CN105975991B - 一种改进的极限学习机火灾种类识别方法 - Google Patents

Abstract

一种改进的极限学习机的火灾种类识别方法，首先采用一氧化碳传感器、二氧化碳传感器、温度传感器、烟雾传感器、电流传感器获取代表不同火灾源表现特性的特征数据；为了后面处理数据方便和加快识别速度，对采集的数据进行归一化处理；然后将处理后的数据输入优化后的IELM网络模型进行识别，得到一个输出矩阵；最后根据输出矩阵来判断火灾燃烧物种类。本发明提供一种有效识别火灾种类、适应性良好、抗干扰能力较强、识别正确率较高的改进的极限学习机火灾种类识别方法。

Description

一种改进的极限学习机火灾种类识别方法

技术领域

本发明涉及智能火灾监控领域，尤其涉及一种对火灾种类的进行识别的方法。

背景技术

随着社会经济的发展，城市化趋势越来越明显，人口的大量聚集，建筑、财产和工业的相对集中，一些国民经济和社会生活中起着至关重要作用的特殊场所(如计算机，图文档案信息中心，集成电路生产车间等)越来越多，这些都加重了火灾所造成的危害，一旦发生火灾，将会给国家造成极大的经济损失。

现在对于火灾的检测的方法主要有两种，一种是基于传感器的火灾监控，一种是基于视频的火灾监控。

中国发明专利申请号为:201310725688.5公开了一种火灾自动报警方法，大气温度数据和多个气体浓度数据，并将所述多个温度数据和多个气体浓度数据发送至单片机控制系统；接收所述多个温度数据和多个气体浓度数据与预存储值对比后，生成特征数据；当所述特征数据超出预定值范围时，报警器工作；当所述特征数据没有超出预定值范围时，存储并更新所述特征数据。

中国发明专利申请号为:200910096854.3公开了一种利用火灾火焰进行识别的方法通过对视频流进行运动检测,获得运动像素；对视频流进行颜色检测,获得具有火焰特征颜色的像素；对所有符合运动检测和颜色检测火焰特征的像素点进行频域分析；搜索把所有符合相同特征且相互连接的像素组成的连通区域；对所得的连通区域计算其周长和面积,进行形状分析；对每个连通区域,进行面积改变量分析,最后判断火灾是否发生。

这两种方法中前者是通过在监控区域放置各种传感器，根据温度、烟雾、气体等物理量变化来对火灾进行监控。后者是通过在监控区域布置视频摄像头，根据火焰的色彩、纹理、半透明性、形状变化和飘动等特性进行分析检测。这两种检测方法都把重点放在检测是否有火灾发生，无法判断火灾燃烧物种类。而根据国家GB/T4968-2008火灾标准，火灾分为六类。A类指含碳的固体可燃物，如木材、棉、毛、纸等。B类指甲乙丙类液体和油类，如甲醇、乙醚、丙酮、汽油等。C类指可燃性气体如煤气、天然气、甲烷等。D类指可燃金属，如钾、纳、镁等。E类指带电火灾。F类指烹饪器具内的烹饪物火灾。针对不同类型火灾的扑救方法也不同，像D类火灾，就不能用二氧化碳灭火器，因为二氧化碳从灭火器喷出时温度低，使空气中的水蒸气凝成小水滴，钾、纳等遇水释放大量的热量，从而加重火灾程度。干粉灭火器对扩散很强的易燃气体如乙炔、氢气等，灭火效果也不佳。因为干粉喷射后很难使整个范围内的气体得到稀释。同时它也不宜用于对精密仪器、仪表的灭火，因为灭火后会留下残渣。如果在火灾发生之前我们就能识别出是何种火源产生的火灾，这样就能采取针对性进行处理，降低人身财产损失。

火灾的发生是一个复杂的过程，会伴随着多种类型的特征信号的产生。像二氧化碳、一氧化碳、温度、烟雾等。传统的火灾检测器往往是针对单一特征信号，如点型感烟探测器和点型感温探测器分别对烟雾粒子和热(温度)做出响应。单一参数火灾探测器对特征信号响应灵敏度不均匀而导致其探测能力受限，这样很容易造成误报和漏报。同时这种方法对环境的适应性和抗干扰能力较差。

发明内容

为了克服已有火灾检测方式的仅能单一检测火灾是否发生、无法识别火灾种类、适应性较差、抗干扰能力较差的不足，本发明提供一种有效识别火灾种类、适应性良好、抗干扰能力较强、识别正确率较高的改进的极限学习机火灾种类识别方法。

本发明解决其技术问题所采用的技术方案是：

一种改进的极限学习机的火灾种类识别方法，所述识别方法包括如下步骤：

步骤1：用一氧化碳传感器、二氧化碳传感器、温度传感器、烟雾传感器、电流传感器采集各种可燃物在燃烧初期一些特征值；一个样本集合表示为P＝{p₁,p₂,p₃,p₄,p₅,y_i}，p₁,p₂,p₃,p₄,p₅分别表示各传感器检测到的数据，y_i，i＝1,2…n表示可燃物种类；

步骤2：将每个样本的特征值都归一化到[-1,1]区间，同时对可燃物类型进行编码，过程如下：

h＝1,…,5，x_h为归一化后的值，p_max为5个传感器中最大的值，p_min为5个传感器中最小的值；

不同可燃物表示为：Y₁＝[1,0,0…,0]，Y₂＝[0,1,0,…,0]，......，Y_n＝[0,0,0,…,1]分别表示第一类可燃物，第二类可燃物，.......，第n类可燃物；

步骤3：初始化ELM网络模型和POS粒子群参数，过程如下：

3.1.确定ELM网络输入层、隐含层、输出层节点个数和隐含层的传输函数，输入层节点数为样本特征数，隐含层节点个数为L＝2*m+1，m为输入层节点数，输出层节点数为待区分的可燃物类型数；

3.2.初始化粒子群算法各类参数，包括种群大小K，加速因子c₁,c₂，惯性权重w，随机数r₁,r₂，粒子位置搜索范围[a_min,a_max]，速度搜索范围[V_min,V_max]；

3.3.初始化输入层与隐含层之间的连接权值ω，隐含层的阈值b；

步骤4：根据训练样本和步骤3确定的初始参数计算每个种群的适应度值，过程如下：

4.1.由训练样本和设定的网络参数得到ELM网络的输出为：

其中，x_j表示第j个样本的输入值，j＝1,2…N，N表示样本总数，t_j为第j个样本的输出值，β_i表示隐含层第i个节点与输出层之间的连接权值，ω_i表示输入层与隐含层第i个节点之间的连接权值，b_i为隐含层第i个节点的阈值，当激励函数为g(x)，含一个隐含层神经元节点的前馈神经网络以零误差逼近N个训练样本时，存在β,ω,b使得

简化得Hβ＝Y,从而解得输出权值β＝H⁺Y，H为隐含层输出矩阵，Y为期望输出矩阵，H⁺为隐含层输出矩阵的Moore-Penrose广义逆；

4.2.计算Hβ＝T，然后比较计算所得T与期望输出Y，统计分类错误总个数MisClassication，则适应度

步骤5：确定最大迭代数，用粒子群算法寻找使fitness最小的β，过程如下：

5.1.对粒子速度和位置进行更新：

其中w＝w_max-(w_max-w_min)·t/t_max，t为当前迭代次数，w_max为最大惯性权重，w_min为最小惯性权重，t_max为最大迭代次数，为个体最优值，为种群最优值，β_kd(t)为当前粒子值，下标k表示第k个粒子，k＝1,2…K，d表示粒子的第d维；

β_kd(t+1)＝β_kd(t)+V_kd(t+1)

5.2.判断更新后的V_kd,β_kd是否超过规定的范围，若V_kd＞V_max，则V_kd＝V_max，若V_kd＜V_min，则V_kd＝V_min；

若β_kd＞β_max，则β_kd＝β_max，若β_kd＜β_min，则β_kd＝β_min；

5.3.把目前得到的新位置β_kd根据步骤4.2计算得到新的fitness，然后进行个体最优更新，如果当前适应度f_kd＜f_kbest，则f_kbest＝f_kd，f_kd为当前适应度值，f_kbest为个体最优适应度值；

5.4.进行群体最优值更新，如果f_kd＜f_gd，则f_gd＝f_kd，其中f_gd为全局最优适应度值；

5.5.判断是否满足最大迭代次数或最小误差精度，若不满足，跳转到5.1，继续迭代，否则迭代结束，算法最终优化结果即为ELM网络隐含层和输出层之间最优权值β；

步骤6：利用步骤5训练得到的β构造一个完整的ELM网络进行识别可燃物类型，若现在传感器采集到一个新样本z＝[z₁,z₂,z₃,z₄,z₅]，对其进行归一化后输入ELM网络便得到一个输出Y＝[q₁,q₂,…,q_n]，根据步骤2中对可燃物的编码规则，若输出矩阵中q_i最大，则就表示发生火灾的是第i类可燃物。

进一步，所述步骤4.1中，激励函数g(x)为Sigmoid函数。

再进一步，所述步骤4.1中，求解β的方法为最小二乘法。

本发明的技术构思为：使用极限学习机作为可燃物识别的网络模型。极限学习机是一种特殊的单隐层前馈神经网络，其输入层与隐含层之间的权值和隐含层的阈值都是随机产生的，输出层的权值是通过计算获得，在训练过程中不需要调整网格参数，只需要设置隐含层神经元个数即可获得唯一的全局最优解，这就很好的克服了传统BP神经网络存在的训练时间长，过拟合问题。

当然ELM极限学习机网络存在随机产生权值，阈值参数的缺点，使得模型的泛化能力不强，稳定性不强。因此，本方法用POS粒子群算法来对ELM模型参数进行寻优，提高模型的泛化能力和稳定性。

将ELM极限学习机网络应用于火灾种类的识别，同时结合了数据融合和POS粒子群算法，搭建一个区别于现有火灾检测系统，弥补现有检测技术的缺陷。

本发明的有益效果是：通过处理多个不同传感器数据，避免现在单一传感器对火灾检测的误报、漏报。利用ELM相对传统BP神经网络学习速度快的优点，把该网络作为火灾可燃物的识别网络。结合粒子群算法，实现对火灾可燃物快速有效的识别。本发明不仅能对火灾的发生作出预警，还能识别火灾源的类型，对火灾的扑救提供一定的参考。所以此检测方法在实现传统火灾检测的功能外，还可以判断出火灾源的类型，为火灾的处理提供参考，更好降低对火灾误处理造成的损失。

附图说明：

图1是典型ELM网络结构图。

图2是火灾种类学习和识别的过程图。

图3是粒子群算法迭代过程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图3，一种改进的极限学习机(IELM)火灾种类识别方法，所述识别方法包括如下步骤：

步骤1：用一氧化碳传感器、二氧化碳传感器、温度传感器、烟雾传感器、电流传感器采集各种可燃物在燃烧初期一些特征值；一个样本集合表示为P＝{p₁,p₂,p₃,p₄,p₅,y_i}，p₁,p₂,p₃,p₄,p₅分别表示各传感器检测到的数据，y_i，i＝1,2…n表示可燃物种类。

步骤2：为了缩小各个特征之间的差异，防止较大特征值过度影响较小特征值，将每个样本的特征值都归一化到[-1,1]区间，同时对可燃物类型进行编码。过程如下：

h＝1,…,5，x_h为归一化后的值，p_max为5个传感器中最大的值，p_min为5个传感器中最小的值；

不同可燃物表示为：Y₁＝[1,0,0…,0]，Y₂＝[0,1,0,…,0]，......，Y_n＝[0,0,0,…,1]分别表示第一类可燃物，第二类可燃物，.......，第n类可燃物。

步骤3：初始化ELM网络模型和POS粒子群参数。过程如下：

3.1.确定ELM网络输入层、隐含层、输出层节点个数和隐含层的传输函数，输入层节点数为样本特征数，隐含层节点个数为L＝2*m+1，m为输入层节点数，输出层节点数为待区分的可燃物类型数；

3.2.初始化粒子群算法各类参数，包括种群大小K，加速因子c₁,c₂，惯性权重w，随机数r₁,r₂，粒子位置搜索范围[a_min,a_max]，速度搜索范围[V_min,V_max]；

3.3.初始化输入层与隐含层之间的连接权值ω，隐含层的阈值b；

步骤4：根据训练样本和步骤3确定的初始参数计算每个种群的适应度值。过程如下：

4.1.由训练样本和设定的网络参数得到ELM网络的输出为：

其中，x_j表示第j个样本的输入值，j＝1,2…N，N表示样本总数，t_j为第j个样本的输出值，β_i表示隐含层第i个节点与输出层之间的连接权值，ω_i表示输入层与隐含层第i个节点之间的连接权值，b_i为隐含层第i个节点的阈值，当激励函数为g(x)，含一个隐含层神经元节点的前馈神经网络以零误差逼近N个训练样本时，存在β,ω,b使得

简化得Hβ＝Y,从而解得输出权值β＝H+Y，H为隐含层输出矩阵，Y为期望输出矩阵，H+为隐含层输出矩阵的Moore-Penrose广义逆；

4.2.计算Hβ＝T，然后比较计算所得T与期望输出Y，统计分类错误总个数MisClassication，则适应度

步骤5：确定最大迭代数，用粒子群算法寻找使fitness最小的ω_i,b_i。过程如下：

5.1.对粒子速度和位置进行更新：

其中w＝w_max-(w_max-w_min)·t/t_max，t为当前迭代次数，w_max为最大惯性权重，w_min为最小惯性权重，t_max为最大迭代次数，为个体最优值，为种群最优值，β_kd(t)为当前粒子值，下标k表示第k个粒子，k＝1,2…K，d表示粒子的第d维；

β_kd(t+1)＝β_kd(t)+V_kd(t+1)

5.2.判断更新后的V_kd,β_kd是否超过规定的范围，若V_kd＞V_max，则V_kd＝V_max，若V_kd＜V_min，则V_kd＝V_min；

若β_kd＞β_max，则β_kd＝β_max，若β_kd＜β_min，则β_kd＝β_min；

5.3.把目前得到的新位置β_kd根据步骤4.2计算得到新的fitness，然后进行个体最优更新，如果当前适应度f_kd＜f_kbest，则f_kbest＝f_kd，f_kd为当前适应度值，f_kbest为个体最优适应度值；

5.4.进行群体最优值更新，如果f_kd＜f_gd，则f_gd＝f_kd，其中f_gd为全局最优适应度值；

5.5.判断是否满足最大迭代次数或最小误差精度，若不满足，跳转到5.1，继续迭代，否则迭代结束，算法最终优化结果即为ELM网络隐含层和输出层之间最优权值β。

步骤6：利用步骤5训练得到的β构造一个完整的ELM网络进行识别可燃物类型，若现在传感器采集到一个新样本z＝[z₁,z₂,z₃,z₄,z₅]，对其进行归一化后输入ELM网络便得到一个输出Y＝[q₁,q₂,…,q_n]，根据步骤2中对可燃物的编码规则，若输出矩阵中q_i最大，则就表示发生火灾的是第i类可燃物。

所述步骤4.1中，激励函数g(x)为Sigmoid函数。

所述步骤4.1中，求解β的方法为最小二乘法。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (3)

1.一种改进的极限学习机的火灾种类识别方法，其特征在于：所述识别方法包括如下步骤：

步骤1：用一氧化碳传感器、二氧化碳传感器、温度传感器、烟雾传感器、电流传感器采集各种可燃物在燃烧初期一些特征值；一个样本集合表示为P＝{p₁,p₂,p₃,p₄,p₅,y_i}，p₁,p₂,p₃,p₄,p₅分别表示各传感器检测到的数据，y_i，i＝1,2···n表示可燃物种类；

步骤2：将每个样本的特征值都归一化到[-1,1]区间，同时对可燃物类型进行编码，过程如下：

h＝1,···,5，x_h为归一化后的值，p_max为5个传感器中最大的值，p_min为5个传感器中最小的值；

不同可燃物表示为：Y₁＝[1,0,0···,0]，Y₂＝[0,1,0,···,0]，......，Y_n＝[0,0,0,···,1]分别表示第一类可燃物，第二类可燃物，.......，第n类可燃物；

步骤3：初始化ELM网络模型和POS粒子群参数，过程如下：

3.1.确定ELM网络输入层、隐含层、输出层节点个数和隐含层的传输函数，输入层节点数为样本特征数，隐含层节点个数为L＝2*m+1，m为输入层节点数，输出层节点数为待区分的可燃物类型数；

3.2.初始化粒子群算法各类参数，包括种群大小K，加速因子c₁,c₂，惯性权重w，随机数r₁,r₂，粒子位置搜索范围[a_min,a_max]，速度搜索范围[V_min,V_max]；

3.3.初始化输入层与隐含层之间的连接权值ω，隐含层的阈值b；

步骤4：根据训练样本和步骤3确定的初始参数计算每个种群的适应度值，过程如下：

4.1.由训练样本和设定的网络参数得到ELM网络的输出为：

其中，x_j表示第j个样本的输入值，j＝1,2···N，N表示样本总数，t_j为第j个样本的输出值，β_i表示隐含层第i个节点与输出层之间的连接权值，ω_i表示输入层与隐含层第i个节点之间的连接权值，b_i为隐含层第i个节点的阈值，当激励函数为g(x)，含一个隐含层神经元节点的前馈神经网络以零误差逼近N个训练样本时，存在β,ω,b使得

简化得Hβ＝Y，从而解得输出权值β＝H⁺Y，H为隐含层输出矩阵，Y为期望输出矩阵，H⁺为隐含层输出矩阵的Moore-Penrose广义逆；

4.2.计算Hβ＝T，然后比较计算所得T与期望输出Y，统计分类错误总个数MisClassication，则适应度

步骤5：确定最大迭代数，用粒子群算法寻找使fitness最小的β，过程如下：

5.1.对粒子速度和位置进行更新：

其中w＝w_max-(w_max-w_min)·t/t_max，t为当前迭代次数，w_max为最大惯性权重，w_min为最小惯性权重，t_max为最大迭代次数，为个体最优值，为种群最优值，β_kd(t)为当前粒子值，下标k表示第k个粒子，k＝1,2···K，d表示粒子的第d维；

β_kd(t+1)＝β_kd(t)+V_kd(t+1)

5.2.判断更新后的V_kd,β_kd是否超过规定的范围，若V_kd＞V_max，则V_kd＝V_max，若V_kd＜V_min，则V_kd＝V_min；

若β_kd＞β_max，则β_kd＝β_max，若β_kd＜β_min，则β_kd＝β_min；

5.3.把目前得到的新位置β_kd根据步骤4.2计算得到新的fitness，然后进行个体最优更新，如果当前适应度f_kd＜f_kbest，则f_kbest＝f_kd，f_kd为当前适应度值，f_kbest为个体最优适应度值；

5.4.进行群体最优值更新，如果f_kd＜f_gd，则f_gd＝f_kd，其中f_gd为全局最优适应度值；

5.5.判断是否满足最大迭代次数或最小误差精度，若不满足，跳转到5.1，继续迭代，否则迭代结束，算法最终优化结果即为ELM网络隐含层和输出层之间最优权值β；

步骤6：利用步骤5训练得到的β构造一个完整的ELM网络进行识别可燃物类型，若现在传感器采集到一个新样本z＝[z₁,z₂,z₃,z₄,z₅]，对其进行归一化后输入ELM网络便得到一个输出Y＝[q₁,q₂,···,q_n]，根据步骤2中对可燃物的编码规则，若输出矩阵中q_i最大，则就表示发生火灾的是第i类可燃物。

2.如权利要求1所述的一种改进的极限学习机的火灾种类识别方法，其特征在于：所述步骤4.1中，激励函数g(x)为Sigmoid函数。

3.如权利要求1或2所述的一种改进的极限学习机的火灾种类识别方法，其特征在于：所述步骤4.1中，求解β的方法为最小二乘法。