T-S型RBF神经网络在红外火焰探测系统中的应用

发布时间：2021-11-21 10:39

　　基于T-S（Takagi-Sugeno,高木-关野）模型RBF（Radial Basis Function,径向基函数）神经网络,提出了一种应用于三波段点型红外火焰探测器的识别算法,同时实现了硬件电路以及软件程序的设计。针对火焰探测器在检测过程中可能出现的数据丢失、失真、饱和等复杂情况,本文利用RBF网络较优的逼近精度和泛化能力,同时结合T-S模型用少量的模糊规则可生成较复杂的非线性函数的特点,实现了火焰与干扰源的准确识别。实验证实,T-S模型RBF神经网络相比于BP（Back Propagation,反向传播）网络在逼近精度、收敛速度、鲁棒性等多个方面都有所提升。 

【文章来源】：激光与红外. 2020,50(02)北大核心CSCD

【文章页数】：6 页

【部分图文】：

系统软件流程图

表2 网络训练测试数据比较Tab.2 Network training test data comparison Network type TrainingRMSE Trainingaccuracy/% TestingRMSE Testingaccuracy/% T-S RBF Network 0.0246 100 0.0712 98.5 GA-BP Network 0.0353 100 0.0763 97.1从表2和图9可看出,探测器不论是存在火焰还是干扰源情况下,T-S型RBF网络探测准确性优于GA-BP网络,且对高温电烙铁、白炽灯、卤素灯、太阳光等干扰无误报情况,验证了T-S型RBF网络在火焰检测中具有较好的鲁棒性,表现出较好火焰探测性能。

三波段红外火焰探测器主要由红外传感器模块、三通道前置放大电路、信号采样模块、EEPROM模块、微处理器模块、远程标定和复位接口、4～20 mA电流环电路、Modbus通讯接口模块等构成。系统硬件结构如图1所示。传感器模块中选用了三个中心波长分别为3.8 μm、4.3 μm和5.0 μm 处带宽为150 nm窄带波段的红外热释电传感器。

【参考文献】：
期刊论文
[1]基于多特征融合的视频火焰检测方法研究[J]. 曾思通,吴海彬,沈培辉.  图学学报. 2017(04)
[2]基于神经网络的智能电气火灾预警系统设计[J]. 田树仁.  消防科学与技术. 2015(09)
[3]基于红外热成像技术的车厢内部火灾预警研究[J]. 刘飞,陈海鹏,吴冬华,徐磊,刘晓华,谭华春.  激光与红外. 2015(06)
[4]基于紫红外传感器的火焰探测系统设计与实现[J]. 李文斌,张卓,范赐恩,陈迎,吴敏渊.  仪表技术与传感器. 2015(03)
[5]基于可见光图像的近红外场景仿真[J]. 周强,白廷柱,刘明奇,邱纯.  红外技术. 2015(01)
[6]光纤光栅传感技术在隧道火灾监控中的应用[J]. 张嵩,王剑.  激光与红外. 2010(02)

硕士论文
[1]多波段红外火焰探测器系统研究与产品开发[D]. 胡幸江.浙江大学 2013



本文编号：3509353