【摘要】：在設計紅外火焰探測器的過程中,人工光源常常會引起探測器的誤報。為有效區(qū)分人工光源與火焰信號,本文首先對采集的1種人工光源以及3種火焰信號進行分析,將采集的信號進行小波包4層分解,得到信號的能量譜。通過分析發(fā)現(xiàn)選取第2,3,4,7頻段的能量值能夠將這4種信號有效區(qū)分。為進一步驗證實驗結果,本文將雙通道兩路信號的第2,3,4,7頻段的8個能量值作為一組特征向量,與BP神經(jīng)網(wǎng)絡結合進行模式識別。結果表明,通過這樣的方法不僅可以區(qū)分火焰和人工光源,同時可以對3種火焰進行識別,其識別的正確率為84.1%。因此,基于小波包能量分析的方法提取這8個能量值作為特征值具有一定的可行性,能有效減少人工光源引起的誤報,同時為火焰種類的識別以及以后的滅火自動化提供了新的可能性。
[Abstract]:In the process of designing infrared flame detector, artificial light source often causes false alarm of detector. In order to effectively distinguish the artificial light source from the flame signal, this paper firstly analyzes one artificial light source and three kinds of flame signals, and decomposes the collected signals into four layers of wavelet packet to obtain the energy spectrum of the signals. It is found that the four signals can be effectively distinguished by selecting the energy value of the second band. In order to further verify the experimental results, eight energy values of the second band of the two-channel and two-channel signals are taken as a set of eigenvectors, which are combined with BP neural network for pattern recognition. The results show that this method can not only distinguish the flame from the artificial light source, but also recognize the three kinds of flame. The recognition accuracy is 84.1%. Therefore, it is feasible to extract these eight energy values as eigenvalues based on wavelet packet energy analysis, which can effectively reduce the false positives caused by artificial light sources. At the same time, it provides a new possibility for the identification of flame types and the automation of fire extinguishing in the future.
【作者單位】： 江南大學物聯(lián)網(wǎng)工程學院;無錫格林通安全裝備有限公司;
【分類號】：X932;TP183

【相似文獻】

相關期刊論文 前10條

1 周振;;基于獨立量分析和小波包能量譜的滾動軸承故障診斷[J];煤礦機械;2013年10期

2 任韋波;許金余;朱宗金;劉遠飛;苗華東;;陶瓷纖維混凝土高溫損傷的小波包能量譜分析[J];混凝土;2013年06期

3 孫潔娣;靳世久;;基于小波包能量及高階譜的特征提取方法[J];天津大學學報;2010年06期

4 田元新;陳超;鄒小勇;蔡沛祥;;基于小波包能量的血紅蛋白序列特征提取[J];計算機與應用化學;2007年01期

5 莫慧芳;谷愛昱;饒明輝;陳瑞;;基于小波包能量相對熵的電機振聲信號故障檢測[J];煤礦機械;2014年03期

6 靳新民,王德勝;小波包能量法在爆破地震安全中的應用[J];有色金屬;2004年02期

7 劉書俊;李著信;蘇毅;龔利紅;;基于小波包能量譜的管道缺陷磁記憶檢測信號特征研究[J];后勤工程學院學報;2012年04期

8 唐貴基;范德功;胡愛軍;王譽容;;基于相對小波包能量特征向量的故障診斷[J];煤礦機械;2006年04期

9 章羽;趙崇誼;陳結祥;;基于光纖光柵傳感技術的復合材料損傷檢測[J];量子電子學報;2013年05期

10 周承新;段文峰;;基于加工表面小波包能量分布比例的刀具磨損狀態(tài)研究[J];工具技術;2008年04期

相關會議論文 前3條

1 宗周紅;曹競;王煒峰;;結合小波包能量和支持向量機的結構損傷識別[A];第十九屆全國橋梁學術會議論文集（下冊）[C];2010年

2 劉亮;劉海卿;;基于小波包能量差理論的在役輸電塔結構損傷檢測研究[A];第六屆全國土木工程研究生學術論壇論文集[C];2008年

3 崔世蒙;孫偉;;基于小波包的舵面轉軸損傷預警及診斷研究[A];2011航空維修理論研究及技術發(fā)展學術交流會論文集[C];2011年

相關碩士學位論文 前10條

1 李默;基于小波包能量譜的金屬板中微損傷識別方法研究[D];江蘇大學;2016年

2 朱丕亮;基于小波包能量譜的滾動軸承故障診斷[D];中國科學技術大學;2014年

3 陳長萬;基于小波包能量和神經(jīng)網(wǎng)絡的結構損傷識別法研究[D];重慶交通大學;2009年

4 邵長海;基于小波包能量—神經(jīng)網(wǎng)絡的四角錐網(wǎng)架損傷檢測方法研究[D];河北科技大學;2012年

5 孫雅丹;基于小波包能量的橋梁結構損傷識別指標研究[D];天津大學;2014年

6 萬擁軍;基于小波包能量變化率的結構損傷識別方法研究[D];鄭州大學;2009年

7 朱丹;基于小波包能量譜—主元分析方法的滾動軸承故障檢測[D];昆明理工大學;2014年

8 范廣露;基于回聲狀態(tài)網(wǎng)絡的設備健康狀態(tài)監(jiān)測與預測方法[D];長安大學;2012年

9 楊帥;機電產(chǎn)品壽命預測方法研究[D];電子科技大學;2013年

10 付元華;旋轉機械故障診斷及預測方法研究[D];西南石油大學;2014年

，

本文編號：2215716