【技术实现步骤摘要】
本专利技术涉及消防灭火，具体涉及一种水射流落点位置预测方法。
技术介绍
1、消防水枪将水流精确地投射至火情目标点是灭火的前提条件。传统的采用人工方式灭火时，往往依靠操作人员现场实时调整水枪的各项参数，如水的压力、流量、水枪的角度等，从而使水逐步到达火灾目标点。这种方式过于依赖操作人员的经验与技巧，需要大量的训练才能达到熟练的程度。同时，火灾现场存在高温、爆燃、缺氧等高危因素，采用人工灭火方式，相关人员的安全无法得到保障。因此，自动化的灭火方式越发受到普遍重视。其中，水射流落点位置提前预判是难点，因此亟需一种可靠，高效的方法进行预测，从而使自动化灭火成为可能。
技术实现思路
1、现有的水射流预测研究主要有基于轨迹方程和基于图像处理两个方面。其中基于轨迹方程是通过建立水射流轨迹方程来预测水射流落点位置，然而由于流体建模复杂，且建模时对流体做了诸多理想的假设，加上各种影响因素复杂，采用此种方式的效果远未达到实际应用。而图像处理的方法要求从复杂的背景图像中识别出水射流轨迹，进而用曲线拟合的方式对水射流轨迹进行预测。此种方法不仅对设备的要求高，而且当图片背景与水射流区分度不明显时，往往识别效果差，甚至出现无法识别的情况。
2、水射流落点位置受到水枪喷射流体压力、流体流量、水枪俯仰角度等因素影响。上述因素对水射流落点位置的作用呈现出极其复杂的关系，不能用简单的线性关系加以描述。bp神经网络(back propagation neural network)是应用广泛的预测模型，尤其适
3、然而，bp神经网络训练对网络初始权值与阀值敏感，易陷入局部最优，很难找到全局最优。为此，本专利技术在bp神经网络训练中引入遗传算法(ga，genetic algorithm)。遗传算法对初始种群不敏感，能更好适应参数变化，搜索过程中整个种群整体运行，其隐含的鲁棒性、并行性使算法具有广泛的适应性，能很好地弥补bp神经网络训练对网络初始权值与阀值敏感的不足，可以找到合适的网络初始权值与阀值，从而实现准确预测。
4、本专利技术的目的在于提供一种消防水枪喷射水射流落点位置预测的方法，首先构建bp神经网络，然后将水压、流量与水枪角度等样本数据输入bp神经网络训练，并在网络训练过程中引入遗传算法，从而可以计算出合适的bp网络权值与阀值。在后续的预测中，只需将水压、流量与水枪角度等参数输入bp神经网络，即可推算出水射流落点位置。
5、本专利技术的方法所采用的技术方案是：一种基于ga-bp神经网络算法的消防水射流落点预测方法，其特征在于，包括以下步骤：
6、步骤1：构建bp网络及初始化设置与bp网络训练样本归一化处理。
7、步骤2：遗传算法初始化设置。
8、步骤3：计算种群个体目标值。
9、步骤4：种群个体优劣排序。
10、步骤5：判断是否产生更优个体。
11、步骤6：选择操作。
12、步骤7：交叉操作。
13、步骤8：变异操作。
14、步骤9：以遗传种群运行结果初始化bp神经网络。
15、步骤10：bp神经网络正向传播。
16、步骤11：计算均方误差。
17、步骤12：判断算法是否结束。
18、步骤13：判断是否产生更小误差。
19、步骤14：bp神经网络误差反向传播，反向计算各层神经元梯度，更新bp网络权值与阀值。训练次数加1。
20、步骤15：形成新个体，更新遗传种群。
21、步骤16：结束。
22、本专利技术还提供了一种基于ga-bp神经网络算法的消防水射流落点预测系统，包括以下模块；
23、模块1：构建bp网络及初始化设置与bp网络训练样本归一化处理。
24、模块2：遗传算法初始化设置。
25、模块3：计算种群个体目标值。
26、模块4：种群个体优劣排序。
27、模块5：判断是否产生更优个体。
28、模块6：选择操作。
29、模块7：交叉操作。
30、模块8：变异操作。
31、模块9：以遗传种群运行结果初始化bp神经网络。
32、模块10：bp神经网络正向传播。
33、模块11：计算均方误差。
34、模块12：判断算法是否结束。
35、模块13：判断是否产生更小误差。
36、模块14：bp神经网络误差反向传播，反向计算各层神经元梯度，更新bp网络权值与阀值。训练次数加1。
37、模块15：形成新个体，更新遗传种群。
38、模块16：结束。
本文档来自技高网...【技术保护点】
1.一种基于GA-BP神经网络算法的消防水射流落点预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于GA-BP神经网络算法的消防水射流落点预测方法，其特征在于：步骤2中，产生遗传算法的初始种群，种群规模为N。采用随机方式产生种群个体，个体采用二进制编码，一个个体即对应BP神经网络的权值与阀值。编码与解码呈简单的线性关系，即编码二进制最小值（全0编码）对应解码权值与阀值的最小值，编码二进制最大值（全1编码）对应解码权值与阀值的最大值。
3.根据权利要求1所述的基于GA-BP神经网络算法的消防水射流落点预测方法，其特征在于：步骤3中，以种群个体解码设置相应的BP神经网络的权值与阀值，BP神经网络输入归一化后的训练样本，由BP神经网络正向传播过程，可以计算出BP网络的输出值，输出值进行反归一化处理后，可以计算出BP网络输出与期望输出之间的均方误差，这个均方误差值也是种群个体对应的目标值。
4.根据权利要求1所述的基于GA-BP神经网络算法的消防水射流落点预测方法，其特征在于：步骤5中，新旧种群排名第1的个体进行比较：如果新种群最优个体
5.根据权利要求1所述的基于GA-BP神经网络算法的消防水射流落点预测方法，其特征在于：步骤7中，两个父代个体通过交叉操作产生两个子代个体。采用采用中部基因位交叉和两端基因位交叉的方式。
6.根据权利要求1所述的基于GA-BP神经网络算法的消防水射流落点预测方法，其特征在于：步骤8中，算法采用两种变异方式：全部基因位取反变异，随机连续基因位倒序变异。
7.根据权利要求1所述的基于GA-BP神经网络算法的消防水射流落点预测方法，其特征在于：在步骤13中，若本次训练均方误差优于（小于）上次训练均方误差，则继续执行BP网络训练，执行下一步（步骤14）。；否则执行遗传操作，转入执行步骤6。若是初次训练，也直接执行下一步（步骤14）。
8.根据权利要求1所述的基于GA-BP神经网络算法的消防水射流落点预测方法，其特征在于：在步骤15中，将步骤14更新后的BP网络权值与阀值编码为种群的一个个体，并用该个体从遗传算法种群取代最劣（最后）个体，取代后重新进行种群个体优劣排序。
9.一种基于GA-BP神经网络算法的消防水射流落点预测系统，其特征在于：包括以下模块:
...【技术特征摘要】
1.一种基于ga-bp神经网络算法的消防水射流落点预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于ga-bp神经网络算法的消防水射流落点预测方法，其特征在于：步骤2中，产生遗传算法的初始种群，种群规模为n。采用随机方式产生种群个体，个体采用二进制编码，一个个体即对应bp神经网络的权值与阀值。编码与解码呈简单的线性关系，即编码二进制最小值（全0编码）对应解码权值与阀值的最小值，编码二进制最大值（全1编码）对应解码权值与阀值的最大值。
3.根据权利要求1所述的基于ga-bp神经网络算法的消防水射流落点预测方法，其特征在于：步骤3中，以种群个体解码设置相应的bp神经网络的权值与阀值，bp神经网络输入归一化后的训练样本，由bp神经网络正向传播过程，可以计算出bp网络的输出值，输出值进行反归一化处理后，可以计算出bp网络输出与期望输出之间的均方误差，这个均方误差值也是种群个体对应的目标值。
4.根据权利要求1所述的基于ga-bp神经网络算法的消防水射流落点预测方法，其特征在于：步骤5中，新旧种群排名第1的个体进行比较：如果新种群最优个体（最靠前）优于旧种群最优个体（最靠前），则继续进行遗传操作，执行步骤6...
【专利技术属性】
技术研发人员：刘炜琪，李善德，黄其柏，聂丹，易鑫，
申请(专利权)人：湖北省专用汽车研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。