[发明专利]基于QPSO-BP神经网络的火灾智能预警系统及方法

说明书

本发明公开了基于QPSO‑BP神经网络的火灾智能预警系统及方法，包括烟雾传感器、CO浓度传感器、温度传感器、AD转换模块、树莓派4B开发板和物联网设备；温度传感器与树莓派4B开发板电性连接，并将数据传输到树莓派4B开发板中进行存储；烟雾传感器和CO浓度传感器分别通过AD转换模块与树莓派4B开发板电性连接，且AD转换模块将模拟量信号转换成数字信号，并传输到树莓派4B开发板中进行存储；树莓派4B开发板通过无线网络与物联网设备连接进行交互通信，将数据传输到物联网设备，实时判断火灾发生概率并进行输出。本发明采用QPSO算法优化BP神经网络来实现火灾预警，提高了火灾预警的准确性。

技术领域

本发明涉及火灾预警技术领域，具体涉及基于QPSO-BP神经网络的火灾智能预警系统及方法。

背景技术

近年来火灾频发，严重损害生命和财产安全。而市面上现有的火灾预警设备一般采用阈值判断方法检测火灾的发生，并且只考虑单一因素，如：温度、烟雾浓度等。但是这种方式存在以下缺陷：1)采用单一传感器进行数据处理，在复杂坏境下，接收信息不准确，容易出现误报的情况；2)火灾发生后，对火焰图像的判断、预警能力低；3)火灾的信号传输主要采用传统有线，成本高、占地面积大，且影响环境；4)一般采用单一设备运行，无配套APP使用，对火灾信号的接收延迟较长，可扩展能力低。因此，以上问题亟需解决。

发明内容

本发明要解决的技术问题是提供基于QPSO-BP神经网络的火灾智能预警系统及方法，摒弃了在复杂环境下单一信号检测的方法，采用多个传感器共同检测周边坏境变化情况，并采用QPSO算法优化BP神经网络来实现火灾预警，从而降低了误报率，提高了火灾预警的准确性以及火灾预警速度。

为解决上述技术问题，本发明采取如下技术方案：本发明的基于QPSO-BP神经网络的火灾智能预警系统的预警方法，其创新点在于：预警系统包括烟雾传感器、CO浓度传感器、温度传感器、AD转换模块、树莓派4B开发板、无线网络和物联网设备；在每一个火灾检测点分别设有烟雾传感器、CO浓度传感器、温度传感器、AD转换模块和树莓派4B开发板，且每一所述温度传感器均与对应所述树莓派4B开发板电性连接，并分别将检测到的数据传输到对应树莓派4B开发板中进行本地存储；每一所述烟雾传感器和CO浓度传感器分别通过AD转换模块与对应所述树莓派4B开发板电性连接，且AD转换模块将检测到的模拟量信号转换成数字信号，并分别传输到对应树莓派4B开发板中进行本地存储；每一所述树莓派4B开发板均通过无线网络与所述物联网设备连接进行交互通信，将检测到的数据传输到物联网设备，实时判断火灾发生概率并进行输出；

预警方法采用QPSO算法优化BP神经网络来实现火灾预警，且QPSO算法的运行过程包括以下步骤：

(1)数据预处理：将传感器采集的数据进行归一化处理，即将原始的数据统一到0和1之间；

(2)BP神经网络结构确定：根据问题描述确定BP神经网络的输入与输出、隐含层节点数以及激活函数，进而确定BP神经网络的结构；

(3)QPSO算法优化权值和阈值：使用QPSO算法优化BP神经网络的权值和阈值，将产生的初始权值和阈值作为QPSO算法的输入，再通过粒子寻优确定最优的权值和阈值，并输出给BP神经网络；

在上述步骤中，采用QPSO算法优化权值和阈值的具体流程为：

(3.1)确定量子粒子群的解码方案，将BP神经网络随机产生的初试权值、阈值与粒子群进行对应；

(3.2)初始化量子粒子群，并设定种群参数；

(3.3)进行粒子寻优确定个体最优值和全局最优值，通过量子粒子群的解码方案转换为权值和阈值；

(3.4)确定适应度函数，优化权值、阈值的评价标准，即期望输出与实际输出基本吻合，假设w是样本的数量，y₁为网络的实际输出，y₂是网络的期望输出，则适应度函数为：