1.基于QPSO‑BP神经网络的火灾智能预警系统的预警方法，其特征在于：预警系统包括烟雾传感器、CO浓度传感器、温度传感器、AD转换模块、树莓派4B开发板、无线网络和物联网设备；在每一个火灾检测点分别设有烟雾传感器、CO浓度传感器、温度传感器、AD转换模块和树莓派4B开发板，且每一所述温度传感器均与对应所述树莓派4B开发板电性连接，并分别将检测到的数据传输到对应树莓派4B开发板中进行本地存储；每一所述烟雾传感器和CO浓度传感器分别通过AD转换模块与对应所述树莓派4B开发板电性连接，且AD转换模块将检测到的模拟量信号转换成数字信号，并分别传输到对应树莓派4B开发板中进行本地存储；

每一所述树莓派4B开发板均通过无线网络与所述物联网设备连接进行交互通信，将检测到的数据传输到物联网设备，实时判断火灾发生概率并进行输出；

其预警方法采用QPSO算法优化BP神经网络来实现火灾预警，且QPSO算法的运行过程包括以下步骤：(1)数据预处理：将传感器采集的数据进行归一化处理，即将原始的数据统一到0和1之间；

(2)BP神经网络结构确定：根据问题描述确定BP神经网络的输入与输出、隐含层节点数以及激活函数，进而确定BP神经网络的结构；

(3)QPSO算法优化权值和阈值：使用QPSO算法优化BP神经网络的权值和阈值，将产生的初始权值和阈值作为QPSO算法的输入，再通过粒子寻优确定最优的权值和阈值，并输出给BP神经网络；

在上述步骤中，采用QPSO算法优化权值和阈值的具体流程为：(3.1)确定量子粒子群的解码方案，将BP神经网络随机产生的初试权值、阈值与粒子群进行对应；

(3.2)初始化量子粒子群，并设定种群参数；

(3.3)进行粒子寻优确定个体最优值和全局最优值，通过量子粒子群的解码方案转换为权值和阈值；

(3.4)确定适应度函数，优化权值、阈值的评价标准，即期望输出与实际输出基本吻合，假设w是样本的数量，y1为网络的实际输出，y2是网络的期望输出，则适应度函数为：(3.5)按照QPSO的设定更新粒子群的信息；

(3.6)根据适应度函数计算粒子适应度，并对粒子的状态进行评价；

(3.7)如果满足QPSO算法终止条件，则输出结果，并将当前的最优值作为BP神经网络的权值和阈值；如果不满足QPSO算法终止条件，则转入步骤(3.3)继续进行计算；

(4)BP神经网络预测：BP神经网络用QPSO算法得到的最优个体对网络初始权值和阈值进行赋值，再通过网络训练，输出火灾的预测值。

2.根据权利要求1所述的基于QPSO‑BP神经网络的火灾智能预警系统的预警方法，其特征在于：每一所述烟雾传感器采用的型号均为MQ‑2；每一所述CO浓度传感器采用的型号均为MQ‑7；每一所述温度传感器采用的型号均为DHT11；每一所述AD转换模块采用的型号均为PCF8591。

3.根据权利要求1所述的基于QPSO‑BP神经网络的火灾智能预警系统的预警方法，其特征在于：每一所述树莓派4B开发板均自带BCM54213 WiFi模块，且利用树莓派4B开发板自带的BCM54213 WiFi模块，再通过无线网络将检测到的数据传输到物联网设备。

4.根据权利要求1所述的基于QPSO‑BP神经网络的火灾智能预警系统的预警方法，其特征在于：所述物联网设备为电脑端、手机APP、消防系统或智能家居。

5.根据权利要求1所述的基于QPSO‑BP神经网络的火灾智能预警系统的预警方法，其特征在于：在上述步骤(1)中，传感器采集数据的同质化处理为：其中，输入为H个传感器在t时刻的信号x(t)＝(x1(t),x2(t),…,xN(t))，同质转换后的输出信号为y(t)＝(y1(t),y2(t),…,yN(t))；

经过同质化处理后，则采用公式(4)对数据进行归一化处理：其中，yi(t)是上一步同质化输出的数据，x′i(t)是对其进行归一化送到BP神经网络的数据。

6.根据权利要求1所述的基于QPSO‑BP神经网络的火灾智能预警系统的预警方法，其特征在于：在上述步骤(2)中，确定BP神经网络结构的具体流程为：(2.1)确定网络输入层和输出层：网络的输入层节点数为3，分别是温度数据，烟雾浓度数据和CO浓度数据；网络的输出层节点数为3，分别是无火概率、阴燃火概率和明火概率；

(2.2)确定隐含层节点数：采用试验法进行隐含层节点数数量的选择，其公式为：其中，式中n是隐含层的节点数量，n1是输入层的节点数量，n2是输出层的节点数量，n3是在0到10之间的常数；

通过公式(5)，结合BP神经网络训练时的输出结果，经过试验确定隐含层节点数为8；

(2.3)确定激活函数：引入非线性函数作为网络的激活函数。

7.根据权利要求6所述的基于QPSO‑BP神经网络的火灾智能预警系统的预警方法，其特征在于：在上述步骤(2.3)中，常用的非线性函数为以下三种类型，且采用S型激活函数作为网络的激活函数：(2.3.1)阈值型激活函数，通过设定阈值u将输入变为0或者1两种数值，且其函数关系式为：(2.3.2)分段线性型激活函数，且其函数关系式为：

(2.3.3)S型激活函数，将输入转化为0到1的范围之内，且其对数函数关系式为：双曲正切函数关系式为：

8.根据权利要求1所述的基于QPSO‑BP神经网络的火灾智能预警系统的预警方法，其特征在于：在上述步骤(4)中，网络训练的具体过程为：(4.1)设BP神经网络隐含层的节点为i，则其输入变量neti为：其输出变量yi为：

其中，θi是隐含层第i个节点的阈值；

(4.2)设BP神经网络输出层的节点为k，则其输入变量netk为：其输出变量ok为：

其中，θi是隐含层第i个节点的阈值；ak是输出层第k个节点的阈值；

(4.3)通过公式(15)计算输出层节点k的误差ek，即实际值与预测值的差值：ek＝yk‑ok                       (15)(4.4)通过评价输出误差进而更新隐含层和输出层的权值、阈值，且输出层权值调整如公式(16)：隐含层权值调整如公式(17)：

其中，E是总误差，且其计算公式为 是隐含层的激活函数；ψ′(x)是输出层的激活函数；

(4.5)判断结果是否满足终止条件，如果满足终止条件则输出结果，QPSO算法结束；如果不满足终止条件则返回(4.1)继续进行计算。