个适合多层网络训练的算法，虽然当时没有收到重视，但是它为BP算法的产生奠定了坚实的基础。迄今，BP网络已经成为应用最广泛的ANN，一个主要原因

36、是它既可以解决线性可分问题，也可以很好地解决非线性问题。3.2.3.1 BP网络模型最初的BP网络是由信号前传和误差反传两部分组成 ，采用最速下降法 ，即误差单调减小 ，只具有下坡而没有上坡能力。随着人们对其研究的加深，人们发现BP算法存在一些不足，也提出了一些改进算法，如动量BP算法、学习率可变的BP算法、牛顿算法等，这些改进使BP网络的应用更加广泛。BP神经元模型与前面讲的感知器及线性神经元的类似，仅仅是激活函数不同，在此，BP神经元使用的是非线性传递函数，如：双曲正切S型函数、双曲对数S型函数等。BP神经元模型如图3.4所示。其中X1，X2，Xn为输入，w1，w2，wn为对应权值，b为阈

37、值，SUM为求和运算，nonline表示传递函数为非线性函数，Y为神经元输出。通过该模型可以组合成多种单层或多层BP神经网络。图3.4 BP神经元模型BP网络的学习过程有两个阶段11：第一阶段：输入已知学习样本，通过设置的网络结构和前一次迭代的权值和阈值，从网络的第一层向后计算各神经元的输出。第二阶段：对权值和阈值进行修改，从最后一层向前一层计算各权值和阈值对总误差的影响（梯度），据此对各权值和阈值进行修改。以上两个过程反复交替，直到达到收敛为止。由于误差逐层往回传递，以修正层与层之间的权值和阈值，所以称该算法为误差反向传播算法，这种误差反向传播算法可以推广到若干个中间层的多层网络。3.2.3

38、.1 BP网络设计实例ANN发展的一大成就就是：理论上已近证明，在不限制隐含层节点个数的情况下，只有一个隐含层的BP网络可以实现任意非线性映射。常常使用的BP网络一般都是只含有一个隐含层的ANN。隐含层节点数的选取尚没有明确的理论，仅仅有一些经验公式，节点数过多会导致学习时间太长、误差不一定小及容错性差。下面给出了几种确定隐含层节点数的经验方法4：（1）k，其中k为样本数，为隐含层节点数，为输入节点数，若i，=0 。（2），其中为输出节点数，为输入节点数，为隐含层节点数，为1，10之间的常数。（3），其中为输入节点数，为隐含层节点数。（4）放入足够多的隐含层节点，通过学习剔除那些不起作用的，直

39、到不可收缩为止。（5）放入较少的隐含层节点，然后根据学习情况，慢慢增加节点数，直到达到比较合理的节点数为止。下面给出一个利用BP网络逼近一个函数的事例。问题：利用BP网络对从一个函数抽取的一组离散点进行逼近，并分析MATLAB自带的几种训练方法。数据点为x=-1:.1:1；y=-0.9602 -0.577 -0.0729 0.3771 0.6405 0.66 0.4609 0.1336 -0.2013 -0.4344 -0.5 -0.393 -0.1647 0.0988 0.3072 0.396 0.3449 0.1816 -0.0312 -0.2189 -0.3201。确定网络结构。该例中使

40、用一个单隐层BP网络进行逼近，输入和输出层节点数均为1，根据经验公式可知较合适的隐含层节点数在2与11之间，隐含层传递函数为tansig，输出层传递函数为logsig。下面通过各种的误差大小来确定那个节点数较合适。节点数23456网络误差0.15980.13560.14750.12700.1345节点数7891011网络误差0.14360.11610.14390.14670.1292表3.1 不同隐含层节点数误差仿真结果从仿真结果可以看出，隐含层节点数为8时，网络误差较小，此处就选择隐含层节点数为8 。4 神经网络在信号处理中的应用4.1 网络的基本特征和学习方式通常，网络被认为是一个具有高度

41、非线性的静态系统 ，目前多数用于诊断、预测等问题神经元是神经网络的基本处理单元，它一般被认为是一多输人、单输出的非线性器件 ,其结构模型如图4.1所示其中，表示输人信号，表示从第 j个神经元所输出的信号连接到第i个神经元上的连接权，为第 i个神经元的闺值 。表示第 i个神经元的状态，表示第i 个神经元的电位值。称为转换函数或激活函数， 对于BP 网络这类连续性网络 ，它常取S状函数，如图4.2所示图4.1 神经元结构模型 图4.2 S状转换器BP网络是一种典型的多层非线性映射网络 ,其拓朴结构如图2所示 图4.3 BP网络的拓扑结构对于这种无反馈的多层前向网络的学习问题，目前主要采用最小均方差

42、的方法，它是建立在梯度下降法的基础上，有教师指导的学习方法，具体地说，对于一组已知其输人与目标输出的样本集，逐个输人样本对与，用梯度下降法计算的增量值,反复迭代 ,使系统学习后的输出值与期望输出值的误差最小。用这种学习方法所得到的连接权阂值使得系统对于这些样本集具有最小的均方误差，这个思想常常被用来解决诊断问题 譬如 ，可以被认为是特征，而表示故障原因。如果已知在不同故障原因情况下，它们所呈现的特征量，那么通过学习可以将输入层 (特征)与输出层(故障原因) 之间的映射关系凝结在连接权和 阈值上 ，在实际诊断过程中,可以根据已知的、和新的特征量X来确定它的故障向量Y同样的方法也可用于医学诊断。4

43、.2 BP网络用于消噪和模式识别在工业控制和信号处理中,从传感器所获得的信号常常伴有噪声，这给信号识别带来了很大的麻烦，在一般的信号处理方法中，噪音的消除往往通过时域中的自相关分析法和频域中的各种滤波方法来完成，但自相关分析仅对淹没在噪音 中的周期信号和瞬时信号较为有效，因此 ,直接采样得到的时域信号往往得不到很好的利用，尤其对于实时控制系统要求的对信号进行快速处理，确定它们属于哪一种模式时，就更显得力不从心。神经网络用于消噪和模式识别 ,目前多采用Hopfield 网络和双向联想网络这两种网络都是利用它们的联想记忆能力来实现消噪和模式识别的，但这两种网络在实现联想记忆时多采用离散网络，离散型

44、的网络不仅收敛速度慢 ,而且常常不能得到精确解离散型的双向联想网络需要编码和满足正交性条件，同时，这种网络在作信号识别时为了提高它们的分辨率，需要划分大量的网络，这就要求计算机具有很大的内存空间,这些限制了它们在实时控制系统中的应用。BP网络的消噪能力以前一直没有引起人们的注意，最近，我们使用网络对信号进行处理，不仅消除信号中的噪声，同时实现信号的模式识别功能，具体方法如下（1）选择信号中几种典型的模式作为目标输出；（2）确定提供BP网络学习的样本集；（3）按BP网络的学习算法对样本集进行学习，以得到满足精度要求的各层的连接权和阈值，学习过程结束；（4）网络进行工作时，将待识别的带有噪声的信号

45、输人到输人层，用前向网络计算其输出值；（5）为了提高计算精度，将所得的输出值作为输人再次送到输人层，以得到 新的输出,直到本次输出结果与上次输出结果的差小于某一给定值为止，工作过程结束。通过对BP网络的工作状态进行改进，增加了反馈，可以保证一般的学习精度也能得到，较好的工作效果实现信号的消噪和模式识别，这种方法运算效率高，消噪效果好。4.3 基于神经网络火灾探测原理图4.4 现场采集的信号处理对从现场采集的信号进行处理，如图4.6所示，系统从环境状态中提取反映火灾的关键参数s,t,g（烟雾浓度变化信号，温度变化信号气体变化信号）。由于参数数目多，考虑对6个信号归一后进行信号融合处理。具体的值可以根据专家经验，在不同的情况下进行调整。基于模糊神经网络的火灾探测结构如图4.7所示，训练模型和预报模型均采用神经网络，训练模型将由训练样本得到的神经网络连接弧权值赋予火灾预报模型。火灾预报模型对融合得到的S,T,G信号进行处理；根据规则进行学习，通过调整权值，阈值，使得网络实际输出与期望输出误