基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联动系统的制作方法

1.本发明涉及边缘智能技术领域，具体涉及到一种基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联动系统。


背景技术：

2.现代科学技术的高速发展，带来人们生活水平的不断提高，但是人类面临的灾害和灾难也不断增多，应对方法和难度也在不断提高。例如，随着城市化速度的加快，城市建筑密度的快速提升，人们居住的楼房越盖越高，大型建筑及住宅的火灾危险系数不断提高，火灾问题急需关注，一旦发生火灾，如果发现的不及时，就不能及时把火灾消灭在萌芽之中，人们无法及时逃生，很容易对人们的生命和财产安全造成严重威胁。
3.目前，大型建筑及住宅单元楼这些基础设施中，发生火灾的可能性和危害性极大，少数已有的住宅单元楼房的火灾监控系统覆盖区域有限，一般主要覆盖楼道电梯等公共区域，但是，公共区域失火的几率并不大，住宅楼中最易发生火灾的是蜂窝式各家各户，发生火灾的位置主要是住宅内部或是楼宇、外墙、阳台等，但是，在每家每户的自有住宅生活居住范围内，并没有统一、有效的火灾等灾难监控报警系统对其进行实时保护，特别是楼宇外墙更是防控盲区，又是火灾易发区域，由于没有消防等灾难监控报警系统的覆盖，因此，不易触发公共的消防设施，整栋楼或整个单元的居民就没有办法在第一时间逃生，而且现有的火灾报警系统大部分通过人为发现并发出报警，无法根据现场情况自动化报警，若现场无人发现，居民逃离时间加长，可能造成更大的损伤。
4.另外，随着工业技术的发展，各种流行性传染病频发。其中，呼吸道传染病是我国最常见的传染病暴发疫情之一，近几年总体呈上升趋势，但是防控手段、科技研发设施没有及时跟上疫情的发展，特别是对于部分居民小区，尤其是老旧小区、城中村等居民区，这些居民区具有聚集性及人口众多、复杂等特点，限于技术能力，其疫情防控手段过于陈旧，多数采用“人防”，缺少对疫情防控的基本设施，导致在疫情蔓延期间，其防控效果差且代价较大，这就大大增加人为防控工作量以及工作人员的感染风险。由于目前的疫情监控只能停留在事后追查的阶段，现有的疫情监控方法也只是对监测人员的行动轨迹进行记录，并没有与人员体温信息直接关联，因此无法及时发现被疾病感染的病人，另外，目前也没有集单元楼安防监控、报警与疫情监控上报为一体的报警联动方法。


技术实现要素：

5.发明目的：针对现有技术中存在的问题，本发明提供一种基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联动系统，以单元楼门门禁终端及蜂窝式用户终端为单位，在小区内进行联网，与物业管理平台共同构成一个集门禁管理以及火灾监控报警联动系统与一体的系统，火灾监控报警联动系统与公共火灾报警系统配合工作，实现自动化火灾报警与手动火灾报警于一体，公共火灾报警系统采用基于ipso优化的区间论证多传感器
融合的火灾判断数据融合算法，消除传感器测量数据的不确定性，实现更为准确地判断火情等级，进一步提升火灾检测的准确度。
6.技术方案：本发明提供了一种基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联动系统，包括火灾监控报警联动系统、公共火灾报警系统以及物业管理平台，所述火灾监控报警联动系统包括设置于小区各单元楼门门禁终端及蜂窝式用户终端，所述单元楼门门禁终端与蜂窝式用户终端通过通讯模块连接，其均与所述物业管理平台信号连接，所述单元楼门门禁终端、蜂窝式用户终端以及物业管理平台之间均能够语音对讲；所述单元楼门门禁终端、蜂窝式用户终端以及物业管理平台上均设置有应急报警开关；所述公共火灾报警系统包括设置于各所述蜂窝式用户终端对应的小区住户内的co、烟雾、温度三个传感器以及与之连接的报警控制器，所述报警控制器均与各单元楼门门禁终端以及物业管理平台连接；
7.所述单元楼门门禁终端上的应急报警开关，当所述单元楼门门禁终端上的应急报警开关被开启，所述单元楼门门禁终端同时触发本单元楼所有用户终端进行语音喊话式报警，并提供应急避险方案；
8.所述蜂窝式用户终端上的应急报警开关，当所述蜂窝式用户终端上的应急报警开关被开启，所述蜂窝式用户终端对应的所述单元楼门门禁终端同时触发本单元楼所有用户终端进行语音喊话式报警，并提供应急避险方案；
9.所述物业管理平台上的应急报警开关，当所述物业管理平台上的应急报警开关被开启，所有单元楼门门禁终端同时触发所有单元楼用户终端进行语音喊话式报警，并提供应急避险方案；
10.所述报警控制器以单元楼为单位，根据co、烟雾、温度三个传感器的检测值分别控制单元楼门门禁终端上的应急报警开关、蜂窝式用户终端上的应急报警开关或物业管理平台上的应急报警开关的启动或关闭。
11.进一步地，所述报警控制器内设置有基于ipso优化的区间论证多传感器融合的火灾判断数据融合算法，所述算法包括如下步骤：
12.1.1)获得火情数据，获取co、烟雾、温度传感器数据，并对测量数据进行区间数处理计算；
13.1.2)计算1.1)中火情数据与每个火情等级特征值之间的距离，得到判断火情等级的区间证据，并利用距离参数构造mass函数；
14.1.3)通过改进粒子群算法(ipso)对修正参数n
k
进行寻优，对mass函数修正，并对其进行归一化处理；
15.1.4)利用区间证据组合规则并综合1.3)中修正后的mass函数，得到综合区间证据；
16.1.5)按照决策准则判断火情等级。
17.进一步地，所述由闵可夫斯基公式来计算，该距离参数为[c]
k
与之间的距离。
[0018][0019]
式中，h
max
‑
h
min
用于消除不同数据的量纲，h
max
为火情特征值中的最大特征值的右值，h
min
为火情特征值中的最小特征值的左值，设某小区检测火情的传感器总数为n，令[c]
k
＝{[c]1，[c]2，...,[c]
i
，...,[c]
m
}表示第k个传感器测量的火情数据，[c]
i
为传感器测量的第i个火情数据，设传感器测量的第i个火情参数的数值为c
i
，误差为p
i
，则[c]
i
＝[c
i
‑
p
i
,c
i
p
i
]。
[0020]
进一步地，所述mass函数为：
[0021][0022]
其中，e为自然数，为m
k
(l
i
)的区间宽度，宽度越大，权重越小，mass函数越小，ω
i
为权重，通过上式，可以得到第k个传感器对应的mass函数。
[0023]
进一步地，所述修正后的mass函数为：
[0024][0025]
其中，[m]'
k
(l
i
)为传感器k判断火情等级为l
i
的修正mass函数，[m]'
k
(θ)为对识别框架θ分配的信度，即不确定函数；
[0026]
对[m]'
k
进行归一化处理：
[0027][0028]
其中，[a
i
,b
i
]是[m]'
k
的区间数，即[m]'
k
＝[a
i
,b
i
]。
[0029]
进一步地，所述改进粒子群算法(ipso)为针对粒子早熟现象来进行改进，其具体步骤为：
[0030]
2.1)设定参数初值，加速系数c1,c2、惯性因子ω以及最大进化代数k1，将当前代数设为k，并在定义空间内随机产生n个粒子所对应的n*m维的位置向量x
im
(k)和速度向量v
im
(k)的初始矩阵，其中，i＝1,2,3...,n；m＝1,2,3,...,m,m为各个粒子的维数，其数值等于待寻优的参数的数量，组成初始的种群；
[0031]
2.2)更新粒子的位移方向和步长，根据下式更新粒子的位移方向和步长，产生新
的粒子种群的x
im
(k 1)及v
im
(k 1)：
[0032]
v
im
(k 1)＝v
im
(k) c1*r1(k)*(pi
im
(k)
‑
x
im
(k)) c2*r2(k)*(pg
m
(k)
‑
x
im
(k))
[0033]
x
im
(k 1)＝x
im
(k) v
im
(k 1)
[0034]
其中，i＝1,2,3...,n；m＝1,2,3,...,m；
[0035]
2.3)计算各个粒子所对应的适应度值；
[0036]
2.4)早熟判断：定义距离方差dσ2，并计算距离方差dσ2，并且判断是否早熟，如果早熟条件成立，则转入到2.5)来进行早熟处理，否则转入到2.6)；
[0037][0038]
其中，d
j
，d
avg
分别为第j个粒子到目前局部最优粒子的距离，以及粒子群中各粒子到该局部最优粒子的平均距离，d为归一化因子，用来限制dσ2的大小，d的取值可以为：
[0039][0040]
2.5)早熟处理，对于第i个粒子的速度和位置调整：
[0041]
v
im
(k)＝v
im
(k) v
imin
(v
imax
‑
v
imin
)*a*f
im
(1
‑
f
im
)x
im
(k)＝x
im
(k)
‑
b*v
im
(k)
[0042]
其中，a＝4，f
im
为0
‑
1间的随机数，v
imax
和v
imin
分别为第i个粒子迄今为止的最大和最小速度，b为当前的早熟粒子飞离局部最优的强度控制，该数据越大，则其飞离局部最优的力度越大，根据局部聚集的程度可以选择该参数为大于0的整数；
[0043]
2.6)检查结束条件，如果叠带次数k大于给定的最大次数k1或结束条件满足时，则整个icpso寻优过程完成，并转2.7)，否则，程序转到新一轮的粒子位置及适应度计算的过程，即2.2)；
[0044]
2.7)输出最终的全局最优粒子的位置p
g
，即全局最优值。
[0045]
进一步地，该系统还包括疫情监控系统，所述疫情监控系统包括设置于单元楼门门禁终端的行为监控摄像头、可视对讲摄像头、人体感应探头、液晶显示器、rfid读卡器、键盘、红外测温探头和手臂靠近探头，其均与所述物业管理平台连接；
[0046]
所述行为监控摄像头设置于单元楼门门禁终端上方，用于监测人员行为，并对其进行记录、传输；
[0047]
所述可视对讲摄像头，用于可视对讲；
[0048]
所述人体感应探头，用于检测人员的进出行为，从而启动行为监控摄像头行为记录摄像，对疫情防控的人员行为记录；
[0049]
所述rfid读卡器，用于对人员身份信息识别与记录；
[0050]
所述红外测温探头和手臂靠近探头，用于识别并测量刷卡人员体温，并对其进行记录，与人员身份信息一起传输至物业管理平台；
[0051]
所述物业管理平台，还提供影像信息和人员流动信息记录保存，提供用户管理及信息管理。
[0052]
进一步地，该系统还通过广域网与公共地震报警、公共防空报警系统联动，当公共地震报警、公共防空报警系统发生报警，所述系统开启单元楼门门禁终端、蜂窝式用户终端以及物业管理平台之间的语音对讲功能，进行自动喊话报警。
[0053]
有益效果：
[0054]
1.本发明单元楼门门禁终端、蜂窝式用户终端以及物业管理平台均可以实现一键报警，使用语音喊话的方式对灾难进行报警，单元楼门门禁终端将启动整个单元楼的蜂窝式用户终端开启语音报警；物业管理平台上的应急报警开关，所有单元楼门门禁终端同时触发所有单元楼用户终端进行语音喊话式报警，极大帮助密集小区内人员及时获知火灾情况，大大提高逃生概率。
[0055]
2.本发明公共火灾报警系统的火灾探测采用co、烟雾、温度多种环境信号采集传感器，并采用多传感器融合方法，综合利用多传感器采集到的信号，利用智能判别技术来监测火灾的发生，模拟人的判断过程，从而克服了传统单一传感器的不足，即对被研究事物认识的单一性和片面性的缺点，相对于单一的信息处理系统来说，性能的优越性更为明显，准确度更高，且还具有一定的自我学习能力，提高了系统的信息利用率和信息的吞吐量，并根据融合的信息不断优化系统的性能抵抗各种干扰，提高火灾预报准确率。
[0056]
3.本发明针对传感器精度误差及测量数据异常问题，采用基于区间证据的多传感器融合算法，将各个传感器所测量火情数据用区间数表示，通过计算火情数据与每个火情等级特征值之间的距离，得到判断火情等级的区间证据。最后通过决策准则，由区间证据获得火情等级。可以从不确定火情数据中获得更为准确的火情信息判定，有效克服与减小测量数据传输与测试中，受外界因素影响所带来的不确定性。
[0057]
4.本发明针对传感网测量火情数据过程中存在的必然不确定性和随机不确定性，采用一种基于改进型粒子群算法ipso区间证据理论的多传感器数据融合火情判断方法。考虑传感器精度误差以及测量数据异常等问题，将每个传感器测量的火情数据用区间数表示，通过计算火情数据与每个火情等级特征值之间的距离，得到判断火情等级的区间证据。通过ipso算法对修正参数n
k
进行寻优，从而完成对mass函数的修正，再利用区间证据组合规则，并综合修正后的mass函数，得到综合区间证据，最后按照决策准则判断火情等级，从而用于消除传感器测量数据的不确定性的影响，实现更为准确地判断火情等级。实验表明，该方法能够从不确定火情数据中准确判定火情等级，获得更为准确的火情结论。
[0058]
5.本发明针对火情等级多传感器融合中的粒子群算法早熟问题的存在，将粒子的速度迅速降低至接近于零及粒子群中的粒子出现了过早的“聚集”作为早熟的判断依据，并定义一个距离方差dσ2，通过粒子间的距离反映粒子早熟型聚集的程度，再结合速度v
im
(k)＝0的判断条件，获得更为准确的早熟判定依据，为早熟处理打下更为牢固的基础。
[0059]
6.本发明针对满足判定条件的早熟收敛粒子，利用混沌动力学模型因子进行非线性的映射调整，将早熟收敛粒子速度加上干扰项，然后再调整其位置值，让该假性的最优粒子跳出局部最优的位置，进一步调整整个粒子群的运动趋势，使得粒子群能向真正的全局最优的方向移动，避免了局部最优解，大大增加早熟收敛处理能力，提高粒子群算法的寻有能力。从而实现多传感器融合算法对各测试信号的综合利用，使得系统抗干扰信号的能力增强，提高整个系统的判断的有效性，大大地减少了寻优过程的不确定性。
[0060]
7.本发明物业管理平台提供影像信息和人员流动信息记录，提供用户管理及信息服务的业务，方便物业对小区人员管理及安全监管，大大提高工作效率，提高应对各种突发事件的能力。
[0061]
8.本发明针对疫情防控的现实需要，楼宇门禁终端集成了用于疫情防控的信息上
报、身份识别、体温测量及行为监控的硬件系统，为疫情防控提供基于工作居住区域的防控信息上报，并为其轨迹追踪提供可靠的信息服务和监测手段。
[0062]
9.本发明通过广域网与公共地震报警、公共防空报警系统等灾难报警系统的联动，实现通过对讲终端向用户进行语音报警和系统管理功能，同时对本区域危害程度发起语音预报，提前通过对讲终端通知室内人员及时撤离，并播报正确逃生方法。系统还可以监测室内人员的呼救语音，从而提高救援搜索效率，为人们躲避人为灾难与自然灾难提供一个可靠的报警方法与途径。
附图说明
[0063]
图1本发明实施例小区范围结构图；
[0064]
图2本发明单元楼门门禁终端系统结构图；
[0065]
图3本发明基于ipso优化的区间论证多传感器融合的火灾报警检测结构；
[0066]
图4本发明基于ipso优化的区间论证多传感器融合系统处理过程；
[0067]
图5本发明基于改进型粒子群算法(ipso)的mass函数修正流程图；
[0068]
图6本发明ipso算法的实现流程图。
具体实施方式
[0069]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0070]
本发明公开了一种基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联动系统，包括火灾监控报警联动系统、公共火灾报警系统以及物业管理平台，火灾监控报警联动系统包括设置于小区各单元楼门门禁终端及蜂窝式用户终端，单元楼门门禁终端与蜂窝式用户终端通过通讯模块连接，其均与物业管理平台信号连接，单元楼门门禁终端、蜂窝式用户终端以及物业管理平台之间均能够语音对讲。单元楼门门禁终端、蜂窝式用户终端以及物业管理平台上均设置有应急报警开关。
[0071]
单元楼门门禁终端上的应急报警开关，当单元楼门门禁终端上的应急报警开关被开启，单元楼门门禁终端同时触发本单元楼所有用户终端进行语音喊话式报警，并提供应急避险方案。
[0072]
蜂窝式用户终端上的应急报警开关，当蜂窝式用户终端上的应急报警开关被开启，蜂窝式用户终端对应的所述单元楼门门禁终端同时触发本单元楼所有用户终端进行语音喊话式报警，并提供应急避险方案。
[0073]
物业管理平台上的应急报警开关，当物业管理平台上的应急报警开关被开启，所有单元楼门门禁终端同时触发所有单元楼用户终端进行语音喊话式报警，并提供应急避险方案。
[0074]
当某个单元楼发生火灾，如果楼房的外部人员发现灾情，可以通过物业管理平台或单元楼门门禁终端上的应急报警开关触发火灾报警。如果某个用户室内人员发现火灾，则可以通过蜂窝式用于终端触发报警，当触发报警后，单元楼门门禁终端同时触发本单元所有用户的终端进行语音喊话式报警，并提供应急避险方案，从而有效、快速引导相关人员撤离失火或灾难危险区域，同时，系统将通过通信网络向物业管理平台报警，并与相关部门
联动。
[0075]
本发明中的公共火灾报警系统包括设置于各蜂窝式用户终端对应的小区住户内的co、烟雾、温度三个传感器以及与之连接的报警控制器，报警控制器均与各单元楼门门禁终端以及物业管理平台连接。
[0076]
报警控制器以单元楼为单位，根据co、烟雾、温度三个传感器的检测值分别控制单元楼门门禁终端上的应急报警开关、蜂窝式用户终端上的应急报警开关或物业管理平台上的应急报警开关的启动或关闭。
[0077]
该灾难蜂窝报警联动系统还包括疫情监控系统，疫情监控系统包括设置于单元楼门门禁终端的行为监控摄像头、可视对讲摄像头、人体感应探头、液晶显示器、rfid读卡器、键盘、红外测温探头和手臂靠近探头，其均与所述物业管理平台连接；
[0078]
行为监控摄像头设置于单元楼门门禁终端上方，用于监测人员行为，并对其进行记录、传输。
[0079]
可视对讲摄像头，用于可视对讲。
[0080]
人体感应探头，用于检测人员的进出行为，从而启动行为监控摄像头行为记录摄像，对疫情防控的人员行为记录。
[0081]
rfid读卡器，用于对人员身份信息识别与记录，可以设置为读取门禁卡或者身份证信息。
[0082]
红外测温探头和手臂靠近探头，用于识别并测量刷卡人员体温，并对其进行记录，与人员身份信息一起传输至物业管理平台。
[0083]
液晶显示器用于可视对讲时的视频讲话，而键盘是用于输入相关信息。
[0084]
如图1和图2所示。疫情监控时，人员进出单元门，人体感应探头感应人体接近，开启行为监控摄像头进行摄像，同时，系统通过rfid读卡器读取个人信息，并测量其体温，如果出现未刷门禁卡或身份证，系统没有读取到有效身份信息时，系统将控制门禁不开门，禁止其入内，同时通过通信网络上传其视频至物业管理平台。如果读取到有效身份信息，将检测其靠近感应探头及红外测温探头的手臂等人体体温信息，同时通过行为监控摄像头，监控当前刷卡和体温测量是否是同一个人，如果发现体温异常或行为异常时，则系统通过通信网络传输至物业管理平台。
[0085]
该单元楼门门禁终端以及蜂窝式用户终端上的门禁管理为现有技术，与现有小区中设置的可视对讲门禁管理系统一致，此处不做赘述。而疫情监控系统结合门禁管理与于疫情防控的信息上报、身份识别、体温测量及行为监控于一体，可以将疫情防控时期进出单元楼门的人员信息、体温数据等采集与上报，为疫情防控提供基于工作居住区域的防控信息上报，并为其轨迹追踪提供可靠的信息服务和监测手段。
[0086]
而物业管理平台上设置服务器，用于存储上传的信息，还提供影像信息和人员流动信息记录保存，提供用户管理及信息管理。
[0087]
该灾难蜂窝报警联动系统还通过广域网与公共地震报警、公共防空报警系统联动，当物业管理平台收到相关联动部门发送的地震报警信息或防空报警信息时，物业管理平台开启单元楼门门禁终端、蜂窝式用户终端以及物业管理平台之间的语音对讲功，从而触发蜂窝式用户终端进行喊话式报警，并提供避难、避险方案，指导人员对其进行迅速响应，从而实现快速避险或避难，当公共地震报警、公共防空报警系统发生报警，进行自动喊
话报警。
[0088]
在报警控制器内设置有基于ipso优化的区间论证多传感器融合的火灾判断数据融合算法，针对传感网测量火情数据过程中存在的必然不确定性和随机不确定性。考虑传感器精度误差以及测量数据异常等问题，将每个传感器测量的火情数据用区间数表示，通过计算火情数据与每个火情等级特征值之间的距离，得到判断火情等级的区间证据。通过ipso算法对修正参数n
k
进行寻优，从而完成对mass函数的修正，再利用区间证据组合规则，并综合修正后的mass函数，得到综合区间证据，最后按照决策准则判断火情等级，从而用于消除传感器测量数据的不确定性的影响，实现更为准确地判断火情等级。
[0089]
基于粒子群优化的区间论证多传感器融合的火灾判断结构模型如图3，基于粒子群优化的区间论证多传感器融合系统处理过程如图4。
[0090]
基于粒子群优化的区间论证多传感器融合系统的具体设计步骤如下：
[0091]
步骤s1：获得火情数据。
[0092]
使用co、烟雾、温度三个传感器参数对火情数据进行测量，并对测量数据进行区间数处理计算，将其作为理论证据，同时设定识别框架，设置方法如下：
[0093]
设r表示实数集，对任意的[c]＝[c

,c
‑
]＝{x|0≤c
‑
≤x≤c

}，则称[c]为一个区间数。
[0094]
步骤s2：设定识别框架。
[0095]
设θ为一个集合(即识别框架)，θ中的元素相互排斥、有穷，识别框架θ的子集构成了求解问题的各种解答，θ子集所构成的集合称为θ的幂集，记作ω(θ)。
[0096]
令为火情判断框架，其中，l
i
为当前火情等级，t为火情等级个数，根据火情参数特征值的范围，将其用区间数来表示，并令：
[0097][0098]
其中，为火情等级为l
i
的火情特征参数，h为co、烟雾、温度参数，为不同火情参数的区间型特征值，m为参数个数。
[0099]
步骤s3：定义距离参数
[0100]
在将传感器测量数据转化为区间证据的过程中，需要对测量数据进行处理，并构成mass函数，具体由闵可夫斯基公式来计算距离参数该距离参数为[c]
k
与之间的距离。
[0101][0102]
式中，h
max
‑
h
min
用于消除不同数据的量纲，h
max
为火情特征值中的最大特征值的右值，h
min
为火情特征值中的最小特征值的左值，设某小区检测火情传感器网络中的传感器总数为n，令[c]
k
＝{[c]1，[c]2，...,[c]
i
，...,[c]
m
}表示第k个传感器测量的火情数据，[c]
i
为传感器测量的第i个火情数据，在测量过程中，由于传感器精度问题，测量数据存在误差，设传感器测量的第i个火情参数的数值为c
i
，误差为p
i
，则[c]
i
＝[c
i
‑
p
i
,c
i
p
i
]。
[0103]
步骤s4：利用构造mass函数。
[0104]
具体如(3)式所示：
[0105][0106]
其中，e为自然数，为m
k
(l
i
)的区间宽度，宽度越大，权重越小，mass函数越小，ω
i
为权重，用以减少区间宽度过大造成的影响，从而得到各个传感器分配的mass函数，通过(3)式，可以得到第k个传感器对应的mass函数。
[0107]
步骤s5：mass函数修正。
[0108]
为了更为准确地判断火情等级，通过可靠性系数对mass函数修正，如果传感器可靠性较高，则该传感器区间证据对应的可靠性系数就较大，该区间证据在区间证据组合过程中对组合结果的影响就较大，如果传感器可靠性较低，则该传感器区间证据对应的可靠性系数就较小，该区间证据在区间证据组合过程中对组合结果的影响就较小，整个计算过程通过改进粒子群算法(ipso)来完成对可靠性系数n
k
的寻优，具体计算过程如图5所示。
[0109]
实现过程中，首先进行修正系数n
k
的初始化，接下来获得co、烟雾、温度传感器采集的火情测量数据，再利用火情数据登记其特征，利用式(2)得到距离参数根据式(3)及计算mass函数，再利用式(4)进行修正，经过可靠性系数修正后的mass函数定义见式(4)。
[0110][0111]
其中，[m]'
k
(l
i
)为传感器k判断火情等级为l
i
的修正mass函数，[m]'
k
(θ)为对识
别框架θ分配的信度，即不确定函数。
[0112]
步骤s6：归一化处理。
[0113]
对[m]'
k
进行归一化处理，用以减少区间宽度，减低冗余，见(5)式：
[0114][0115]
其中，[a
i
,b
i
]是[m]'
k
的区间数，即[m]'
k
＝[a
i
,b
i
]。
[0116]
步骤s7：火情等级判断。
[0117]
经以上归一化处理后的[m]'
k
(l
i
)，最后进行如下的区间组合规则获得最后的组合结[m](l)：
[0118][0119]
其中，分别为如下区间证据组合式的最大值和最小值，其定义如式(7)。
[0120][0121][0122]
粒子群优化算法在进化后期存在速度变慢以及早熟的现象。当一个粒子在飞行中发现了一个当前最优的位置，其他粒子将迅速向其靠拢，如果该最优位置是一个局部最优点，粒子群就无法在解空间内重新搜索，因此算法会陷入到局部最优。本发明主要就是针对这种早熟现象来进行改进。在实现过程中，用于判断粒子最优值的适应度函数为对识别框架θ分配的信度[m]'
k
(θ)。
[0123]
原始pso算法采用公式(8)来更新粒子状态：
[0124]
v
im
(k 1)＝v
im
(k) c1*r1(k)*(pi
im
(k)
‑
x
im
(k)) c2*r2(k)*(pg
m
(k)
‑
x
im
(k))
[0125]
x
im
(k 1)＝x
im
(k) v
im
(k 1)
ꢀꢀ
(8)
[0126]
其中,i＝1,2,3,...,n；m＝1,2,3,...,m；
[0127]
v
im
(k)表示第i个粒子在k次迭代中的第m维的速度；x
im
(k)表示第i个粒子在k次迭代中的第m维的当前的位置；c1,c2为加速系数，是非负常数；r1,r2是介于[0，1]之间的随机数；v
im
∈[
‑
v
max
, v
max
]，即速度被限制在最小和最大值
‑
v
max
, v
max
之间。
[0128]
算法出现早熟现象有两种可能，其一，粒子的速度迅速降低至接近于零；其二，粒子群中的粒子出现了过早的“聚集”的现象。本发明利用距离来判断粒子是否发生了早熟“聚集”，并按照式(9)定义了一个距离方差dσ2：
[0129][0130]
其中，d
j
，d
avg
分别为第j个粒子到目前局部最优粒子的距离，以及粒子群中各粒子到该局部最优粒子的平均距离，d为归一化因子，用来限制dσ2的大小，d的取值可以采用(10)式：
[0131][0132]
dσ2反映了粒子的聚集程度。dσ2越小，则粒子的聚集程度就越大，如果此时还没有达到全局的收敛条件，而出现条件dσ2达到小于早熟因子d
w
，就可以看作第一个判早熟的条件满足了，再结合另一个有关速度v
im
(k)＝0的判断条件，当这两个条件都满足，粒子早熟，接下来进行早熟处理。
[0133]
定义早熟收敛条件：
[0134][0135]
为了避免pso算法的早熟，考虑破坏早熟出现的可能。考虑让该假性的最优粒子跳出局部最优的位置，进一步调整整个粒子群的运动趋势，使得粒子群能向真正的全局最优的方向移动。具体调整方法是：首先为局部最优粒子的速度加上干扰项，然后再调整其位置值，对于第i个粒子的速度和位置调整算法如(12)式：
[0136]
v
im
(k)＝v
im
(k) v
imin
(v
imax
‑
v
imin
)*a*f
im
(1
‑
f
im
)
[0137]
x
im
(k)＝x
im
(k)
‑
b*v
im
(k)
ꢀꢀ
(12)
[0138]
其中，a＝4，f
im
为0
‑
1间的随机数，v
imax
和v
imin
分别为第i个粒子迄今为止的最大和最小速度，b为当前的早熟粒子飞离局部最优的强度控制，该数据越大，则其飞离局部最优的力度越大，根据局部聚集的程度可以选择该参数为大于0的整数(如1或2)，具体数据值由寻优范围所决定。
[0139]
在上述的算法中，由于f
im
为0
‑
1间的随机数，表达式a*f
im
(1
‑
f
im
)可以看作是非线性的映射模型，属于混沌动力学模型，当a＝4时，其混沌解将布满整个[0，1]区间，即在[0，1]区间上是遍历的。通过该参数为早熟粒子的速度增加一个随机数，并由调整后的速度将粒子移动到一个新的位置，从而可以更好的改变搜索方向，这种定义的随机参数可以使得速度的改变更加可控。通过以上的调节公式，粒子将在新的位置以新的速度开始搜索，从而跳出了原早熟区域，避免了局部最优解。
[0140]
所以，本发明ipso算法的实现流程图如图6所示。
[0141]
改进型粒子群算法设计实现设计步骤：
[0142]
步骤s1：设定各个参数的初值。
[0143]
加速系数c1,c2、惯性因子ω以及最大进化代数k1，将当前代数设为k，并在定义空间内随机产生n个粒子所对应的n*m维的位置向量x
im
(k)和速度向量v
im
(k)的初始矩阵，其中，i＝1,2,3...,n；m＝1,2,3,...,m,m为各个粒子的维数，其数值等于待寻优的参数的数量，组成初始的种群。
[0144]
步骤s2：更新粒子的位移方向和步长。
[0145]
按照式(8)来更新粒子的位移方向和步长，产生新的粒子种群的x
im
(k 1)及v
im
(k 1)。
[0146]
步骤s3：计算各个粒子所对应的适应度值。
[0147]
如果粒子的适应值优于该粒子飞行迄今为止的最优的适应度，则更新该粒子的历史最优解为pi
i
为当前的粒子的位置，同时更新个体的适应度；同理，如果当前群体的某个粒子计算的适应度好于全局最优适应度，则把该粒子的当前位置设为全局最优解p
g
，再按照该粒子的适应度值来更新。
[0148]
步骤s4：早熟判断。
[0149]
按照式子(9)来计算距离方差dσ2，并且判断是否早熟，如果早熟条件成立，则转入到下一个步骤步骤s5来进行早熟处理，否则转入到步骤s6；
[0150]
步骤s5：早熟处理。
[0151]
对于早熟的粒子，按照式(12)来更新各个粒子当前的最优位置以及飞行速度。
[0152]
步骤s6：检查结束条件。
[0153]
如果叠带次数k大于给定的最大次数k1或结束条件满足时，则整个icpso寻优过程完成，并转步骤s7，否则，程序转到新一轮的粒子位置及适应度计算的过程(即步骤s2)；
[0154]
步骤s7：输出最终的全局最优值。
[0155]
输出最终的全局最优粒子的位置p
g
，即全局最优值。
[0156]
在国家标准试验数据库中选取部分火情数据作为试验数据，获得试验样本，其中，重点从sh3聚氨酯塑料火及sh6木材火中选取数据，并由此得到常规火情数据特征值，火情数据选择co、烟雾、温度三个参数，并设定五个火情等级，分别为明火(i)、明火(ii)、明火(iii)、阴燃火、无火。在火情数据选取时，各个数据选取的发生概率分别为：0.9％、0.8％
‑
0.85％、0.7％
‑
0.75％、0.7％
‑
0.8％、0.85％
‑
0.9％，各个等级火情的特征值如表1所示。
[0157]
表1火情参数特征值
[0158][0159]
识别框架，θ＝{l1＝"明火(i)"，l2＝"明火(ii)"，l3＝"明火(iii)"，l4＝"阴燃火"，l5＝"无火"},其中，明火(i)、明火(ii)、明火(iii)、阴燃火、无火为对应的5个火情等级，由表1可得所有火情等级特征值。
[0160]
实验1：
[0161]
实验中，利用传感器节点对等火情数据进行测量，采用三个传感器节点c1,c2,c3来完成，获得如表2的火情数据。
[0162]
表2传感器c1,c2,c3所测得的火情数据
[0163]
传感器co(mg/m3)烟雾(mg/m3)温度(℃)c1[2.9,3][0.06,0.07][45,99]c2[2.84,3][0.056,0.07][99,103]c3[2.8,2.9][0.05,0.07][42,100]
[0164]
根据式(2)，可以得到各个传感器测试数据与每个火情等级参数特征值之间的距离，其中，传感器c1的距离函数计算如下：
[0165][0166][0167][0168][0169][0170]
同理，可以得到传感器c1,c2,c3的各个距离函数，具体如表3所示：
[0171]
表3传感器c1,c2,c3的各个距离函数
[0172][0173]
根据(3)式，可以最终获得传感器c1,c2,c3的w函数、mass函数初始值及mass函数值，具体如表(4)～(6)所示。
[0174]
表4传感器c1,c2,c3的各个mass函数初始值
[0175][0176]
表5传感器c1,c2,c3的各个w函数
[0177][0178][0179]
表6传感器c1,c2,c3的各个mass函数
[0180][0181]
接下来，利用ipso寻优获得mass函数修正系数，并根据(4)式，获得传感器c1,c2,c3的修正后mass函数，具体如表(7)所示。
[0182]
表7传感器c1,c2,c3修正后的各个mass函数
[0183][0184]
在此过程中，经icpso寻优后获得的三个修正系数为：nk1＝0.26，nk2＝0.24，nk3＝0.2。最终，计算后所得的区间论证组合结果如表8所示。
[0185]
表8传感器c1,c2,c3区间论证组合结果
[0186][0187]
在获得各个论证组合结果的同时，计算获得各mass函数及组合后结果的不确定度(θ)如表9所示。
[0188]
表9传感器c1,c2,c3修正后的各个mass函数的不确定度(θ)
[0189][0190]
由表8可知，对传感器c1,c2及c1,c2,c3融合后的结果均显示传感器测试数据对阴燃火火情的融合信度最大，两种情况下的不确定度相对单个传感器的不确定度均有所下降，可靠性均提升。另一方面，对照采用国家标准试验数据中的sh3聚氨酯塑料火及sh6木材火火情数据样本数据特征值可知，该数据完全符合阴燃火样本数据范围，融合结果完全正确，由此可见，本发明涉及到的“基于ipso优化的区间论证的数据融合”算法可以实现对火情数据等级的正确判断。
[0191]
实验2：
[0192]
第一步：传感器c4,c5,c6所测得火情
[0193][0194]
第二步：传感器c4,c5,c6的各个距离函数
[0195][0196][0197]
第三步：传感器c4,c5,c6的各个mass函数
[0198][0199]
第四步：传感器c4,c5,c6修正后的各个mass函数
[0200][0201]
第五步：传感器c4,c5,c6区间论证组合结果
[0202][0203]
第六步：传感器c4,c5,c6修正后的各个mass函数的不确定度(θ)
[0204][0205]
在此过程中，经icpso寻优后获得的三个参数：修正系数n
k
为nk1＝0.26，nk2＝0.24，nk3＝0.2。
[0206]
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明
精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联动系统，其特征在于，包括火灾监控报警联动系统、公共火灾报警系统以及物业管理平台，所述火灾监控报警联动系统包括小区各单元楼门门禁终端及蜂窝式用户终端，所述单元楼门门禁终端与蜂窝式用户终端通过通讯模块连接，其均与所述物业管理平台信号连接，所述单元楼门门禁终端、蜂窝式用户终端以及物业管理平台之间均能够语音对讲；所述单元楼门门禁终端、蜂窝式用户终端以及物业管理平台上均设置有应急报警开关；所述公共火灾报警系统包括设置于各所述蜂窝式用户终端对应的小区住户内的co、烟雾、温度三个传感器以及与之连接的报警控制器，所述报警控制器均与各单元楼门门禁终端以及物业管理平台连接；所述单元楼门门禁终端上的应急报警开关，当所述单元楼门门禁终端上的应急报警开关被开启，所述单元楼门门禁终端同时触发本单元楼所有用户终端进行语音喊话式报警，并提供应急避险方案；所述蜂窝式用户终端上的应急报警开关，当所述蜂窝式用户终端上的应急报警开关被开启，所述蜂窝式用户终端对应的所述单元楼门门禁终端同时触发本单元楼所有用户终端进行语音喊话式报警，并提供应急避险方案；所述物业管理平台上的应急报警开关，当所述物业管理平台上的应急报警开关被开启，所有单元楼门门禁终端同时触发所有单元楼用户终端进行语音喊话式报警，并提供应急避险方案；所述报警控制器以单元楼为单位，根据co、烟雾、温度三个传感器的检测值分别控制单元楼门门禁终端上的应急报警开关、蜂窝式用户终端上的应急报警开关或物业管理平台上的应急报警开关的启动或关闭。2.根据权利要求1所述的基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联动系统，其特征在于，所述报警控制器内设置有基于ipso优化的区间论证多传感器融合的火灾判断数据融合方法，所述方法包括如下步骤：1.1)获得火情数据，获取co、烟雾、温度传感器数据，并对测量数据进行区间数处理计算；1.2)计算1.1)中火情数据与每个火情等级特征值之间的距离，得到判断火情等级的区间证据，并利用距离参数构造mass函数；1.3)通过改进粒子群算法(ipso)对修正参数n
k
进行寻优，对mass函数修正，并对其进行归一化处理；1.4)利用区间证据组合规则并综合1.3)中修正后的mass函数，得到综合区间证据；1.5)按照决策准则判断火情等级。3.根据权利要求2所述的基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联动系统，其特征在于，所述由闵可夫斯基公式来计算，该距离参数为[c]
k
与之间的距离。
式中，h
max
‑
h
min
用于消除不同数据的量纲，h
max
为火情特征值中的最大特征值的右值，h
min
为火情特征值中的最小特征值的左值，设某小区检测火情的传感器总数为n，令[c]
k
＝{[c]1，[c]2，...,[c]
i
，...,[c]
m
}表示第k个传感器测量的火情数据，[c]
i
为传感器测量的第i个火情数据，设传感器测量的第i个火情参数的数值为c
i
，误差为p
i
，则[c]
i
＝[c
i
‑
p
i
,c
i
p
i
]。4.根据权利要求3所述的基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联动系统，其特征在于，所述mass函数为：其中，e为自然数，m
k
(l
i
)

‑
m
k
(l
i
)
‑
为m
k
(l
i
)的区间宽度，宽度越大，权重越小，mass函数越小，ω
i
为权重，通过上式，可以得到第k个传感器对应的mass函数。5.根据权利要求4所述的基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联动系统，其特征在于，所述修正后的mass函数为：其中，[m]'
k
(l
i
)为传感器k判断火情等级为l
i
的修正mass函数，[m]'
k
(θ)为对识别框架θ分配的信度，即不确定函数；对[m]'
k
进行归一化处理：其中，[a
i
,b
i
]是[m]'
k
的区间数，即[m]'
k
＝[a
i
,b
i
]。6.根据权利要求2所述的基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联动系统，其特征在于，所述改进粒子群算法(ipso)为针对粒子早熟现象来进行改进，其具体步骤为：2.1)设定参数初值，加速系数c1,c2、惯性因子ω以及最大进化代数k1，将当前代数设为k，并在定义空间内随机产生n个粒子所对应的n*m维的位置向量x
im
(k)和速度向量v
im
(k)的初始矩阵，其中，i＝1,2,3...,n；m＝1,2,3,...,m,m为各个粒子的维数，其数值等于待寻优的参数的数量，组成初始的种群；2.2)更新粒子的位移方向和步长，根据下式更新粒子的位移方向和步长，产生新的粒
子种群的x
im
(k 1)及v
im
(k 1)：v
im
(k 1)＝v
im
(k) c1*r1(k)*(pi
im
(k)
‑
x
im
(k)) c2*r2(k)*(pg
m
(k)
‑
x
im
(k))x
im
(k 1)＝x
im
(k) v
im
(k 1)其中，i＝1,2,3...,n；m＝1,2,3,...,m；2.3)计算各个粒子所对应的适应度值；2.4)早熟判断：定义距离方差dσ2，并计算距离方差dσ2，并且判断是否早熟，如果早熟条件成立，则转入到2.5)来进行早熟处理，否则转入到2.6)；其中，d
j
，d
avg
分别为第j个粒子到目前局部最优粒子的距离，以及粒子群中各粒子到该局部最优粒子的平均距离，d为归一化因子，用来限制dσ2的大小，d的取值可以为：2.5)早熟处理，对于第i个粒子的速度和位置调整：v
im
(k)＝v
im
(k) v
imin
(v
imax
‑
v
imin
)*a*f
im
(1
‑
f
im
)x
im
(k)＝x
im
(k)
‑
b*v
im
(k)其中，a＝4，f
im
为0
‑
1间的随机数，v
imax
和v
imin
分别为第i个粒子迄今为止的最大和最小速度，b为当前的早熟粒子飞离局部最优的强度控制，该数据越大，则其飞离局部最优的力度越大，根据局部聚集的程度可以选择该参数为大于0的整数；2.6)检查结束条件，如果叠带次数k大于给定的最大次数k1或结束条件满足时，则整个icpso寻优过程完成，并转2.7)，否则，程序转到新一轮的粒子位置及适应度计算的过程，即2.2)；2.7)输出最终的全局最优粒子的位置p
g
，即全局最优值。7.根据权利要求1至6任一所述的基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联动系统，其特征在于，该系统还包括疫情监控系统，所述疫情监控系统包括设置于单元楼门门禁终端的行为监控摄像头、可视对讲摄像头、人体感应探头、液晶显示器、rfid读卡器、键盘、红外测温探头和手臂靠近探头，其均与所述物业管理平台连接；所述行为监控摄像头设置于单元楼门门禁终端上方，用于监测人员行为，并对其进行记录、传输；所述可视对讲摄像头，用于可视对讲；所述人体感应探头，用于检测人员的进出行为，从而启动行为监控摄像头行为记录摄像，对疫情防控的人员行为记录；所述rfid读卡器，用于对人员身份信息识别与记录；所述红外测温探头和手臂靠近探头，用于识别并测量刷卡人员体温，并对其进行记录，与人员身份信息一起传输至物业管理平台；所述物业管理平台，还提供影像信息和人员流动信息记录保存，提供用户管理及信息管理。8.根据权利要求7所述的基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联
动系统，其特征在于，该系统还通过广域网与公共地震报警、公共防空报警系统联动，当公共地震报警、公共防空报警系统发生报警，所述系统开启单元楼门门禁终端、蜂窝式用户终端以及物业管理平台之间的语音对讲功能，进行自动喊话报警。
技术总结
本发明公开了一种基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联动系统，包括火灾监控报警联动系统、公共火灾报警系统以及物业管理平台，火灾监控报警联动系统包括小区各单元楼门门禁终端及蜂窝式用户终端；其与物业管理平台上均设置有应急报警开关；公共火灾报警系统包括设置于小区住户内的CO、烟雾、温度传感器以及报警控制器，报警控制器内设置有基于IPSO优化的区间论证多传感器融合的火灾判断数据融合算法。本发明火灾监控报警联动系统与公共火灾报警系统配合工作，实现自动化火灾报警与手动火灾报警于一体，基于IPSO优化的区间论证多传感器融合的火灾判断数据融合算法，消除传感器测量数据的不确定性。消除传感器测量数据的不确定性。消除传感器测量数据的不确定性。


技术研发人员：付丽辉 戴峻峰
受保护的技术使用者：淮阴工学院
技术研发日：2021.03.01
技术公布日：2021/6/29