基于SVM的火灾警报系统传感器组合优化研究

发布时间：2021-08-20 04:26

　　为了提高对火灾的监控,提高火灾警报系统的灵敏性与可靠性,本文将温度传感器、烟雾传感器、一氧化碳传感器、二氧化碳传感器和氧气传感器的数据进行处理转换,作为SVM算法的输入,利用SVM算法的分类泛化能力对火灾进行精准的识别,最后求得最佳性能的探测器类型的组合。在国内尚未对各类常用传感器的组合进行评估的情况下,本文全面而精准地测算了上述五类传感器各种组合在实验中的优劣,并且得出在精确度足够高的情况下,成本最低最具性价比的传感器组合为:温度传感器、烟雾传感器和一氧化碳传感器。 

【文章来源】：智能计算机与应用. 2020,10(03)

【文章页数】：5 页

【部分图文】：

基于SVM的火灾警报系统

给定一个线性可分的n点测试集{(x1,y1)，…，(xn,yn)}，其中xi∈Rn表示样本点，yi∈{-1,1}表示样本点xi所属的类别。SVM的二分类过程相当于求解一个最大间隔超平面，使得属于yi=-1和yi=1的点集尽量分布在该最大间隔超平面两侧，并且使得该平面与最近的样本点之间的距离最大化。最大间隔超平面示意图如图2所示。定义一个超平面wx+b=0，其中w是一个n维的参数向量，该超平面在二维空间中将退化成一条直线。令f(x)=wx+b，显然f(x)=0是超平面上的点，不妨设f(x)>0,f(x)<0分别表示x和y=1、及y=-1所属的类别，然后通过求解最优化问题得到最大间隔超平面。此时会用到如下数学公式:

温度、烟雾、CO浓度组合下的训练集及测试集的AUC值如图3所示。训练集AUC值为0.978 4，测试集AUC值为1，表明SVM算法在温度、烟雾、CO浓度三种传感器组合下能够很好地对火灾的情况进行精确的分类，具有非常高的真实性。进而得到，正确率前三的组合及其测试集混淆矩阵见表2，其他不同组合下的SVM预测正确率见表3。从试验结果分析，温度、烟雾、CO浓度、CO2浓度的组合与温度、烟雾、CO浓度的组合正确率最高，测试组所有的样本全部成功预测，获得所有组合中的最佳性能。温度、烟雾、CO浓度、CO2浓度及O2浓度的组合正确率为96%，可能因为3种气体浓度的测量造成了数据上的冗余，在无火情状态与阴燃状态之间的分类情况稍有误差。表2～表3中各类别组合中O2浓度的效果也表现得较为良好，可能是源于实验的地点位于室内，最后烟雾、CO浓度、CO2浓度的组合正确率最低。

【参考文献】：
期刊论文
[1]基于支持向量机的公共建筑火灾风险评估[J]. 赵云涛,王佳,周小平.  建筑科学. 2015(03)
[2]基于支持向量机的多传感器探测目标分类方法[J]. 李侃,黄文雄,黄忠华.  浙江大学学报(工学版). 2013(01)
[3]基于SVM的多传感器火灾报警系统[J]. 张建化,万程,李万里,王树臣.  徐州工程学院学报(自然科学版). 2012(03)
[4]基于支持向量机的图像型火灾探测算法[J]. 杨娜娟,王慧琴,马宗方.  计算机应用. 2010(04)
[5]火灾识别中RS-SVM模型的应用[J]. 孙福志,于军琪,杨柳.  计算机工程与应用. 2010(03)

博士论文
[1]基于多传感器信息融合的火灾危险度分布确定系统研究[D]. 王学贵.中国科学技术大学 2013

硕士论文
[1]多传感器信息融合技术在火灾探测中的应用[D]. 何南南.长安大学 2012



本文编号：3352809