In recent years, the development of fire detectors has attracted the attention of researchers for the purpose of protecting human lives and properties from catastrophic fire disasters. However, monitoring fires is challenging due to several unique characteristics of fire sensor signals, such as the existence of temporal dependency and diverse signal patterns for different fire types, including flaming, heating, and smoldering fires. In this study, we propose a new approach for fire detection based on machine learning and optimization techniques, to monitor various types of fire by utilizing information obtained via multichannel fire sensor signals. The contribution of this study is to improve an existing fire detector by developing a new fire monitoring framework to identify fire based on support vector machine with dynamic time warping kernel function (SVM-DTWK), which considers the temporal dynamics existing in the sensor signals of different fire types. In addition, multichannel sensor signals are further considered by the SVM-DTWK with a multi-modeling framework that constructs multiple classifiers for each sensor type and effectively utilizes sensor information that is critical for the detection of fires without prior knowledge of the fire type. Using real-life fire data, the proposed approach is compared with existing fire monitoring methods and achieves superior performance in terms of both fire detection time and false alarm rate.

近年来，为了保护人类生命和财产免受灾难性火灾的影响，火灾探测器的发展引起了研究人员的关注。但是，由于火灾传感器信号的几个独特特性（例如存在时间依赖性和针对不同火灾类型（包括明火，高温和阴燃性火灾）的不同信号模式）的存在，监视火灾具有挑战性。在这项研究中，我们提出了一种基于机器学习和优化技术的火灾探测新方法，以利用通过多通道火灾传感器信号获得的信息来监视各种类型的火灾。这项研究的目的是通过开发一种新的火灾监控框架来改进现有的火灾探测器，该框架基于具有动态时间规整核函数（SVM-DTWK）的支持向量机来识别火灾，该支持向量机考虑了传感器信号中存在的时间动态。不同的火种。此外，SVM-DTWK还考虑了具有多建模框架的多通道传感器信号，该框架为每种传感器类型构造了多个分类器，并有效利用了对火灾检测至关重要的传感器信息，而无需事先了解火灾类型。通过使用真实的火灾数据，将所提出的方法与现有的火灾监控方法进行比较，并且在火灾检测时间和误报率方面均具有出色的性能。它考虑了不同火灾类型的传感器信号中存在的时间动态。此外，SVM-DTWK还考虑了具有多建模框架的多通道传感器信号，该框架为每种传感器类型构造了多个分类器，并有效利用了对火灾检测至关重要的传感器信息，而无需事先了解火灾类型。通过使用真实的火灾数据，将所提出的方法与现有的火灾监控方法进行比较，并且在火灾检测时间和误报率方面均具有出色的性能。它考虑了不同火灾类型的传感器信号中存在的时间动态。此外，SVM-DTWK还考虑了具有多建模框架的多通道传感器信号，该框架为每种传感器类型构造了多个分类器，并有效利用了对火灾检测至关重要的传感器信息，而无需事先了解火灾类型。通过使用真实的火灾数据，将所提出的方法与现有的火灾监控方法进行比较，并且在火灾检测时间和误报率方面均具有出色的性能。SVM-DTWK进一步考虑了具有多建模框架的多通道传感器信号，该框架为每种传感器类型构造了多个分类器，并有效利用了对火灾检测至关重要的传感器信息，而无需事先了解火灾类型。通过使用真实的火灾数据，将所提出的方法与现有的火灾监控方法进行比较，并且在火灾检测时间和误报率方面均具有出色的性能。SVM-DTWK进一步考虑了具有多建模框架的多通道传感器信号，该框架为每种传感器类型构造了多个分类器，并有效利用了对火灾检测至关重要的传感器信息，而无需事先了解火灾类型。通过使用真实的火灾数据，将所提出的方法与现有的火灾监控方法进行比较，并且在火灾检测时间和误报率方面均具有出色的性能。