一种基于模糊神经网络的可燃气体探测算法

一种基于模糊神经网络的可燃气体探测算法

马亮

（黄冈师范学院机电与汽车工程学院，湖北黄冈438000）

摘要：介绍了双波段可染气体的探测方法，结合了先进智能控制算法，分析了模糊神经网络在可燃气体探测器中应用的可行性，提出了数据处理的模糊神经网络的实现方法，给出了具体的实验仿真结果。

关键词：可燃气体；模糊神经网络；可靠性

1、引言

可燃气体检测报警在工业消防，楼宇消防以及工矿，以及石油化工等诸多领域有着广泛的应用。近年来，一种基于就地红外技术的可燃气体探测器正日益被人们所关注和应用。它特别适用于那些对某一频带红外线有较强吸收能力的碳氢化合物，如甲烷、乙烷、丙烷、丁烷等。这就是本文使用的基于双波段探测C-H分子结构的烃类可燃气体探测器系统。

我们通过对气体浓度影响的两个因素入手，对其进行模糊化处理，再通过人工神经网络模型的方式来确定对气体浓度的基本确认，实现报警功能。下面，在实验结果的基础上，本文从模糊神经网络实现的角度进行探讨。

2、模糊神经网络在系统中的应用

系统开启到系统稳定的时段里的，采用前馈的全网络化结构的系统模糊神经网络模型。模型为五层模糊神经网络，每层都有明确的含义。

可能来自上一层的输出或直接来自输入在一般的神经网络中，f常取sigmoid函数。但是在图3所示的模糊神经网络中，每层接点的f和net则有不同的定义，它们取决于每层神经元在模糊逻辑推理中所表示的涵义。

第一层：第一层的神经元为输入接点，表示模糊控制器的输入信号。共有两个输入接点分别对应X（x1,x2）。第一层神经元仅把输入值传给下一层，

第二层：这一层表示输入信号语言变量的语言值。每个神经元代表一种语言值，表达为一个隶属函数。为了简便起见，图3中每个输入信号都定义了三个语言值，即三个模糊子集（P1，Z1，N1）、（P2，Z2，N2）。那么每个神经元的输出应该是相应的隶属函数。

第三层和第四层：这两层合在一起表示模糊控制的规则，其中第三层表示规则前件的匹配，第四层表示规则的后件。图3中，因为三个输入的语言变量各定义了三个语言值，因而有3×=9条规则。输出语言变量也定义了两个语言变量值Y1和Y2，分别对应不报警和报警。

第2层与第3层之间有连接，但没有权系数。

第四层结点执行“或”运算，把输入到第四层同一个神经元的激活规则进行综合。因此，第3层与第4层之间的连接权系数是控制规则的后件模糊量。

第五层：第五层表示模糊控制的输出，即控制作用y。输出层是或神经元，在第4层和第5层之间的连接没有权系数。运行中，第五层神经元起到解模糊的作用。

由结果可知y值大于某一阀值0.5时，系统报警.

3、数据仿真

两个语言变量D(x1)和Te(x2)隶属函数的选取事是以0-50℃范围内的若干离散温度下的多次实验数据统计为依据的。如果在系统开启到系统稳定的时段里，两个语言变量D（x1）和Te(x2)隶属函数都选取图4所示的三角形和梯形混合的隶属函数，模糊神经网络模型输出y的

matlab仿真结果如图5所示。实际应用过程中的隶书函数的划分会更精细，这里是为了仿真方便起见选取的。

图4语言变量选取的隶属函数

显然可从图中看出输出y值小于0.5时为报警输出，高出0.5时为报警输出。从而，可以确定处于报警状态的两个语言变量的范围。我们也可将时间变量作为第三个模糊变量，进行建模，只是的出的模型更复杂，仿真起来也较复杂。通过修改，我们还可以把输出y用逻辑值表示（0为不报警状态、1为报警状态。）。其实，结合图3和图4我们能看出当x1大于0.625时，不论x2取何值，模糊神经网络模型输出y的值大于0.5，系统处于报警状态，而且输出唯一。我们从图5也能看出这一特点，因此进一步证实该模糊神经网络模型的可靠性。

图5输出y的matlab仿真结果

4、结束语

本文介绍了基于双波段探测C-H分子结构的烃类可燃气体探测器系统，接着介绍了模糊神经网络原理，在可燃气体探测器系统中引入模糊神经网络，给出了神经网络建模的具体方法。提高了系统的可靠性，先用模糊神经网络对采集到的数据进行判断。当气体浓度达到某一阀值就会报警，我们可以按照现场要求在某一模糊段确定报警。通过这种模糊神经网络的方法具有较好的应用前景。

作者简介：马亮（1981.12-），男，湖北黄冈人，理学硕士，讲师，黄冈师范学院机电与汽车工程系，从事神经网络方面研究。