本发明涉及信号装置或呼叫装置；指令发信装置；报警装置的技术领域，特别涉及一种基于智能算法的复合烟感低误报方法。
背景技术：
烟感是指烟感报警器或烟雾报警器，其通过监测烟雾的浓度来实现火灾防范，被广泛运用到各种消防报警系统中。
在正常情况下，烟感中的光学迷宫遇到烟雾，触发到光电传感器后才会报警。
然而，由于传感器对极微小的烟雾粒子较敏感，烟感安装的时间较久后，光学迷宫中存在积尘，气流通过烟感时可能会将灰吹起，进而烟感误认为其是烟气而引起误报；除此之外，类似于水蒸气的气雾作为小粒子，也可能引起烟感误报。
针对此问题，现有技术中，也有部分复合式感烟感温火灾探测器采用烟雾传感器件和半导体温度传感器件构成多元复合探测器，这虽然从一定程度上增强了误报的识别率，但是依旧需要人工进行判别，效率低。
技术实现要素：
本发明解决了现有技术中，空气中、传感器内部的微小粒子易引起烟感误报，同时针对此的复合式感烟感温火灾探测器需要过度的人工参与，存在工作效率较低的问题，提供了一种优化的基于智能算法的复合烟感低误报方法。
本发明所采用的技术方案是，一种基于智能算法的复合烟感低误报方法，所述方法包括以下步骤：
步骤1：初始化烟感，获得初始化样本数据集合a；
步骤2：配合烟感中设置湿敏传感器，获得初始化样本数据集合b；
步骤3：配合烟感设置气体传感器，获得初始化样本数据集合c；
步骤4：构建bp神经网络，取集合a和b作为输入样本，以集合c作为验证集，训练bp神经网络；
步骤5：在烟感中置入湿敏传感器；
步骤6：实时获得烟感和湿敏传感器的数据，基于训练完的bp神经网络，输出；
步骤7：基于输出结果进行报警或继续监测。
优选地，所述步骤3中，气体传感器为co传感器。
优选地，所述步骤4中，bp神经网络为基于遗传算法的bp神经网络。
优选地，所述步骤4中，构建基于遗传算法的bp神经网络包括以下步骤：
步骤4.1：初始化种群数n；
步骤4.2：确定适应性函数及控制参数；
步骤4.3：进行选择、交叉、变异操作，反馈结果至bp神经网络；
步骤4.4：若得到最优权值估计，构建基于遗传算法的bp神经网络，否则，返回步骤4.3。
优选地，所述步骤4.2中，函数
优选地，所述bp神经网络的误差函数中包括惩罚项。
优选地，所述步骤7中，若输出结果为水汽过多，则进行干燥处理。
优选地，所述烟感内设有风机。
本发明涉及一种优化的基于智能算法的复合烟感低误报方法，通过分别初始化烟感并配合设置湿敏传感器、气体传感器，基于三者获得初始化样本数据集合a、b、c；构建bp神经网络并以集合a和b作为输入样本，以集合c作为验证集，训练bp神经网络，训练完毕后，在烟感中置入湿敏传感器、两者一体化设置，实时获得烟感和湿敏传感器的数据，基于训练完的bp神经网络，输出，基于输出结果进行报警或继续监测。
本发明建立多传感通道，通过获取多通道的检测值、进行交叉验证、建立模型，进而将所有通道并置，通过采集数据、直接对烟感情况进行智能识别。
本发明的模型自适应度高、鲁棒性好，监测自动化程度高，误报的干扰小，误报概率小。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细描述，但本发明的保护范围并不限于此。
本发明涉及一种基于智能算法的复合烟感低误报方法，所述方法包括以下步骤。
步骤1：初始化烟感，获得初始化样本数据集合a。
步骤2：配合烟感中设置湿敏传感器，获得初始化样本数据集合b。
步骤3：配合烟感设置气体传感器，获得初始化样本数据集合c。
所述步骤3中，气体传感器为co传感器。
本发明中，步骤1至3中的初始化样本数据集合可以采集多种使用条件下的烟感的数据，如，以全新的烟感获得一组数据、以使用三个月的烟感获得一组数据等，最后将所有组数据聚集一起，成为初始化样本数据集合a、b、c。
本发明中，为了保持针对单个产品的网络的运算精度，样本数据集合a、b、c中的元素采集自同一个或一类烟感产品，以连续跟踪采集的方式进行。
本发明中，co传感器可以较为
步骤4：构建bp神经网络，取集合a和b作为输入样本，以集合c作为验证集，训练bp神经网络。
所述步骤4中，bp神经网络为基于遗传算法的bp神经网络。
所述步骤4中，构建基于遗传算法的bp神经网络包括以下步骤：
步骤4.1：初始化种群数n；
步骤4.2：确定适应性函数及控制参数；
所述步骤4.2中，函数
步骤4.3：进行选择、交叉、变异操作，反馈结果至bp神经网络；
步骤4.4：若得到最优权值估计，构建基于遗传算法的bp神经网络，否则，返回步骤4.3。
所述bp神经网络的误差函数中包括惩罚项。
本发明中，采用bp神经网络进行预测作业，bp神经网络是一种多层的前馈神经网络，其信号前向传播、误差反向传播，利用现有的数据找出输入与输出之间的权值关系，进而进行仿真。
本发明中，n为2的n次方。
本发明中，进一步地，以遗传算法优化bp神经网络，可以优化bp神经网络的权值和阈值，种群中的每个个体都包含了一个网络所有权值和阈值，个体通过适应度函数计算个体适应度值，遗传算法通过选择、交叉和变异操作找到最优适应度值对应个体，使得bp神经网络以遗传算法得到最优个体、对网络初试权值和阈值赋值，检测准确度更高。
本发明中，为了避免过拟合，并进一步增加网络的鲁棒性，在损失函数中加入了惩罚项，使得损失函数较普通的bp神经网络增加了约束项；惩罚项的设置为本领域公知技术，本领域技术人员可以依据需求自行设置。
步骤5：在烟感中置入湿敏传感器。
步骤6：实时获得烟感和湿敏传感器的数据，基于训练完的bp神经网络，输出。
本发明中，完成网络构建后，在新的烟感中置入湿敏传感器即可，以湿敏传感器和正常的光学迷宫共同检测、输出网络判断的结果，进而确认是否触发报警。
步骤7：基于输出结果进行报警或继续监测。
所述步骤7中，若输出结果为水汽过多，则进行干燥处理。
所述烟感内设有风机。
本发明中，当输出结果中包括了湿敏传感器的过大传感值时，应当首先对烟感内部进行干燥处理。
本发明中，风机一般为小型轴流风机，启动时风向自烟感内部朝外。
本发明通过分别初始化烟感并配合设置湿敏传感器、气体传感器，基于三者获得初始化样本数据集合a、b、c；构建bp神经网络并以集合a和b作为输入样本，以集合c作为验证集，训练bp神经网络，训练完毕后，在烟感中置入湿敏传感器、两者一体化设置，实时获得烟感和湿敏传感器的数据，基于训练完的bp神经网络，输出，基于输出结果进行报警或继续监测。
本发明建立多传感通道，通过获取多通道的检测值、进行交叉验证、建立模型，进而将所有通道并置，通过采集数据、直接对烟感情况进行智能识别。
本发明的模型自适应度高、鲁棒性好，监测自动化程度高，误报的干扰小，误报概率小。
1.一种基于智能算法的复合烟感低误报方法，其特征在于：所述方法包括以下步骤：
步骤1：初始化烟感，获得初始化样本数据集合a；
步骤2：配合烟感中设置湿敏传感器，获得初始化样本数据集合b；
步骤3：配合烟感设置气体传感器，获得初始化样本数据集合c；
步骤4：构建bp神经网络，取集合a和b作为输入样本，以集合c作为验证集，训练bp神经网络；
步骤5：在烟感中置入湿敏传感器；
步骤6：实时获得烟感和湿敏传感器的数据，基于训练完的bp神经网络，输出；
步骤7：基于输出结果进行报警或继续监测。
2.根据权利要求1所述的一种基于智能算法的复合烟感低误报方法，其特征在于：所述步骤3中，气体传感器为co传感器。
3.根据权利要求1所述的一种基于智能算法的复合烟感低误报方法，其特征在于：所述步骤4中，bp神经网络为基于遗传算法的bp神经网络。
4.根据权利要求3所述的一种基于智能算法的复合烟感低误报方法，其特征在于：所述步骤4中，构建基于遗传算法的bp神经网络包括以下步骤：
步骤4.1：初始化种群数n；
步骤4.2：确定适应性函数及控制参数；
步骤4.3：进行选择、交叉、变异操作，反馈结果至bp神经网络；
步骤4.4：若得到最优权值估计，构建基于遗传算法的bp神经网络，否则，返回步骤4.3。
5.根据权利要求4所述的一种基于智能算法的复合烟感低误报方法，其特征在于：所述步骤4.2中，函数
6.根据权利要求3所述的一种基于智能算法的复合烟感低误报方法，其特征在于：所述bp神经网络的误差函数中包括惩罚项。
7.根据权利要求1所述的一种基于智能算法的复合烟感低误报方法，其特征在于：所述步骤7中，若输出结果为水汽过多，则进行干燥处理。
8.根据权利要求7所述的一种基于智能算法的复合烟感低误报方法，其特征在于：所述烟感内设有风机。
技术总结