基于数据融合的飞机货舱火警系统研究
发布时间：2021-06-09 01:55
货舱火警探测是飞机火警探测系统的重要组成部分,提高货舱火警探测的准确性不仅能够提高飞机航行的安全性,而且可以减少航空公司因火警误报产生的额外开支。为了降低货舱火警的误报率,提高探测可靠性,本文就飞机货舱火警探测系统展开了研究,主要研究内容如下:1.分析货物不同阶段的燃烧特征,选取CO传感器、温升传感器和烟雾传感器构建三融合固定火警探测模块,研究机载航空集装箱的主要特征参数,分析对集装箱进行火警探测的重要性,设计便携式集装箱火警探测模块;三融合固定火警探测模块是基于BP神经网络构建的,探测结果设定为无火、明火和阴燃的概率,根据概率值判断火灾类型,集装箱火警探测模块的探测结果是集装箱火警;借助MATLAB编程,将三融合固定和便携式集装箱两种火警探测模块组合,构建飞机货舱火警探测系统。2.介绍训练模式对原始数据来源,对原始数据采取最大最小规范化处理;研究隐含层网络节点设置规律,选取最优的隐含层节点数;通过网络模型,优化三融合固定火警探测模块,求取权值矩阵;借助MATLAB图形用户界面集成不同的模块,开发飞机货舱多数据融合火警探测软件系统,实现向使用者提供图文并茂的软件界面。
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
训练误差曲线图
信号处理单元 货舱火警响应单元CO火警探测装置烟雾火警探测装置温升火警探测装置三融合火警探测装置图 3.10 三融合货舱火警探测系统的结构图集装箱火警探测模块航空货运为了更好的同陆运，海运无缝衔接，同时确保货舱现有空间的最本要求和航空运输安全性，依据货舱内部空间结构设计大型飞机航空集MA 集装箱、AKE 集装箱和 AAU 集装箱是目前常见的航空货运集装箱数见表 3.1 和图 3.11。
橹つＪ蕉缘饔檬导适涑銎谕?涑鼋峁?玫蕉员妊盗吠?4.2 三融合模型训练和验证流程图4.3.1 实验网络模型本文构建的 BP 神经网络采用 newff 训练函数，根据对多传感器火警探测系统性能和网络精确度的要求，对神经网络训练设置如下参数，训练步数设置为 100，训练目标为 0.01，显示相邻训练结果的训练步数间隔值是 2，隐含层设置为 7 个，输出层为 3 个，分别表示出现明火，阴燃火和无火的概率。借助上小结给的训练模式对，对神经网络模型进行训练，具体程序如下P = [0.24 0.45 0.6 … 0.2 0.4 0.1];T = [0.2 0.5 0.6 … 0.1 0.1 0.77];net = newff(P,T
【参考文献】：
期刊论文
[1]基于迭代学习的BP神经网络权值训练算法[J]. 周小勇,翟春艳,李书臣,苏成利. 辽宁石油化工大学学报. 2013(04)
[2]深度学习:推进人工智能的梦想[J]. 余凯,贾磊,陈雨强. 程序员. 2013 (06)
[3]浅析传感器的现状及发现趋势[J]. 冯蕾琳. 科技信息. 2012(03)
[4]BP神经网络隐含层单元数的确定[J]. 沈花玉,王兆霞,高成耀,秦娟,姚福彬,徐巍. 天津理工大学学报. 2008(05)
[5]浅谈微波技术应用于火灾探测[J]. 杨亮,庄爽,马建明,刘慧敏. 消防科学与技术. 2006(01)
[6]由飞机货舱烟雾探测器引发的假火警信号研究[J]. 向淑兰,黄传勇. 中国民航飞行学院学报. 2004(02)
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]基于机器学习的多传感器目标识别技术研究[D]. 李雪飞.沈阳理工大学 2016
[2]数据融合技术在基于物联网的火灾探测系统中的应用研究[D]. 李凤娟.吉林大学 2015
[3]一种复合型电气火灾监控探测器设计[D]. 叶亮.武汉理工大学 2010
本文编号：3219674
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
训练误差曲线图
信号处理单元 货舱火警响应单元CO火警探测装置烟雾火警探测装置温升火警探测装置三融合火警探测装置图 3.10 三融合货舱火警探测系统的结构图集装箱火警探测模块航空货运为了更好的同陆运，海运无缝衔接，同时确保货舱现有空间的最本要求和航空运输安全性，依据货舱内部空间结构设计大型飞机航空集MA 集装箱、AKE 集装箱和 AAU 集装箱是目前常见的航空货运集装箱数见表 3.1 和图 3.11。
橹つＪ蕉缘饔檬导适涑銎谕?涑鼋峁?玫蕉员妊盗吠?4.2 三融合模型训练和验证流程图4.3.1 实验网络模型本文构建的 BP 神经网络采用 newff 训练函数，根据对多传感器火警探测系统性能和网络精确度的要求，对神经网络训练设置如下参数，训练步数设置为 100，训练目标为 0.01，显示相邻训练结果的训练步数间隔值是 2，隐含层设置为 7 个，输出层为 3 个，分别表示出现明火，阴燃火和无火的概率。借助上小结给的训练模式对，对神经网络模型进行训练，具体程序如下P = [0.24 0.45 0.6 … 0.2 0.4 0.1];T = [0.2 0.5 0.6 … 0.1 0.1 0.77];net = newff(P,T
【参考文献】：
期刊论文
[1]基于迭代学习的BP神经网络权值训练算法[J]. 周小勇,翟春艳,李书臣,苏成利. 辽宁石油化工大学学报. 2013(04)
[2]深度学习:推进人工智能的梦想[J]. 余凯,贾磊,陈雨强. 程序员. 2013 (06)
[3]浅析传感器的现状及发现趋势[J]. 冯蕾琳. 科技信息. 2012(03)
[4]BP神经网络隐含层单元数的确定[J]. 沈花玉,王兆霞,高成耀,秦娟,姚福彬,徐巍. 天津理工大学学报. 2008(05)
[5]浅谈微波技术应用于火灾探测[J]. 杨亮,庄爽,马建明,刘慧敏. 消防科学与技术. 2006(01)
[6]由飞机货舱烟雾探测器引发的假火警信号研究[J]. 向淑兰,黄传勇. 中国民航飞行学院学报. 2004(02)
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]基于机器学习的多传感器目标识别技术研究[D]. 李雪飞.沈阳理工大学 2016
[2]数据融合技术在基于物联网的火灾探测系统中的应用研究[D]. 李凤娟.吉林大学 2015
[3]一种复合型电气火灾监控探测器设计[D]. 叶亮.武汉理工大学 2010
本文编号：3219674
本文链接：https://www.wllwen.com/kejilunwen/hangkongsky/3219674.html
