由于单元探测技术所采用的单一参数火灾探测器(包括阈值触发式和模拟量式)对火灾特征信号响应灵敏度的不均匀性，导致高技术对实际火灾的探测能力受到了限制。例如感温探测器只对明火产生的温升敏感，对阴燃火不敏感，而且也不能区分引起温度上升的热量是火灾产生的还是空调或烹饪蒸汽产生的；又如目前常用的光电感烟探测器是一种对一般火情均有较高灵敏度的火灾传感器，且对阴燃火有极好的探测效果，但对燃烧产生的不可见烟粒径小于0．4μm)或出现明火的黑烟不敏感。因此，至今仍然没有一种单一参数火灾探测器能有效地探测各类火情，火警误报时有发生。

鉴于单元火灾探测技术已无法满足现实火灾报警的需要，一种崭新的多元信息融合探测技术悄然兴起。多元信息融合火灾探测系统不是原有单一参数火灾探测器的简单组合，而是实施多元同步探测，根据不同类型的火灾参数，应用智能算法，对多传感器的火灾参数进行融合，以判断是否存在火灾危险。这种方法克服了单个传感器测量的局限，有效地提高了辨别真实与虚假火灾的能力。可以说信息融合技术已成为当代消防科技领域中最具有发展前途的高新技术，并取得了显著的效果。

进行信息融合的算法很多，如经典推理法、贝叶斯方法、卡尔曼滤波等。本文采用三层多传感器融合结构，将温度信号、烟雾浓度和co浓度做为火灾探测信号，采用专家系统和神经网络分别提取火灾经验特征和数据拟合特征；采用模糊系统为决策层，对上二种特征进行融合，最终得到火灾信号。本系统具有自适应、自学习等特点，可消除由单传感器失效或外来干扰引起的误报或漏报。决策层的模糊推理系统将神经网络融合结果与专家数据库查询结果进行模糊融合推理，降低了系统的误报率，提高了系统的抗干扰性。经仿真实验表明，该方法能对多种环境的火灾信号做出快速、有效的识别。

1基于数据融合的火灾探测原理

1．1火灾探测信号的特征 根据表现形式，火灾可分为慢速阴燃火、明火、快速火焰等种类。每一种火焰的早期特征具有不同的表现形式，因此反映火灾的各种信号也呈现出不同的特征。由于火灾事件很偶然，观察数据极少，因此火灾信号是事先未知的或不能确定的信号。通过对火灾机理的分析，可以知道环境温度、烟雾浓度、co含量、h2含量等均能反映火灾的进程。大量实验观察表明，这些参量及其变化率与火灾的状态存在着一定的映射关系。但是利用传感器得到的上述物理量信号并不只随火情而变化，环境变化(如气候、湿度、灰尘、电子噪声)和人为的其他活动及传感器的安装位置都可能引起信号的变化，而且这种变化的特征往往与火情特征相似，因此火灾检测与其他典型的信号检测相比是一种十分困难的信号检测问题。

1．2 基于数据融合的火灾探测系统原理

数据融合技术具有提高目标参量测量精度、消除干扰量影响、克服自身时漂老化等优点。数据融合的结构模型分为并行、串行、分散和树状等几种类型。本系统采用并行的分布式数据融合结构。系统结构如图1所示。

火灾数据融合系统具有三个融合层：信息层、特征层和决策层。信息层主要进行数据的采集、处理；特征层对来自传感器的信息进行特征提取；决策层充分利用特征级所提取的测量对象的各类特征信息，采用适当的融合技术实现最终的决策。 为全面、有效地监控火情信息，火灾探测系统常设置多种传感器。在火灾监测现场，选何种火情参数作为探测量及选多少个传感器进行探测是火灾探测中的一个重要因素。由于一般情况下，co在空气中的含量极低，只有燃烧发生时才使空气中co的含量急剧增加，所以针对co气体进行检测，将会在很大程度上反映出环境中有无燃烧现象的发生。同时在火灾发生时，又往往伴有温度的升高和烟雾浓度的增大，所以本火灾探测系统采用监测co的含量、环境温度和烟雾浓度的变化来实现对火灾的探测。 信息层中局部决策器采用单传感器探测的分析算法。通过对火灾发生情况分析可知，火情发生时通常在较短时间内伴随着较大的温升和co、烟雾浓度的急剧增加。因此本文采用速率检测算法，即通过检测被测信号的速率变化是否超过一定数值来判别有效火情信号。具体算法是当被测信号的速率变化连续超过某一门限达到一定次数时即可确认为有效火情信号。

定义累加函数o(k)为第i种多次累加采样值xi(k+1)与xi(k)的差值之和：

式中：u()为单位阶跃函数，θlim为报警门限。

当局部决策结果yi（k）(i=1，2，k，n)中任一个输出为1时，则表示某一种火灾监测信号出现非平稳变化。将此非平稳变化作为有效火情信号输入融合中心，完成信息层的处理。

特征层采用专家系统特征器和神经网络特征器来完成火灾特征的提取。专