基于多传感器数据融合技术的隧道火灾预警控制方法及其系统

技术领域

本发明涉及隧道火警预警方法及其系统。 

背景技术

隧道是一种相对特殊的建筑物，一旦发生火灾，逃生和救援工作相当困难。因此，高效的隧道火灾预警系统对于消除火灾隐患、保护人民群众的生命和财产安全具有重要的意义。 

目前，常用的隧道火灾报警系统主要采用热敏合金线式、光纤式和双波长火焰探测器式等探测和检测方式。而随着传感器技术的发展，多传感器数据融合技术逐步应用到隧道火灾预警系统中。与传统火灾探测相比，多传感器数据融合技术能够有效地降低火灾预警系统的漏报率。 

但是，现有文献报道的采用多传感器数据融合技术的隧道火灾预警系统只是将各个独立的传感器做简单的并列、叠加处理。如《一种新型隧道火灾预警系统及控制方法》（公开号：CN200610025959.6）仅将火焰传感器、温度传感器、烟雾传感器并列分布在预警系统上。各个传感器只是独立的检测对应的信号，然后系统将采集自传感器的信号值与固定阈值进行比较以判断是否有火灾发生。这种方法的不足之处在于预警系统无法感知环境参数的变化。有些隧道火灾预警系统考虑到了环境参数变化对系统性能的影响，如《城市长隧道监控系统 中的多传感器融合方法》（公开号：CN200710052839.X）。但是这种方法将环境因素与火灾报警分开考虑，用于不同的报警模块，而并未将两者有机的结合在一起，达到精确火灾预警的目的。 

发明内容

本发明要解决现有隧道火灾预警系统中传感器设置结构单一、系统感知环境参数变化性能不足、系统报警阈值无法根据环境参数变化调整的缺点，提出了一种新型的基于多传感器数据融合技术的隧道火灾预警控制方法及系统。 

1.基于多传感器数据融合技术的隧道火灾预警系统控制方法包括： 

1）主传感器组历史数据记录，数据处理装置以5分钟为时间间隔记录过去24小时内的主传感器组数据； 

2）定时读取副传感器组数据，数据处理装置以60分钟为时间间隔定时读取副传感器组数据； 

3）神经网络，指数据处理装置通过预置的一种运算规则，以主传感器组历史数据和副传感器组数据作为输入数据，计算得到当前环境参数下的主传感器组火灾阈值； 

4）计算结果回传，指数据处理装置将当前环境参数下的主传感器组火灾阈值传输到现场检测装置。 

5)由现场检测装置执行的控制,包括： 

5.1）主传感器组火灾阈值修正,指现场检测装置将数据处理装置 的回传结果设置为当前的主传感器组火灾阈值；5.2）火灾发生判断,指现场检测装置将当前主传感器组的信号量与火灾阈值进行比较。如果连续3次检测到当前主传感器组的信号量超出火灾阈值，那么判定火灾发生；否则，判定没有火灾发生。 

2.如权利要求1所述的方法，其特征在于：所述的步骤3）神经网络，包括一种复合神经网络模型，所述的复合神经网络模型分为两大部分：主神经网络和辅神经网络；所述辅神经网络根据辅神经网络输入和权值决定并输出主神经网络中隐含层和输出层的各个权值，所述主神经网络根据主神经网络的输入和权值决定和输出火灾阈值；其中，主神经网络和辅神经网络通过主神经网络的权值和辅神经网络的输出相联系；对于复合式BP神经网络隐含层节点个数，通过改变隐含层节点数，找出网络误差的极小值，从而确定该网络隐含层节点数。 

3.如权利要求2所述的方法，其特征在于：复合神经网络模型的应用过程分为：A.权值嵌套的复合式BP神经网络的具体训练，复合BP神经网络每半年进行一次训练，训练数据除原有数据外，还增加半年内该隧道记录数据；B.日常值嵌套的复合式BP神经网络的具体计算，神经网络通过学习和训练得到最终总输入输出关系，半年内火灾预测情况由该输入输出关系得到，最终输出为火灾阀值。 

4.如权利要求3所述的方法，其特征在于：步骤A所述权值嵌套的复合式BP神经网络的具体训练步骤如下： 

A1初始化，置辅助网络的权值系数为随机数； 

A2将传感器数据尺度变换，得到的主辅神经网络的输入； 

A3通过辅助网络得到输出，将输出数据尺度变换，得到主神经网络的各个权值； 

A4主神经网络根据网络的权值计算出最终输出； 

A5计算主神经网络输出和期望的误差，并反向传播回主神经网络，得到调整后的权值； 

A6将主神经网络调整后的权值尺度变换后作为辅神经网络的输出期望，并计算辅神经网络输出与期望的误差； 

A7反向传播回辅神经网络，调整网络的权值，并返回计算步骤4），直到误差满足要求。 

5.如权利要求4所述的方法，其特征在于：步骤B所述日常值嵌套的复合式BP神经网络的具体计算步骤如下： 

B1置辅助网络的权值系数为训练得出的权值系数； 

B2将传感器数据尺度变换，得到的主辅神经网络的输入； 

B3通过辅助网络得到输出，将输出数据尺度变换，得到主神经网络的各个权值； 

B4主神经网络根据网络的权值和输入计算得出火灾阈值。 

6.如权利要求5所述的方法，其特征在于：所述的神经网络模式引入温度主导的自动调整机制，以增强极端天气下的系统稳定性，具体方法如下： 

在保证初始阶段的复合BP神经网络的模式正确的基础上，传感器收集数据，然后通过复合BP神经网络计算输出结果；当结果属于 无火势时，系统可以把温度传感器的数据传送到一个简单的判断处理器。若系统一直显示无火，那么温度数据可以每隔30s传送判断一次； 

具体判断规则如下： 

t是温度，f(t)是模式状态。当f(t)=0时，复合神经网络的权值是在较低温的情况下训练出来的，所以系统能很好地在低温情况下反映计算出真实的外部火灾情况，这时的复合神经网络选择低温模式。当f(t)=1时系统选择正常温度模式，这时的复合神经网络的权值是在正常温度的情况下训练出来的，这时系统能很好地拟合周围环境并输出正确的情况。当f(t)>30度时，系统选择高温模式，这时的复合神经网络的权值是在温度较高的情况下训练出来的，这时系统能很好地拟合高温环境并输出正确的情况。 

7.如权利要求1所述的方法的专用隧道火灾预警系统,其特征在于：由现场检测装置、数据处理装置以及报警显示装置构成；其中，现场检测装置用于收集隧道中的各类环境参数，根据主传感器组信号是否超出火灾阈值判断是否有火灾发生，并通知数据处理装置；数据处理装置用于根据副传感器组信号，调整主传感器组信号的火灾阈值，并且将调整后的火灾阈值回传到现场检测装置。同时，在收到现场检测装置的报警信息后，数据处理装置将控制报警显示装置报警；报警显示装置由通用的报警灯、蜂鸣器等组成，用于向人们提供声、 光报警信息； 

所述现场检测装置，包括主传感器组、副传感器组、信号调理电路、无线通讯模块和天线、微控制器、存储电路、复位电路、晶振电路、时钟电路和电源部分；其中所述主传感器组由多个烟雾传感器和多个火焰传感器组成，用于直接检测火灾发生的主要特征信息；所述副传感器组由一个温度传感器、一个光强度传感器和一个湿度传感器组成，用于检测隧道的环境参数信息；所述信号调理电路用于将主传感器组和副传感器组采集的信号做放大、滤波或者模拟-数字转换处理，以适合微控制系统进行各个传感器的信号收集；所述无线通讯模块和天线用于将信息以无线的方式进行收发处理；所述的微控制器、存储电路、复位电路、晶振电路、时钟电路构成一个完整的微控制系统，该系统可读取信号调理电路的输出信号、控制无线通讯模块的数据传输，并且具有改变主传感器组的火灾阈值、根据主传感器组的信号变化量是否超过火灾阈值判断火灾是否发生的功能；所述的电源部分用于向主传感器组、副传感器组、信号调理电路、无线通讯模块和微控制系统提供各自需要的稳定的电压或者电流； 

所述数据处理装置由嵌入式处理器、存储电路、复位电路、晶振电路、时钟电路、液晶显示电路、按键输入电路、报警装置驱动电路和电源部分组成；所述嵌入式处理器、存储电路、复位电路、晶振电路和时钟电路组成一个完整的高性能的嵌入式系统；该嵌入式系统能够根据现场检测装置发送来的报警信息控制报警装置驱动电路；同时，能够根据副传感器组的信号变化量调整主传感器组的火灾阈值， 并将调整后的火灾阈值回传到现场检测装置；所述液晶显示电路用于显示嵌入式系统的参数信息。所述按键输入电路用于设置嵌入式系统的工作参数。所述报警装置驱动电路用来驱动报警显示装置；所述电源部分用来给嵌入式系统、液晶显示电路、按键输入电路和报警装置驱动电路提供稳定的电压或者电流。 

与现有各类文献中提出的方法相比，本发明的突出优势在于：1）具有层次化的传感器设置结构，即将烟雾传感器和火焰传感器设置为主传感器组，将温度传感器、光强传感器和湿度传感器设置为副传感器组。主传感器组用于检测火灾发生的主要特征；副传感器组用于检测隧道内环境参量的变化。2）具有动态、灵活的火灾阈值调整方法，即采用神经网络计算的方法，对主传感器组的历史数据和副传感器组的当前数据进行分析，得到适合当前环境参数的火灾阈值。并且用新的火灾阈值替换原有的火灾阈值。 

本发明能够有效地降低因隧道环境变化而引起的火灾判定误差，降低隧道火灾预警系统的错报率与漏报率。 

附图说明

图1隧道火灾预警系统结构示意图 

图2现场检测装置结构示意图 

图3数据处理装置结构示意图 

图4权值嵌套的复合式BP神经网络模型图 

具体实施方式

参照附图： 

1.基于多传感器数据融合技术的隧道火灾预警系统控制方法包括： 

1）主传感器组历史数据记录，数据处理装置以5分钟为时间间隔记录过去24小时内的主传感器组数据； 

2）定时读取副传感器组数据，数据处理装置以60分钟为时间间隔定时读取副传感器组数据； 

3）神经网络，指数据处理装置通过预置的一种运算规则，以主传感器组历史数据和副传感器组数据作为输入数据，计算得到当前环境参数下的主传感器组火灾阈值； 

4）计算结果回传，指数据处理装置将当前环境参数下的主传感器组火灾阈值传输到现场检测装置。 

5)由现场检测装置执行的控制,包括： 

5.1）主传感器组火灾阈值修正,指现场检测装置将数据处理装置的回传结果设置为当前的主传感器组火灾阈值；5.2）火灾发生判断,指现场检测装置将当前主传感器组的信号量与火灾阈值进行比较。如果连续3次检测到当前主传感器组的信号量超出火灾阈值，那么判定火灾发生；否则，判定没有火灾发生。 

2.如权利要求1所述的方法，其特征在于：所述的步骤3）神经网络，包括一种复合神经网络模型，所述的复合神经网络模型分为两大部分：主神经网络和辅神经网络；所述辅神经网络根据辅神经网络输入和权值决定并输出主神经网络中隐含层和输出层的各个权值，所 述主神经网络根据主神经网络的输入和权值决定和输出火灾阈值；其中，主神经网络和辅神经网络通过主神经网络的权值和辅神经网络的输出相联系；对于复合式BP神经网络隐含层节点个数，通过改变隐含层节点数，找出网络误差的极小值，从而确定该网络隐含层节点数。 

3.如权利要求2所述的方法，其特征在于：复合神经网络模型的应用过程分为：A.权值嵌套的复合式BP神经网络的具体训练，复合BP神经网络每半年进行一次训练，训练数据除原有数据外，还增加半年内该隧道记录数据；B.日常值嵌套的复合式BP神经网络的具体计算，神经网络通过学习和训练得到最终总输入输出关系，半年内火灾预测情况由该输入输出关系得到，最终输出为火灾阀值。 

4.如权利要求3所述的方法，其特征在于：步骤A所述权值嵌套的复合式BP神经网络的具体训练步骤如下： 

A1初始化，置辅助网络的权值系数为随机数； 

A2将传感器数据尺度变换，得到的主辅神经网络的输入； 

A3通过辅助网络得到输出，将输出数据尺度变换，得到主神经网络的各个权值； 

A4主神经网络根据网络的权值计算出最终输出； 

A5计算主神经网络输出和期望的误差，并反向传播回主神经网络，得到调整后的权值； 

A6将主神经网络调整后的权值尺度变换后作为辅神经网络的输出期望，并计算辅神经网络输出与期望的误差； 

A7反向传播回辅神经网络，调整网络的权值，并返回计算步骤 4），直到误差满足要求。 

5.如权利要求4所述的方法，其特征在于：步骤B所述日常值嵌套的复合式BP神经网络的具体计算步骤如下： 

B1置辅助网络的权值系数为训练得出的权值系数； 

B2将传感器数据尺度变换，得到的主辅神经网络的输入； 

B3通过辅助网络得到输出，将输出数据尺度变换，得到主神经网络的各个权值； 

B4主神经网络根据网络的权值和输入计算得出火灾阈值。 

6.如权利要求5所述的方法，其特征在于：所述的神经网络模式引入温度主导的自动调整机制，以增强极端天气下的系统稳定性，具体方法如下： 

在保证初始阶段的复合BP神经网络的模式正确的基础上，传感器收集数据，然后通过复合BP神经网络计算输出结果；当结果属于无火势时，系统可以把温度传感器的数据传送到一个简单的判断处理器。若系统一直显示无火，那么温度数据可以每隔30s传送判断一次； 

具体判断规则如下： 

t是温度，f(t)是模式状态。当f(t)=0时，复合神经网络的权值是在较低温的情况下训练出来的，所以系统能很好地在低温情况下反映计算出真实的外部火灾情况，这时的复合神经网络选择低温模式。当f(t)=1时系统选择正常温度模式，这时的复合神经网络的权值是在正 常温度的情况下训练出来的，这时系统能很好地拟合周围环境并输出正确的情况。当f(t)>30度时，系统选择高温模式，这时的复合神经网络的权值是在温度较高的情况下训练出来的，这时系统能很好地拟合高温环境并输出正确的情况。 

7.如权利要求1所述的方法的专用隧道火灾预警系统,其特征在于：由现场检测装置、数据处理装置以及报警显示装置构成；其中，现场检测装置用于收集隧道中的各类环境参数，根据主传感器组信号是否超出火灾阈值判断是否有火灾发生，并通知数据处理装置；数据处理装置用于根据副传感器组信号，调整主传感器组信号的火灾阈值，并且将调整后的火灾阈值回传到现场检测装置。同时，在收到现场检测装置的报警信息后，数据处理装置将控制报警显示装置报警；报警显示装置由通用的报警灯、蜂鸣器等组成，用于向人们提供声、光报警信息； 

所述现场检测装置，包括主传感器组、副传感器组、信号调理电路、无线通讯模块和天线、微控制器、存储电路、复位电路、晶振电路、时钟电路和电源部分；其中所述主传感器组由多个烟雾传感器和多个火焰传感器组成，用于直接检测火灾发生的主要特征信息；所述副传感器组由一个温度传感器、一个光强度传感器和一个湿度传感器组成，用于检测隧道的环境参数信息；所述信号调理电路用于将主传感器组和副传感器组采集的信号做放大、滤波或者模拟-数字转换处理，以适合微控制系统进行各个传感器的信号收集；所述无线通讯模 块和天线用于将信息以无线的方式进行收发处理；所述的微控制器、存储电路、复位电路、晶振电路、时钟电路构成一个完整的微控制系统，该系统可读取信号调理电路的输出信号、控制无线通讯模块的数据传输，并且具有改变主传感器组的火灾阈值、根据主传感器组的信号变化量是否超过火灾阈值判断火灾是否发生的功能；所述的电源部分用于向主传感器组、副传感器组、信号调理电路、无线通讯模块和微控制系统提供各自需要的稳定的电压或者电流； 

所述数据处理装置由嵌入式处理器、存储电路、复位电路、晶振电路、时钟电路、液晶显示电路、按键输入电路、报警装置驱动电路和电源部分组成；所述嵌入式处理器、存储电路、复位电路、晶振电路和时钟电路组成一个完整的高性能的嵌入式系统；该嵌入式系统能够根据现场检测装置发送来的报警信息控制报警装置驱动电路；同时，能够根据副传感器组的信号变化量调整主传感器组的火灾阈值，并将调整后的火灾阈值回传到现场检测装置；所述液晶显示电路用于显示嵌入式系统的参数信息。所述按键输入电路用于设置嵌入式系统的工作参数。所述报警装置驱动电路用来驱动报警显示装置；所述电源部分用来给嵌入式系统、液晶显示电路、按键输入电路和报警装置驱动电路提供稳定的电压或者电流。 

图1为隧道火灾预警系统结构示意图。在实际使用过程中，隧道火灾预警系统可以设置1个数据处理装置、多个报警显示装置和多个现场检测装置。其中，数据处理装置与报警显示装置通过有线信道进行通信；数据处理装置与现场检测装置可以通过有线信道进行通信； 现场检测装置之间一般通过无线信道进行通信，多传感器的数据以“多跳”的形式在现场检测装置之间传递。现场检测装置用于收集隧道中的各类环境参数（如烟雾浓度、红外线强度、温度、湿度和光强度等），根据主传感器组信号是否超出火灾阈值判断是否有火灾发生，并通知数据处理装置；数据处理装置用于根据副传感器组信号，调整主传感器组信号的火灾阈值，并且将调整后的火灾阈值回传到现场检测装置。同时，在收到现场检测装置的报警信息后，数据处理装置将控制报警显示装置报警；报警显示装置由通用的报警灯、蜂鸣器等组成，用于向人们提供声、光报警信息。 

图2是现场检测装置结构示意图。所述现场检测装置，包括主传感器组、副传感器组、信号调理电路、无线通讯模块和天线、微控制器、存储电路、复位电路、晶振电路、时钟电路和电源部分。其中所述主传感器组由多个烟雾传感器和多个火焰传感器组成，用于直接检测火灾发生的主要特征信息；所述副传感器组由一个温度传感器、一个光强度传感器和一个湿度传感器组成，用于检测隧道的环境参数信息；所述信号调理电路用于将主传感器组和副传感器组采集的信号做放大、滤波或者模拟-数字转换处理，以适合微控制器系统进行各个传感器的信号收集；所述无线通讯模块和天线用于将信息以无线的方式进行收发处理；所述的微控制器、存储电路、复位电路、晶振电路、时钟电路构成一个完整的微控制系统，该系统可读取信号调理电路的输出信号、控制无线通讯模块的数据传输，并且具有改变主传感器组的火灾阈值、根据主传感器组的信号变化量是否超过火灾阈值判断火 灾是否发生的功能；所述的电源部分用于向主传感器组、副传感器组、信号调理电路、无线通讯模块和微控制系统提供各自需要的稳定的电压或者电流。 

图3是数据处理装置结构示意图。所述数据处理装置由嵌入式处理器、存储电路、复位电路、晶振电路、时钟电路、液晶显示电路、按键输入电路、报警装置驱动电路和电源部分组成。所述嵌入式处理器、存储电路、复位电路、晶振电路和时钟电路组成一个完整的高性能的嵌入式系统。该嵌入式系统能够根据现场检测装置发送来的报警信息控制报警装置驱动电路；同时，能够根据副传感器组的信号变化量调整主传感器组的火灾阈值，并将调整后的火灾阈值回传到现场检测装置。所述液晶显示电路用于显示嵌入式系统的参数信息。所述按键输入电路用于设置嵌入式系统的工作参数。所述报警装置驱动电路用来驱动报警显示装置。所述电源部分用来给嵌入式系统、液晶显示电路、按键输入电路和报警装置驱动电路提供稳定的电压或者电流。 

图4是权值嵌套的复合式BP神经网络模型图。在具体实施过程中神经网络的关键部分是模型的学习训练阶段。具体的训练分为两大部分：正向传播和反向传播。即，图4中所示权值传递与反向权值误差传递部分。正向传播又分为两部分：辅神经网络正向传播和主神经网络正向传播。反向传播又分为两大部分：主神经网络的反向传播和辅神经网络的反向传播。它们在单次训练的时序为辅正向传播、主神经网络正向传播、主神经网络反向传播、辅神经网络反向传播。 

首先，给出辅神经网络计算过程参量定义： 

1)输入向量为X=(x₁,x₂,x₃)^T，分别对应温度传感器、一个光强度传感器和一个湿度传感器。 

2)隐层输出量为Y=(y₁,y₂...y_j...y_m)^T

3)输出层输出量为O=(o₁,o₂...o_k...o_l)^T

4)输出层的期望向量为D=(d₁,d₂...d_k...d_l)^T（D不会直接由样本给出） 

5)输入层到隐含层之间的权值矩阵用V=(V₁,V₂...V_j...V_m)表示，其中列向量V_j为隐层第j个神经元对应的权向量 

6)隐层到输出层之间的权值矩阵用W=(W₁,W₂...W_k...W_l)表示，其中列向量W_k为输出层第k个神经元对应的权向量。 

其次，给出主神经网络计算过程参量定义： 

1）输入向量为X'=(x₁',x₂')^T

2）隐层输出量为Y'=(y₁',y₂'...y_j'...y_m'')^T

3）输出层输出量为O'=o' 

4）输出层的期望向量为D=d'（D由训练样本直接给出），在本模型中本发明给期望的定义是这样的：d'=（0，0.1）无火；d'=（0.1,0.2）有火灾的可能；d'=（0.2,0.3）即将发生火灾；d'=（0.3，0.5）轻微火灾；d'=（0.5，0.7）中度火灾；d'=（0.7,1）严重火灾 

5）输入层到隐含层之间的权值矩阵用V'=(V₁',V₂'...V_j'...V_m'')表示，其中列向量V_j'为隐层第j个神经元对应的权向量 

6）隐层到输出层之间的权值用列向量W'表示，W'为输出层的神经元对应的权向量。 

一、所述辅神经网络正向传播过程 

网络传播开始前先给模型的权值赋初始值。将x₁对应温度传感器的采集的数据，将x₂对应光强度传感器的采集的数据，将x₃对应光湿度传感器的采集的数据。通过尺度变换将输入的数据限制在[0,1]区间内。具体变换式如下: 

$x_i=\frac{Q_i-Q_{\min }}{Q_{\max }-Q_{\min }},i=\mathrm{1,2,3}$

Q_i为第i个传感器的输入数据，Q_min为输入数据的最小值，Q_max为输入数据的最大值，x_i为变换后的正式输入。 

接着，各层信号之间的数学关系如下： 

对于隐层： 

${\mathrm{net}}_j=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{v}_{\mathrm{ij}}{x}_i,j=\mathrm{1,2}...m---\left(1.0\right)$

y_j=f(net_j)  j=1,2...m  （1.1） 

对于输出层： 

${\mathrm{net}}_k\stackrel{m}{\underset{j=1}{\mathrm{\Σ}}}{w}_{\mathrm{jk}}{y}_j,k=1.2...l---\left(1.2\right)$

o_k=f(net_k)  k=1,2...l  (1.3) 

式（1.1）和(1.3)中，转移函数f(x)均为双极性Sigmoid函数： 

$f\left(x\right)=\frac{{1-e}^{-x}}{1+e^{-x}}$

经过上述计算，本发明得到了O=(o₁,o₂...o_k...o_l)^T

二、主神经网络正向传播过程 

从辅神经网络传播本发明得到了O=(o₁,o₂...o_k...o_l)^T，然而它的各个元素取值范围都在（0,1）之内，故有必要对它进行变换，变换式如下： 

h_k=A(o_k-0.5)  k=1,2...l 

A是一个很大的常数，这样理论上h_k可以在很大的正负区间内任意取值，例如A可以取10000，则h_k大约可以在（-5000,5000）内取值，具体取值范围还要根据具体情况分析。得到h_k后，将l个h_k与主神经网络中l=3m'个权值一一对应。于是本发明就得到了主神经网络的各个权值。然后，主神经网络正向传播就可以正式开始了。 

将x₁'对应烟雾传感器的采集的数据，将x₂'对应火焰传感器的采集的数据。通过尺度变换将输入的数据限制在[0,1]区间内。具体变换式如下: 

${x^{\′}}_i=\frac{{Q_i}^{\′}-{Q_{\min }}^{\′}}{{Q_{\max }}^{\′}-{Q_{\min }}^{\′}},i=\mathrm{1,2}$

Q_i'为第i个传感器的输入数据，Q_min'为输入数据的最小值，Q_max'为输入数据的最大值，x_i'为变换后的正式输入。 

接着，各层信号之间的数学关系如下： 

对于隐层： 

${\mathrm{net}}_j=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{v_{\mathrm{ij}}}^{\′}{x_i}^{\′},j=\mathrm{1,2}...m^{\′}---\left(1.4\right)$

y_j'=f(net_j)  j=1,2...m'  （1.5） 

对于输出层： 

$\mathrm{net}=\underset{j=1}{\overset{m^{\′}}{\mathrm{\Σ}}}{w_j}^{\′}{y_j}^{\′}---\left(1.6\right)$

o'=f(net)  (1.7) 

式（1.5）和(1.7)中，转移函数f(x)均为双极性Sigmoid函数： 

$f\left(x\right)=\frac{{1-e}^{-x}}{{1+e}^{-x}}$

经过上述计算，本发明得到了o'。取值范围在（0,1）之间，符合期望的取值范围。 

三、主神经网络反向传播过程 

当主神经网络输出与期望输出不等时，存在输出误差E'，定义如下： 

$E^{\′}=\frac{1}{2}{(d^{\′}-o^{\′})}^2$

当样本数量过多时，本发明可以将n次总的正向传播划分成一组，将它们的输出一起处理，则 

$E^{\′}=\frac{1}{2}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{({d_k}^{\′}-{o_k}^{\′})}^2$

本发明现在只讨论这种情况。将误差定义式展开到输入层，有 

$E^{\′}=\frac{1}{2}{(d^{\′}-f\left(\underset{j=1}{\overset{m^{\′}}{\mathrm{\Σ}}}{w_j}^{\′}f\left({\mathrm{net}}_j\right)\right))}^2=\frac{1}{2}{(d^{\′}-f\left(\underset{j=1}{\overset{m^{\′}}{\mathrm{\Σ}}}{w_j}^{\′}f\left(\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{v_{\mathrm{ij}}}^{\′}{x_i}^{\′}\right)\right))}^2$

由上式可以看出，网络输入误差是各层权值w'、v'的函数，因此调整权值可以改编误差E'。 

本发明采用梯度下降法调整权值，具体调整公式为 

${{\mathrm{\Δw}}_j}^{\′}=-{\mathrm{\η}}^{\′}\frac{{\∂E}^{\′}}{{{\∂w}_j}^{\′}}=-{\mathrm{\η}}^{\′}\frac{{\∂E}^{\′}}{\∂\mathrm{net}}\frac{\∂\mathrm{net}}{{{\∂w}_j}^{\′}},j=\mathrm{1,2}...m^{\′}$

${{\mathrm{\Δv}}_{\mathrm{ij}}}^{\′}=-{\mathrm{\η}}^{\′}\frac{{\∂E}^{\′}}{{{\∂v}_{\mathrm{ij}}}^{\′}}=-{\mathrm{\η}}^{\′}\frac{{\∂E}^{\′}}{{\∂\mathrm{net}}_j}\frac{{\∂\mathrm{net}}_j}{{{\∂v}_{\mathrm{ij}}}^{\′}},i=\mathrm{1,2},j=\mathrm{1,2}...m^{\′}$

η是学习率，学习率的自适应调整是指通过判断权值修正后的误差函数较之前的误差函数是否降低了来对学习率进行调整。学习率的调整有利于训练效率的提高。若误差降低了，则说明学习率小了，可以对其增加一个量；若不是如此，则说明产生了过调，应该减小学习率的值。其具体的调整公式如下： 

得到调整差值，那么本发明可以得到主神经网络的新的更好的权值。 

w_j'(t+1)=w_j'+Δw_j'  j=1,2...m'（t为训练次数） 

v_ij'(t+1)=v_ij'+Δv_ij'  i=1,2  j=1,2...m'（t为训练次数） 

四、辅神经网络反向传播过程 

由主神经网络反向传播本发明得到了新的权值w_j'(t+1)，v_ij'(t+1)。由于h_k与主神经网络的权值一一对应，所以本发明得到了h_k(t+1)，再将h_k(t+1)反变换，具体变换式为 

$o_k(t+1)=\frac{h_k(t+1)}{A}+0.5,k=\mathrm{1,2}...l$

O(t+1)是调整的辅神经网络的输出量，本发明把它看作辅神经网络的输出层的期望 

D=O_k(t+1) 

于是现在本发明正式进行辅神经网络的反向传播。当辅神经网络的输出与期望D不等时，存在误差E，定义如下 

$E=\frac{1}{2}\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{(d_k-o_k)}^2$

与主神经网络相同，网络输入误差是各层权值w、v的函数，因此调整权值可以改编误差E。 

本发明采用梯度下降法调整权值，具体调整公式为 

${\mathrm{\Δw}}_{\mathrm{jk}}=-\mathrm{\η}\frac{\∂E}{{\∂w}_{\mathrm{jk}}}=-\mathrm{\η}\frac{\∂E}{{\∂\mathrm{net}}_k}\frac{{\∂\mathrm{net}}_k}{{\∂w}_{\mathrm{jk}}},j=\mathrm{1,2}...m,k=\mathrm{1,2}...l$

${\mathrm{\Δv}}_{\mathrm{ij}}=-\mathrm{\η}\frac{\∂E}{{\∂v}_{\mathrm{ij}}}=-\mathrm{\η}\frac{\∂E}{{\∂\mathrm{net}}_j}\frac{{\∂\mathrm{net}}_j}{{\∂v}_{\mathrm{ij}}},i=\mathrm{1,2,3},j=\mathrm{1,2}...m$

同主神经网络一样，η是学习率。其具体的调整公式如下： 

得到调整差值，那么本发明可以得到辅神经网络的新的更好的权值。 

w_jk(t+1)=w_jk+Δw_jk j=1,2...m k=1,2...l（t为训练次数） 

v_ij(t+1)=v_ij+Δv_ij i=1,2,3j=1,2...m（t为训练次数） 

于是一次学习训练完成。 

用不同的样本对模型进行训练，当网络误差小于一定的误差限时。该网络的学习训练完毕。此时辅神经网络的各个权值就确定下来了。 

当本模型实际应用时，只需要执行模型的正向传播部分，不必进行反向传播。即三个辅助传感器测得数据输入辅神经网络，辅神经网络权值根据各个权值和输入会输出一些量，这些量经过线性变换式就得到了主神经网络的各个权值。再将两个主传感器输入主神经网络，主神经网络会根据权值和输出得到最终输出，即各主传感器阀值改变量。 

本实施例所述内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。