CN112614298A - 一种基于类内交互约束分层单分类的复合烟感监测方法 - Google Patents

Abstract

本发明公开了一种基于类内交互约束分层单分类的复合烟感监测方法。本发明步骤：采集只包含正常类的训练数据样本集并进行预处理；训练多个类内交互距离约束随机自编码器WID‑RAE进行特征学习，得到重构的特征值；计算分类学习的输出权重β，将重构的编码特征Y^k输入ELM分类层，并得到实际输出：计算单分类器决策阈值θ，将实际输出和期望输出的误差距离进行从大到小排序，根据预定义的阈值参数，确定正常类和异常类的阈值；输入测试数据进行测试，将包含正常类和异常类的测试数据输入到基于WID‑RAE的分层单分类器模型中，测试该模型的识别效果。本发明能够快速准确地对烟感中传感器的数据进行检测识别，并与自动报警系统联动，便于快速报警并及时通知人员来处理。

Description

一种基于类内交互约束分层单分类的复合烟感监测方法

技术领域

本发明涉及信号装置或呼叫装置，特别涉及一种基于类内交互约束分层单分类的复合烟感监测方法。

背景技术

烟雾报警器是通过探测火灾初期产生的烟雾粒子来实现火灾防范的报警装置。然而在烟感安装之后，由于缺少及时的维护，使得内部积灰过多，导致被误认为是烟气而引起误报。类似地，水蒸气的气雾也可能引起烟感误报。为了解决上述问题，现有的技术中，复合式感烟感温火灾探测器采用烟雾传感器件和半导体温度传感器件构成的多元复合探测器作为烟感进行探测，这在一定程度上降低了烟感的误报率，但是依然需要人工进行判别，效率低下。

发明内容

本发明的目的是针对现有技术的不足，提供一种基于类内交互约束分层单分类的复合烟感监测方法。

本发明解决其技术问题所采用的技术方案如下：

本发明主要包括如下步骤：

步骤1、通过在新安装、短期内安装或者进行维护过的正常工作的复合烟感器上，采集多传感器的物理量，组成只包含正常类的训练数据样本集，并对训练数据样本进行分帧加窗、去噪和特征归一化的预处理；

步骤2、根据预处理后的训练数据样本集训练多个类内交互距离约束随机自编码器WID-RAE进行特征学习，得到重构的特征值，具体如下：

2-1、记归一化后的训练数据样本集为X＝[x₁,x₂,...,x_N],即WID-RAE的输入和输出矩阵。

2-2、随机生成隐藏层输入权值矩阵

和正交化偏置向量矩阵

并计算隐藏层输出矩阵[H]_N×L＝g(WX+b·1^T)^T；将输入的训练数据样本集X映射到相同或不同的数据维度空间：h_k＝g(w_kx_i+b_k),(w_k)^Tw_k＝I,(b_k)^Tb_k＝1，其中：g(·)表示激活函数，k＝1,2,...,K是WID-RAE的个数，I是单位向量。

2-3、求解WID-RAE的编码特征Y^k，具体实现如下：

首先计算WID-RAE的损失函数：

其中C是正则化参数，

是第i个样本和第j个样本之间的相似度，

D是一个对角矩阵，其对角元素为

通过基于动量的随机梯度下降法对β进行求解，其关于β梯度为：

设WID-RAE个数为K，初始化Y⁰＝X，第(k-1)层的输出为Y^k-1，那么第k层的输出Y^k＝g(β^kY^k-1),k＝1,...,K。

步骤3、计算分类学习的输出权重β，将重构的编码特征Y^k输入ELM分类层，并得到实际输出：

3-1、经过多层类内交互距离约束随机自编码器WID-RAE得到输出Y^K，ELM分类层的输出权重为：

若N＜L^K，

若N≥L^K，

其中L^K是第K个WID-RAE的隐藏层神经元个数，t＝[t,...,t]^T是期望输出。

3-2、得到实际输出

步骤4、计算单分类器决策阈值θ，将实际输出和期望输出的误差距离进行从大到小排序，根据预定义的阈值参数，确定正常类和异常类的阈值；

4-1、计算实际输出o_i与期望输出t的误差，ε(x_i)＝|o_i-t|,i＝1,...,N。

4-2、将得到的误差距离进行从大到小排序，ε＝[ε₁,...,ε_N]，得到ε₁≥...≥ε_N，其中ε₁和ε_N分别表示最大和最小的距离误差。

4-3、设置阈值参数μ，得到决策阈值θ＝ε_{floor(μ·N+1)}。其中floor(a)表示取不大于a的最大整数。

步骤5、输入测试数据进行测试，将包含正常类和异常类的测试数据输入到基于WID-RAE的分层单分类器模型中，测试该模型的识别效果；

5-1、给定一系列测试样本{(x′_i,t′_i)|x′_i∈R^d,t′∈R,i＝1,...,P}，其中x′_i表示第i个样本，t′_i＝1表示其为正常样本，t′_i≠1表示其为异常样本，P为总共的测试样本数量。

5-2、输入到多层WID-RAE得到每层输出Y′^k＝g(β^kY′^k-1)，则最后一层WID-RAE输出为Y′^K＝[y′₁ ^K,...,y′_P ^K]。

5-3、输入到ELM分类层得到实际输出o′_i＝(y′_i ^K)^Tβ，计算实际输出与期望输出的误差距离ε(x′_i)＝|o′_i-t′_i|,i＝1,...,P。

5-4、将得到的误差距离ε′＝[ε′₁,...,ε′_P]与单分类器阈值θ比较：

当ε′_i＜θ，x′_i属于正常类，否则属于异常类。

5-5、若识别为异常，则立即联动报警。

基于类内交互约束分层单分类的复合烟感监测方法使用的系统包括烟雾传感器、湿敏传感器和气敏传感器，主控芯片以及报警模块。当识别为异常时，主控芯片用于发送指令给报警模块后启动报警。

本发明通过在新安装、短期内安装或者进行维护过的正常工作的复合烟感器上，采集烟感中的烟雾传感器，湿敏传感器和气敏传感器在一段时间内的物理量，并组成未报警状态下的特征样本库，训练基于WID-RAE的分层单分类器。

本发明主要实现流程如下：首先，在新安装、短期内安装或者进行维护过的正常工作的复合烟感器上，采集得到一段时间内烟感中烟雾传感器，湿敏传感器和气体传感器的物理量；将以上三组物理量组合成正常情况下的样本特征库；将得到的样本数据集输入基于类内交互距离约束随机自编码器(WID-RAE)的分层单分类器中，得到每一个样本的实际输出；然后计算出实际输出和期望输出的距离误差向量，并对其进行排序，根据预定义的阈值参数确定正常和异常类的决策阈值；最后，将测试数据输入到该分层单分类器模型，若识别为异常，联动报警系统发出异常信号。

本发明有益效果如下：

本发明通过采集正常情况下，烟雾传感器、湿敏传感器和气体传感器观测到的物理量组成样本数据集构建烟感异常检测模型。对当下的烟感情况进行智能识别，不需要人工判别，能够及时高效的联动报警系统发出报警信号。从而能够快速准确地对烟感中传感器的数据进行检测识别，并与自动报警系统联动，便于快速报警并及时通知人员来处理。在一般的环境下，烟感的老化速度、积灰速度是基本一致的，在非极端情况下，本发明有较强的适用性。

本发明在烟感中置入了湿敏传感器和气敏传感器，建立多传感通道，通过获取多通道的检测值，组合得到正常情况特征样本库，基于此训练单分类模型，在单分类模型下，不在需要人工触发异常的烟感报警进行数据采集，减少了样本的采集的成本。此外。使用基于堆叠的WID-RAE的分层单分类器，提高模型抗干扰能力，明显降低烟感的误报率。而对于WID-RAE，通过最小化特征空间中样本之间的两两距离，能够在有效融合多特征的同时，最小化类内方差使得正常样本更加聚集，从而提高烟雾异常检测算法模型的鲁棒性。

附图说明

图1为本发明实施例烟雾报警器的结构示意图；

图2为本发明实施例中基于分层单分类器的烟雾异常检测模型的流程图；

具体实施方式

下面结合实施例对本发明做进一步的详细描述，但本发明的保护范围并不限于此。

如图1所示，本发明的烟雾报警器包括：

气敏传感器，与主控芯片连接，用于检测空气流速；烟雾传感器用于检测空气中的烟雾浓度，湿敏传感器用于检测温度和湿度。主控芯片中包含烟雾异常检测模型，联动报警系统，实时监测传感器检测值，如果超过报警阈值，报警模块收到控制信号后进行报警。

如图2所示，本发明中基于分层单分类器的烟雾异常检测模型的具体流程如下，首先通过在烟感中置入湿敏传感器和气敏传感器，建立多传感器通道，采集多通道的检测值拼接得到特征样本库，经过归一化处理之后，将只包含未发生报警的样本数据作为训练集进行模型训练，然后将包含未发生报警和发生报警的样本数据作为测试集，可以实时准确地基于结果进行报警或继续监测。

以下结合图1对本发明的实施方法作进一步说明。

步骤1、采集多传感器的物理量，组成只包含正常类的训练样本集，并进行特征归一化；

1-1、在烟感内置入湿敏传感器和气敏传感器，将各种传感器测量的物理量拼接后得到特征向量，每隔半个小时采集一次烟感未报警状态下的特征向量组成特征样本库，并进行归一化处理。

步骤2、将归一化后的训练样本经过多层WID-RAE自编码器进行编码和解码处理，得到重构的特征值；

2-1、随机生成隐藏层输入权值矩阵

和正交化偏置向量矩阵

计算h_k＝g(w_kx+b_k),(w_k)^Tw_k＝I,(b_k)^Tb_k＝1，其中：g(·)表示激活函数，k＝1,2,...,K是WID-RAE的个数，I是单位向量。

2-2、通过基于动量的随机梯度下降法对β进行求解，其关于β梯度为：

将WID-RAE的个数设置为K＝3，记Y⁰＝X，第(k-1)层的输出为Y^k-1，那么第k层的输出Y^k＝g(β^kY^k-1),k＝1,...,3。

步骤3、计算分类学习的输出权重β，将重构的特征值输入ELM分类层，并得到实际输出；

3-1、经过三层WID-RAE网络得到输出Y³，ELM分类层的输出权重为：

若N＜L³，

若N≥L³，

其中L³是第3个WID-RAE的隐藏层神经元个数，t＝[t,...,t]^T＝[1,...,1]^T是期望输出。

3-2、得到实际输出

步骤4、计算单分类器决策阈值θ，将实际输出和期望输出的误差距离进行从大到小排序，根据预定义的阈值参数，确定正常类和异常类的阈值；

4-1、计算实际输出o_i与期望输出t的误差，ε(x_i)＝|o_i-t|,i＝1,...,N。

4-2、将得到的误差距离进行从大到小排序，ε＝[ε₁,...,ε_N]，得到ε₁≥...≥ε_N，其中ε₁和ε_N分别表示最大和最小的距离误差。

4-3、设置阈值参数μ，得到决策阈值θ＝ε_{floor(μ·N+1)}。其中floor(a)表示取不大于a的最大整数。例如，有100个训练样本，阈值参数μ＝0.1，则决策阈值θ＝ε_{floor(0.1×100+1)}＝ε₁₁。

步骤5、输入测试数据进行测试，将包含正常类和异常类的测试数据输入到基于WID-RAE的分层单分类器模型中，测试该模型的识别效果；

5-1、给定一系列测试样本{(x′_i,t′_i)|x′_i∈R^d,t′∈R,i＝1,...,P}，其中x′_i表示第i个样本，t′_i＝1表示其为正常样本，t′_i≠1表示其为异常样本，P为总共的测试样本数量。

5-2、输入到多层WID-RAE得到每层输出Y′^k＝g(β^kY′^k-1)，则最后一层WID-RAE输出为Y′^K＝[y′₁ ^K,...,y′_P ^K]。

5-3、输入到ELM分类层得到实际输出o′_i＝(y′_i ^K)^Tβ，计算实际输出与期望输出的误差距离ε(x′_i)＝|o′_i-t′_i|,i＝1,...,P。

5-4、将得到的误差距离ε′＝[ε′₁,...,ε′_P]与单分类器阈值θ比较：

当ε′_i＜θ，x′_i属于正常类，否则属于异常类。

5-5、若识别为异常，则立即联动报警。

Claims (5)

1.一种基于类内交互约束分层单分类的复合烟感监测方法，其特征在于包括如下步骤：

步骤1、通过在新安装、短期内安装或者进行维护过的正常工作的复合烟感器上，采集多传感器的物理量，组成只包含正常类的训练数据样本集，并对训练数据样本进行分帧加窗、去噪和特征归一化的预处理；

步骤2、根据预处理后的训练数据样本集训练多个类内交互距离约束随机自编码器WID-RAE进行特征学习，得到重构的特征值；

步骤3、计算分类学习的输出权重β，将重构的编码特征Y^k输入ELM分类层，并得到实际输出：

步骤4、计算单分类器决策阈值θ，将实际输出和期望输出的误差距离进行从大到小排序，根据预定义的阈值参数，确定正常类和异常类的阈值；

步骤5、输入测试数据进行测试，将包含正常类和异常类的测试数据输入到基于WID-RAE的分层单分类器模型中，测试该模型的识别效果。

2.根据权利要求1所述的.一种基于类内交互约束分层单分类的复合烟感监测方法，其特征在于步骤2具体实现如下：

2-1、记归一化后的训练数据样本集为X＝[x₁,x₂,...,x_N],即WID-RAE的输入和输出矩阵；

2-2、随机生成隐藏层输入权值矩阵

和正交化偏置向量矩阵

并计算隐藏层输出矩阵[H]_N×L＝g(WX+b·1^T)^T；将输入的训练数据样本集X映射到相同或不同的数据维度空间：h_k＝g(w_kx_i+b_k),(w_k)^Tw_k＝I,(b_k)^Tb_k＝1，其中：g(·)表示激活函数，k＝1,2,...,K是WID-RAE的个数，I是单位向量；

2-3、求解WID-RAE的编码特征Y^k，具体实现如下：

首先计算WID-RAE的损失函数：

其中C是正则化参数，

是第i个样本和第j个样本之间的相似度，

D是一个对角矩阵，其对角元素为

通过基于动量的随机梯度下降法对β进行求解，其关于β梯度为：

设WID-RAE个数为K，初始化Y⁰＝X，第(k-1)层的输出为Y^k-1，那么第k层的输出Y^k＝g(β^kY^k-1),k＝1,...,K；。

3.根据权利要求2所述的.一种基于类内交互约束分层单分类的复合烟感监测方法，其特征在于步骤3具体实现如下：

3-1、经过多层类内交互距离约束随机自编码器WID-RAE得到输出Y^K，ELM分类层的输出权重为：

若N＜L^K，

若N≥L^K，

其中L^K是第K个WID-RAE的隐藏层神经元个数，t＝[t,...,t]^T是期望输出；

3-2、得到实际输出

4.根据权利要求3所述的.一种基于类内交互约束分层单分类的复合烟感监测方法，其特征在于步骤4具体实现如下：

4-1、计算实际输出o_i与期望输出t的误差，ε(x_i)＝|o_i-t|,i＝1,...,N；

4-2、将得到的误差距离进行从大到小排序，ε＝[ε₁,...,ε_N]，得到ε₁≥...≥ε_N，其中ε₁和ε_N分别表示最大和最小的距离误差；

4-3、设置阈值参数μ，得到决策阈值θ＝ε_{floor(μ·N+1)}。其中floor(a)表示取不大于a的最大整数。

5.根据权利要求4所述的.一种基于类内交互约束分层单分类的复合烟感监测方法，其特征在于步骤5具体实现如下：

5-1、给定一系列测试样本{(x′_i,t′_i)|x′_i∈R^d,t′∈R,i＝1,...,P}，其中x′_i表示第i个样本，t′_i＝1表示其为正常样本，t′_i≠1表示其为异常样本，P为总共的测试样本数量；

5-2、输入到多层WID-RAE得到每层输出Y′^k＝g(β^kY′^k-1)，则最后一层WID-RAE输出为

5-3、输入到ELM分类层得到实际输出

计算实际输出与期望输出的误差距离ε(x′_i)＝|o′_i-t′_i|,i＝1,...,P；

5-4、将得到的误差距离ε′＝[ε′₁,...,ε′_P]与单分类器阈值θ比较：

当ε′_i＜θ，x′_i属于正常类，否则属于异常类；

5-5、若识别为异常，则立即联动报警。

Images