典型相关分析和神经网络相结合的早期火灾识别

早期火灾烟雾不仅具有动态特征,同时具有静态特征,为提高早期火灾识别准确率,提出一种典型相关分析和BP神经网络相结合的早期火灾识别算法(CCA-BPNN)。首先提取烟雾主方向性状、烟雾面积增长、颜色和亮度等特征,然后采用典型相关分析算法对这些特征进行融合,最后将特征输入到BP神经网络进行训练,建立早期火灾识别模型。仿真结果表明,相对于对比算法,CCA-BPNN算法提高了早期火灾识别准确率,降低了虚警率和漏报率,能够满足早期火灾识别的准确性和实时性要求。

一种基于最优聚类中心与权重欧式距离的多源异质传感器数据融合方法

针对多源传感器协同监测森林火灾时对于早期火灾识别准确度不高的问题,本文提出了一种基于最优聚类中心与权重欧式距离的多源异质传感器数据融合方法。将温度、烟雾和CO传感器的数据进行融合得到明火、阴燃、无火三种火情的概率估计,从而实现及时识别林火的目的。仿真实验结果表明:本文提出的方法可以实现各阶段火情早期特征的检测,有效识别早期森林火灾;与相关文献提出的方法相比,本文方法能够得出更为理想的林火概率,辨识准确性更高,可以有效降低误报风险。