一种基于智能算法的高灵敏度复合烟感低误报方法与流程

1.发明涉及火灾报警，火灾传感器的硬件与算法的领域,尤其涉及一种基于智能算法的高灵敏度复合烟感低误报方法。


背景技术：

2.烟感报警器其实是烟感或烟雾报警器的别称，烟感报警器就是通过监测烟雾的浓度来实现火灾防范的，内部采用离离子式烟雾传感器，离离子式烟雾传感器是一种技术先进，工作稳定可靠的传感器，被广泛运用到各种消防报警系统中，性能远优于气敏电阻类的火灾报警器。
3.烟感报警器的工作原理是红外发射管的红外光束被烟尘粒子散射，散射光的强弱与烟的浓度成正比，所以光敏管接收到的红外光束的强弱会发生变化，转化为电信号，最后转化成报警信号。报警器对烟雾感应主要由光学迷宫完成，迷宫内有一组红外发射、接收光电管,对射角度为135度。当环境中无烟雾时，接收管接收不到红外发射管发出的红外光，后续采样电路无电信号变化；当环境中有烟雾时，烟雾颗粒进入迷宫内使发射管发出的红外光发生散射，散射的红外光的强度与烟雾浓度有一定线性关系，后续采样电路发生变化，通过报警器内置的主控芯片判断这些变化量来确认是否发生火警，一旦确认火警，报警器发出火警信号，火灾指示灯(红色)点亮，并启动蜂鸣器报警。
4.然而,在现实生活中,烟感从安装开始极少被更换,烟感往往在固定的一个地方安装较长时间,而有时候烟感安装的时间较久,里面则会积有灰尘，当气流通过烟感时,灰尘很容易被吹起,由此烟感会误认为此是烟气,而正是因为对于安全性的考量,烟感中的传感器对极微小的烟雾粒子都很敏感,故而误触报警的情况时有发生；更有甚者,如水蒸气之类的气也有可能引起烟感报警。
5.为了解决上述问题,复合式感烟感温火灾探测器采用复杂净度高的传感器作为烟感进行探测,这一定程度上降低烟感了误报的率，但是依旧需要人工进行判别。


技术实现要素：

6.为了克服现有技术存在的缺点与不足,本发明提供一种基于智能算法的高灵敏度复合烟感低误报方法。
7.本发明所采用的的技术方案是，一种基于智能算法的高灵敏度复合烟感低误报方法，该方法分为硬件平台和智能算法两部分，所述方法包括以下步骤：步骤1：硬件平台采用单片机系统配合多种传感器完成烟雾原始数据的采集；步骤2：将烟感装置利用无线网与云平台相连接，同时采集的原始数据传输至云平台；步骤3：在云平台中利用改进粒子群算法进行数据分析解算，当气体中有害烟雾量高于标准阈值时，烟感发生报警，当低于标准阈值时重复步骤1。
8.优选地，所述的系统采用rem架构的lpc4078单片机，传感器包括温度传感器、离子
式烟雾传感器。
9.优选地，所述的云平台的超级系统采用.net framework c#异构体系，应用.net framework丰富的展现组件，同时提高平台的可靠性和稳定性。该平台分成业务支撑层、应用系统层、基础平台层、数据资源层。搭建出资源系统和控制系统的云基础架构并进行相关的虚拟化、数据中心网络计算。通过标准化接口实现对系统调度、安全、资源的弹性管理和分配。
10.优选地，所述的应用层主要是通过.net framework组件实现通信调度的画面的全景化可视化展现，利用visual studio2010实现可视化系统的开发，该层提供了统一调用接口代理服务；所述的业务支撑层主要为应用层与应用系统层之间的业务逻辑访问提供接口服务。应用系统层基于c#技术实现数据采集、接口管理及定时调度等中间件的开发；所述的应用系统层通过接口以netbeui协议实现和数据资源层、业务支撑层之间的信息传输；所述的基础平台层是为用户提供其所需的计算和存储等资源，并通过虚拟化等技术奖资源池化，以实现资源的按需分配和快速部署；所述的数据资源层为可视化数据库，存储着不同应用系统的信息，包括设备检测试验信息，设备运行及故障信息，为平台的通信调度提供数据支持。
11.优选地，所述的步骤3改进粒子群算法进行数据分析解算包括以下步骤：步骤3.1：对烟雾数据生成特征向量矩阵；产生n个粒子，初始化这n个粒子在种群中的初始位置，每个粒子的维度和搜索空间的维度相同。步骤3.2：先计算每一列特征的平均值，然后每一维度都需要减去该列的特征平均值；进行约束条件处理，计算每个粒子的适应度，依照非支配关系形成个体最优值解集和全局最优值解集，并存储数据。步骤3.3：计算特征的协方差矩阵；通过支配关系和拥挤距离确定每个粒子的个体最优值和全局最优值。步骤3.4：针对协方差矩阵进行特征值和特征向量的计算；结合改进粒子群算法的位置更新公式，调整每个粒子的位置。并判断位置是否满足约束条件，不满足则需要调整位置。步骤3.5：对计算得到的特征值进行从大到小的排序；更新外部存储数据，将非支配解集存储，被支配解删除。步骤3.6：取出前k个特征向量和特征值,并进行回退，即得到了降维后的特征矩阵。更新全局最优解和个体最优解。算法达到最大迭代次数或者满足迭代要求后停止迭代，如果不满足迭代结束条件，则返回步骤2。
12.优选地，所述的步骤3.1对烟雾数据特征向量矩阵的生成，包括以下步骤：步骤3.1.1：利用改进粒子群算法完成对烟雾数据的从单目标调度向多目标调度，在多目标向多目标进行调度时需要确定适应度函数：
其中γ
r
(d)为所选特征子集r相对于决策d的分类错误率，|s|为所选特征子集的大小。|d|表示特性的总数。α和β是对应于分类精度和所选特征大小重要性的两个参数，α[0，1]和β＝1
‑
α。步骤3.1.2：在适应度函数中使用k
‑
nn分类器降低错误率。在k
‑
nn中，每个样本被划分为它的k个邻居大部分属于的一类标签。在分类阶段，数据集通常分为训练子集和测试子集。为了确定测试数据中每个样本的类别，必须从训练数据中计算出每个样本最近的k个邻居。使用k＝10的k倍交叉验证。
[0013]
优选地，所述的步骤3.4对协方差矩阵进行特征值和特征向量的计算步骤如下：利用基于多种群的粒子群算法来进行特征选择。该算法中每个粒子有两个解，一个解随机生成，另一个解由relieff特征排序方法生成。步骤3.4.1：relieff算法通过计算每个特征到目标的距离来对特征进行排序的方法。在该方法中，为每个特征分配一个权重，范围为1到 1。期望相关特征具有更高的权重。该算法同时利用两个解搜索解空间。然后粒子使用gbest和pbest解决方案调整其位置。在该算法中，粒子的初速度值被设为零。每个粒子有两个初始化解。初始解，x
i,k
其中i是粒子的指标k是初始类型。x
i,0
表示两个初始解x
i,k
中的最佳解。随机选择基于均匀分布从0到1之间选择一个数字。如果数值大于0.5，则位置设置为1，否则设置为0。地形排序方法为每个特征赋值[1,1]。这些相关值被转换为[0,1]等式。法为每个特征赋值[1,1]。这些相关值被转换为[0,1]等式。其中θ～u(0，1)，rw为相关权值矩阵，为第i个特征出现的概率，x
i,2
个使用relieff生成的初始位置。如果任何特性的相关值为负，则假定该特性的相关值为0。根据初始化粒子的适应度值，计算群的全局最优解和每个粒子的个人最优解。步骤3.4.2：对于每个粒子，利用一个时变的镜像sigmoid传递函数，为调整粒子的下一个位置。式中，i表示第i个粒子，k为初始类型，j为第i个粒子特征的维度，w为惯性权值，用于调整粒子当前和下一个位置之间的平衡。c1和c2是加速度系数，r1和r2是0到1之间的随机数。是pbest
i
的第j个位置，gbest
j
是gbest的第j个位置。是gbest的第j个位置。
和表示不同时刻粒子的位置。步骤3.4.3：粒子的位置是连续的值，由于其二进制性质，不能直接用于特征选择。为了解决这一问题，利用传递函数将连续值转换为二进制值。传递函数如下所示。为了解决这一问题，利用传递函数将连续值转换为二进制值。传递函数如下所示。其中，σ在第一次迭代时为σ
min
，在最后一次迭代时σ随σ
max
线性增加，从勘探到开发平稳切换。σ给出如下每个传递函数的下一个二进制位置用方程得到。目标函数在和之间进行贪心选择。然后，选择最佳位置作为粒子的下一个二进制位置。将的最佳解赋给的最佳解赋给如果新的适应度值优于该粒子的人员最佳体验值，则对赋值为pbest
i
。如果pbest
i
优于当前全局最好，则将pbest
i
赋值给gbest，从而更新gbest。本发明通过对复合烟感构件硬件平台和智能算法两部分结合，硬件平台采用单片机系统配合多种传感器完成烟雾原始数据的采集；将烟感装置利用无线网与云平台相连接，同时采集的原始数据传输至云平台；在云平台中利用改进粒子群算法进行数据分析解算，当气体中有害烟雾量高于标准阈值时，烟感发生报警，该方法可有效提高复合烟感的灵敏度，降低误报率。
附图说明
[0014]
图1为本发明总体步骤流程图
[0015]
图2为本发明的系统架构图
[0016]
图3为本发明的特征向量提取流程图
[0017]
图4为本发明的算法运行流程图
具体实施方式
[0018]
需要说明的是,在不冲突的情况下,本技术中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本技术作进一步详细说明。
[0019]
如图1所示,一种基于智能算法的高灵敏度复合烟感低误报方法，该方法分为硬件
平台和智能算法两部分，所述方法包括以下步骤，如图1所示：步骤1：硬件平台采用单片机系统配合多种传感器完成烟雾原始数据的采集；步骤2：将烟感装置利用无线网与云平台相连接，同时采集的原始数据传输至云平台；步骤3：在云平台中利用改进粒子群算法进行数据分析解算，当气体中有害烟雾量高于标准阈值时，烟感发生报警，当低于标准阈值时重复步骤1。
[0020]
本发明中，系统采用rem架构的lpc4078单片机，传感器包括温度传感器、离子式烟雾传感器。
[0021]
本发明中，如图2所示，云平台的超级系统采用.net framework c#异构体系，应用.net framework丰富的展现组件，同时提高平台的可靠性和稳定性。该平台分成业务支撑层、应用系统层、基础平台层、数据资源层。搭建出资源系统和控制系统的云基础架构并进行相关的虚拟化、数据中心网络计算。通过标准化接口实现对系统调度、安全、资源的弹性管理和分配。
[0022]
本发明中，应用层主要是通过.net framework组件实现通信调度的画面的全景化可视化展现，利用visual studio 2010实现可视化系统的开发，该层提供了统一调用接口代理服务；
[0023]
本发明中，业务支撑层主要为应用层与应用系统层之间的业务逻辑访问提供接口服务。应用系统层基于c#技术实现数据采集、接口管理及定时调度等中间件的开发；
[0024]
本发明中，应用系统层通过接口以netbeui协议实现和数据资源层、业务支撑层之间的信息传输；
[0025]
本发明中，基础平台层是为用户提供其所需的计算和存储等资源，并通过虚拟化等技术奖资源池化，以实现资源的按需分配和快速部署；
[0026]
本发明中，数据资源层为可视化数据库，存储着不同应用系统的信息，包括设备检测试验信息，设备运行及故障信息，为平台的通信调度提供数据支持。
[0027]
本发明中，步骤3改进粒子群算法进行数据分析解算包括以下步骤，如图3所示：步骤3.1：对烟雾数据生成特征向量矩阵；产生n个粒子，初始化这n个粒子在种群中的初始位置，每个粒子的维度和搜索空间的维度相同。步骤3.2：先计算每一列特征的平均值；然后每一维度都需要减去该列的特征平均值；进行约束条件处理，计算每个粒子的适应度，依照非支配关系形成个体最优值解集和全局最优值解集，并存储数据。步骤3.3：计算特征的协方差矩阵；通过支配关系和拥挤距离确定每个粒子的个体最优值和全局最优值。步骤3.4：针对协方差矩阵进行特征值和特征向量的计算；结合改进粒子群算法的位置更新公式，调整每个粒子的位置。并判断位置是否满足约束条件，不满足则需要调整位置。步骤3.5：对计算得到的特征值进行从大到小的排序；更新外部存储数据，将非支配解集存储，被支配解删除。步骤3.6：取出前k个特征向量和特征值,并进行回退，即得到了降维后的特征矩阵；更新全局最优解和个体最优解，算法达到最大迭代次数或者满足迭代要求后停止迭代，
如果不满足迭代结束条件，则返回步骤2。
[0028]
本发明中，步骤3.1对烟雾数据特征向量矩阵的生成，包括以下步骤：步骤3.1.1：粒子群优化(pso)是一种元启发式搜索技术，它模仿鸟群的运动来寻找每个粒子的食物和位置。在粒子群算法中，每个粒子代表一个群体解，并通过预定义的适应度函数进行评估。一个群是包含n个粒子的一组解。每个粒子是一个候选解决方案有一个向量的一种形式，d，i和j分别代表的数量特征,该指数的粒子群,和特性的指数。x
i
是一个值为1或0的二进制向量。如图4所示，在bpso中，每个粒子通常是随机初始化的。在本发明中，评估了两种初始化技术，z，即随机初始化和基于relieff排序法得到的相关性值初始化。粒子群优化算法通过利用个人最佳和全局最佳信息来调整每个粒子来寻找最佳解决方案。gbest是群中适应度值最高的解，而pbest是粒子中适应度值最高的解。第i个质点的位置变化率(速度)表示为v
i
＝{v
i1
，v
i2
，v
ij
，...，v
id
}。v
ij
的值在预定义的v
max
和v
min
之间，用于避免局部最优。下一个速度矢量使用当前速度、局部最佳位置和种群的最佳位置(如式(1)所示)来计算。惯性权值由w
max
初始化，通过式(2)逐渐减小至w
min
，其中为第j维解的第i个粒子的位置，本发明将c1和c2设为2。为了使用bpso进行特征选择，必须将速度矢量的值通过式(6)转换为二进制字符串。r表示公式(3)、(4)中传递函数的形状(s型和v型)，传递函数根据形状分为v型和s型。t
v
(φ)＝|tanh(φ)|
ꢀꢀ
(4)(4)特征选择可以看作是一个多目标优化问题，其目标是实现两个相互矛盾的目标；更高的分类精度和更少的选择特征数目。目标是用最少的特征数量达到更好的精度，通常将分类误差作为评价函数。但是，对于特征选择，评价函数中还应该考虑所选择特征的数
量。为此，本发明采用公式(7)中给出的适应度函数。其中γ
r
(d)为所选特征子集r相对于决策d的分类错误率，|s|为所选特征子集的大小。|d|表示特性的总数。α和β是对应于分类精度和所选特征大小重要性的两个参数，α[0,1]和β＝1
‑
α。在本发明中，显著影响权重被分配到分类精度而不是属性的数量。步骤3.1.2：在本发明中，在适应度函数中使用了k
‑
nn分类器。在k
‑
nn中，每个样本被划分为它的k个邻居大部分属于的一类标签。在分类阶段，数据集通常分为训练子集和测试子集。为了确定测试数据中每个样本的类别，必须从训练数据中计算出每个样本最近的k个邻居。在本发明中，使用k＝10的k倍交叉验证。传统的粒子群算法通常从一个随机生成的群体开始。然而，粒子群算法对初始化敏感，尤其在高维特征空间中容易陷入局部最优。在本发明中，为了使搜索空间更加多样化，我们提出了一种基于多种群的粒子群算法来进行特征选择。该算法中每个粒子有两个解，一个解随机生成，另一个解由relieff特征排序方法生成。
[0029]
步骤3.4.1：relieff算法是一种通过计算每个特征到目标的距离来对特征进行排序的方法。在该方法中，为每个特征分配一个权重，范围为1到 1。期望相关特征具有更高的权重。该算法同时利用两个解搜索解空间。然后粒子使用gbest和pbest解决方案调整其位置。图1概述了所提出的概念，其中p
i
表示第i个粒子。x
i,0
和v
i,0
分别是当前位置和速度，而x
i,1
和x
i,2
是通过不同的初始化技术初始化的竞争解。v
i，1
和v
i，2
是解的速度。算法3也给出了算法的详细内容。在该算法中，粒子的初速度值被设为零。每个粒子有两个初始化解。初始解，x
i,k
其中i是粒子的指标k是初始类型。x
i,0
表示两个初始解x
i,k
中的最佳解。随机选择基于均匀分布从0到1之间选择一个数字。如果数值大于0.5，则位置设置为1，否则设置为0。地形排序方法为每个特征赋值[1,1]。这些相关值被转换为[0,1]等式。(8)和(9)。法为每个特征赋值[1,1]。这些相关值被转换为[0,1]等式。(8)和(9)。其中θ～u(0，1)，rw为相关权值矩阵，为第i个特征出现的概率，x
i,2
个使用relieff生成的初始位置。请注意，如果任何特性的相关值为负，则假定该特性的相关值为0。根据初始化粒子的适应度值，计算群的全局最优解和每个粒子的个人最优解。给出了该方法的初始解生成机理。步骤3.4.2：对于每个粒子，新的速度是根据式(10)计算的。为了调整粒子的下一个位置，提出了一个时变的镜像sigmoid传递函数，并对二值问题得到了很好的结果。在本发明中，我们修改了函数，以能够处理多种群的特征选择。和分别由式(11)(12)得
到。通过式(16)选择和之间的最佳位置作为下一个位置。次优解决方案(gbest)基于这些新的粒子适应度值进行更新。式中，i表示第i个粒子，k为初始类型，j为第i个粒子特征的维度，w为惯性权值，用于调整粒子当前和下一个位置之间的平衡。c1和c2是加速度系数，r1和r2是0到1之间的随机数。是pbest
i
的第j个位置，gbest
j
是gbest的第j个位置。是gbest的第j个位置。步骤3.4.3：粒子的位置是连续的值，由于其二进制性质，不能直接用于特征选择。为了解决这一问题，利用传递函数将连续值转换为二进制值。传递函数如式(13)(14)所示。为了解决这一问题，利用传递函数将连续值转换为二进制值。传递函数如式(13)(14)所示。其中，σ在第一次迭代时为σ
min
，在最后一次迭代时σ随σ
max
线性增加，从勘探到开发平稳切换。σ给出如下每个传递函数的下一个二进制位置用方程得到。分别为(11)、(12)。然后，基于如式(16)所示的目标函数，在和之间进行贪心选择。然后，选择最佳位置作为粒子的下一个二进制位置。将的最佳解赋给的最佳解赋给如果新的适应度值优于该粒子的人员最佳体验值，则对赋值为pbest
i
。如果pbest
i
优于当前全局最好，则将pbest
i
赋值给gbest，从而更新gbest。
[0030]
本发明通过硬件平台和智能算法两部分结合，硬件平台采用单片机系统配合多种传感器完成烟雾原始数据的采集；将烟感装置利用无线网与云平台相连接，同时采集的原
始数据传输至云平台；在云平台中利用改进粒子群算法进行数据分析解算，当气体中有害烟雾量高于标准阈值时，烟感发生报警，该方法可有效提高复合烟感的灵敏度，降低误报率。
[0031]
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型，本发明的范围由所附权利要求及其等同范围限定。