基于核極限學(xué)習(xí)機(jī)的火災(zāi)預(yù)警算法研究

丁承君，張井超，何乃晨

（河北工業(yè)大學(xué) 機(jī)械工程學(xué)院，天津 300130）

基于核極限學(xué)習(xí)機(jī)的火災(zāi)預(yù)警算法研究

丁承君，張井超，何乃晨

（河北工業(yè)大學(xué) 機(jī)械工程學(xué)院，天津 300130）

火災(zāi)信息處理算法的有效性影響著火災(zāi)預(yù)警系統(tǒng)的準(zhǔn)確性和可靠性，所以智能火災(zāi)預(yù)警算法研究成為了火災(zāi)預(yù)警技術(shù)的一個(gè)研究熱點(diǎn).針對(duì)以往火災(zāi)信息處理算法的不足，提出了一種基于核極限學(xué)習(xí)機(jī)（KELM）的火災(zāi)預(yù)警算法.該算法利用核極限學(xué)習(xí)機(jī)對(duì)多種傳感器采集到的數(shù)據(jù)進(jìn)行融合分析，實(shí)現(xiàn)火情識(shí)別.利用MATLAB對(duì)核極限學(xué)習(xí)機(jī)的火災(zāi)預(yù)警算法進(jìn)行仿真，通過(guò)與BP神經(jīng)網(wǎng)絡(luò)火災(zāi)預(yù)警算法和支持向量機(jī)火災(zāi)預(yù)警算法的仿真結(jié)果進(jìn)行對(duì)比，證明了該火災(zāi)預(yù)警算法較之以往算法的優(yōu)越性.

火災(zāi)預(yù)警；多傳感器；數(shù)據(jù)融合；核函數(shù)；極限學(xué)習(xí)機(jī)

0 引言

隨著社會(huì)的重大變革，經(jīng)濟(jì)飛速發(fā)展，城市化進(jìn)程加快，人們對(duì)火災(zāi)預(yù)警和消防系統(tǒng)提出了更高的要求，高度智能化的火災(zāi)預(yù)警系統(tǒng)正在取代傳統(tǒng)的火災(zāi)預(yù)警系統(tǒng)，基于多傳感器信息融合的智能火災(zāi)預(yù)警算法研究成為火災(zāi)預(yù)警技術(shù)的一個(gè)重要研究方向，基于神經(jīng)網(wǎng)絡(luò)的火災(zāi)預(yù)警算法成為智能火災(zāi)預(yù)警算法的一個(gè)研究熱點(diǎn).例如Gerberus開發(fā)了基于神經(jīng)網(wǎng)絡(luò)的AlgoRex火災(zāi)報(bào)警器[1]；Okayama[2]研發(fā)了針對(duì)不同火災(zāi)信息的神經(jīng)網(wǎng)絡(luò)火災(zāi)預(yù)警算法；張健[3]提出了基于前饋神經(jīng)網(wǎng)絡(luò)的火災(zāi)預(yù)警算法；湯群芳[4]提出了基于模糊神經(jīng)網(wǎng)絡(luò)的火災(zāi)預(yù)警算法；張立寧[5]提出了基于SVR的火災(zāi)預(yù)警算法.

上述提到的智能火災(zāi)預(yù)警算法雖然提高了火災(zāi)預(yù)警的準(zhǔn)確性和可靠性，但是基于神經(jīng)網(wǎng)絡(luò)的火災(zāi)預(yù)警算法存在學(xué)習(xí)速度慢、容易陷入局部極小和存在過(guò)訓(xùn)練等問(wèn)題.本文提出了一種基于核極限學(xué)習(xí)機(jī)（KELM）的火災(zāi)預(yù)警算法，通過(guò)與BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)火災(zāi)預(yù)警算法仿真結(jié)果作對(duì)比，證明了核極限學(xué)習(xí)機(jī)火災(zāi)預(yù)警算法的優(yōu)越性.

1 核極限學(xué)習(xí)機(jī)

1.1 極限學(xué)習(xí)機(jī)

針對(duì)傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)，Vapnik[6]提出了基于統(tǒng)計(jì)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的支持向量機(jī)算法，支持向量機(jī)解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本多、過(guò)訓(xùn)練等問(wèn)題，但是其也存在求解復(fù)雜、參數(shù)敏感等問(wèn)題.2004年Huang等[7]提出了極限學(xué)習(xí)機(jī)（Extreme Learning Machine），與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過(guò)程不同，極限學(xué)習(xí)機(jī)不需要調(diào)整隱含層閾值和與輸入層之間的連接權(quán)值，只需要調(diào)節(jié)隱含層的節(jié)點(diǎn)數(shù)，當(dāng)確定隱含層節(jié)點(diǎn)數(shù)后，極限學(xué)習(xí)機(jī)可以獲得唯一最優(yōu)化解.相較于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，極限學(xué)習(xí)機(jī)具有訓(xùn)練速度快、泛化性好等優(yōu)點(diǎn)[8].

極限學(xué)習(xí)（ELM）網(wǎng)絡(luò)中不僅要考慮誤差最小，也要考慮輸出權(quán)值最小.極限學(xué)習(xí)（ELM）采用最小輸出權(quán)值范數(shù)和訓(xùn)練誤差對(duì)整個(gè)系統(tǒng)進(jìn)行學(xué)習(xí)訓(xùn)練，即最小化

其中：C為懲罰因子；ξ為訓(xùn)練誤差；H為隱含層輸出矩陣；β為隱含層與輸出層連接權(quán)值；ti為期望輸出值.依據(jù)KKT理論構(gòu)建Lagrange函數(shù)，則有

1.2 核極限學(xué)習(xí)機(jī)

無(wú)核的極限學(xué)習(xí)機(jī)是一個(gè)3層的人工神經(jīng)網(wǎng)絡(luò)，包括一個(gè)輸入層、一個(gè)輸出層和一個(gè)隱含層.隱含層將輸入樣本從低維空間映射到高維空間，將線性不可分問(wèn)題轉(zhuǎn)化為線性可分問(wèn)題.但高維特征空間運(yùn)算時(shí)存在“維度災(zāi)難”.核函數(shù)可以代替這種映射完成將線性不可分問(wèn)題轉(zhuǎn)化為線性可分問(wèn)題，又可以解決“維度災(zāi)難”問(wèn)題.相對(duì)于極限學(xué)習(xí)算法核極限學(xué)習(xí)算法[9]提高了整個(gè)系統(tǒng)的穩(wěn)健性和非線性逼近能力.

定義核極限學(xué)習(xí)機(jī)（KELM）的核矩陣為Ω，核矩陣需要滿足Mercer條件[10-11]，則有

其中：K（xi，xj）為核函數(shù)；Ω為核矩陣.

將式（8）代入式（7）得到核極限學(xué)習(xí)機(jī)的輸出函數(shù)為

KELM常用的核函數(shù)有：線性核函數(shù)、多項(xiàng)式核函數(shù)、Sigmoid核函數(shù)、RBF核函數(shù)[12].

2 基于核極限學(xué)習(xí)機(jī)（KELM）的火災(zāi)預(yù)警算法建模

火災(zāi)是一種在時(shí)間和空間上失去控制的燃燒現(xiàn)象，是可燃物與氧化劑發(fā)生相互作用的一種氧化還原反應(yīng)，通常伴有煙霧、熱量、火焰以及氣體等特征參量產(chǎn)生.煙霧、熱量以及氣體是火災(zāi)的3個(gè)主要的特征，該設(shè)計(jì)選取CO濃度、煙霧濃度和溫度作為火災(zāi)的特征參量.

核極限學(xué)習(xí)機(jī)火災(zāi)預(yù)警算法以CO濃度、煙霧濃度和溫度作為核極限學(xué)習(xí)機(jī)的輸入，無(wú)火、陰燃火和明火作為輸出，構(gòu)建了一個(gè)3輸入3輸出的核極限學(xué)習(xí)機(jī)火災(zāi)預(yù)警算法模型，其結(jié)構(gòu)圖如圖1所示.

基于核極限學(xué)習(xí)機(jī)火災(zāi)預(yù)警算法包括火災(zāi)特征的提取和火情識(shí)別，主要包括以下3個(gè)步驟：

第1步：選取CO濃度、煙霧濃度和溫度作為火災(zāi)特征參量，歸一化處理CO濃度、煙霧濃度和溫度，得到火災(zāi)樣本數(shù)據(jù).

第2步：將處理后的火災(zāi)樣本數(shù)據(jù)分為訓(xùn)練樣本集和測(cè)試樣本集兩類，設(shè)定核函數(shù)參數(shù)和懲罰因子，訓(xùn)練核極限學(xué)習(xí)機(jī).

第3部：用第2步訓(xùn)練得到的核極限學(xué)習(xí)機(jī)進(jìn)行火情識(shí)別.

圖1 基于KELM的火災(zāi)預(yù)警算法結(jié)構(gòu)圖Fig.1 KELM based fire alarm algorithm structure diagram

3 實(shí)例分析

本文選取國(guó)內(nèi)外180組數(shù)據(jù)（60組無(wú)火數(shù)據(jù)、60組陰燃火數(shù)據(jù)、60組明火數(shù)據(jù)）驗(yàn)證核極限學(xué)習(xí)機(jī)火災(zāi)預(yù)警算法模型，其中60組無(wú)火數(shù)據(jù)中包含20組廚房干擾火數(shù)據(jù).在180組數(shù)據(jù)中選取90組數(shù)據(jù)（30組無(wú)火數(shù)據(jù)、30組陰燃火數(shù)據(jù)、30組明火數(shù)據(jù)） 作為訓(xùn)練樣本集，剩余90組數(shù)據(jù)作為測(cè)試樣本集，歸一化處理后的火災(zāi)數(shù)據(jù)如表1所示.

該設(shè)計(jì)選取RBF函數(shù)作為核極限學(xué)習(xí)機(jī)的核函數(shù)，相較于其它核極限學(xué)習(xí)機(jī)，基于RBF核函數(shù)的核極限學(xué)習(xí)機(jī)參數(shù)少，準(zhǔn)確性高.利用交叉驗(yàn)證法尋找最佳的參數(shù)C（懲罰因子）和參數(shù)g（RBF核參數(shù)）.圖2和圖3分別為交叉驗(yàn)證法繪制的分類準(zhǔn)確率與參數(shù)的關(guān)系等高線圖和3D視圖.

表1 歸一化處理后火災(zāi)數(shù)據(jù)Tab.1 Normalized fire data

圖2 分類準(zhǔn)確率與參數(shù)的關(guān)系等高線圖Fig.2 Classification of the accuracy of the relationship between the parameters and contours

利用訓(xùn)練樣本集訓(xùn)練核極限學(xué)習(xí)機(jī)，采用測(cè)試樣本集測(cè)試訓(xùn)練得到核極限學(xué)習(xí)機(jī)，測(cè)試結(jié)構(gòu)如圖4所示，其中1代表無(wú)火，2代表陰燃火，3代表明火.

從圖4可知，核極限學(xué)習(xí)機(jī)火災(zāi)預(yù)警算法在30次無(wú)火火情識(shí)別中誤報(bào)0次，其準(zhǔn)確率為100%；在30次陰燃火火情識(shí)別中誤報(bào)2次，其準(zhǔn)確率為93.3%；在30次明火火情識(shí)別中誤報(bào)2次，其準(zhǔn)確率為93.3%.在90次火情識(shí)別中誤報(bào)4次，其準(zhǔn)確率為95.6%.

BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）和核極限學(xué)習(xí)機(jī)（KELM） 3種不同的火災(zāi)預(yù)警算法的準(zhǔn)確率結(jié)果比較如表2所示.從表中可知BP神經(jīng)網(wǎng)絡(luò)火災(zāi)預(yù)警算法在90次火情識(shí)別中準(zhǔn)確識(shí)別79次，其準(zhǔn)確率為87.7%，所用時(shí)間為7.225 s.支持向量機(jī)火災(zāi)預(yù)警算法在90次火情識(shí)別中準(zhǔn)確識(shí)別82次，其準(zhǔn)確率為91.1%，所用時(shí)間為2.287 s.核極限學(xué)習(xí)機(jī)火災(zāi)預(yù)警算法在90次火情識(shí)別中準(zhǔn)確識(shí)別86次，其準(zhǔn)確率為95.6%，所用時(shí)間為0.436 s.經(jīng)過(guò)對(duì)比可以看出核極限學(xué)習(xí)火災(zāi)預(yù)警算法不管在訓(xùn)練測(cè)試時(shí)間和準(zhǔn)確率上都優(yōu)于其它2種方法.

圖3 分類準(zhǔn)確率與參數(shù)的關(guān)系3D圖Fig.3 Classification accuracy and the relationship between the parameters of the 3D map

圖4 測(cè)試集火情識(shí)別結(jié)果圖Fig.4 Test set of fire identification results

表2 測(cè)試集火情識(shí)別結(jié)果對(duì)比Tab.2 Test set of fire identification results comparison

4 結(jié)論

本文設(shè)計(jì)了一種基于核極限學(xué)習(xí)的火災(zāi)預(yù)警算法，該算法采用RBF函數(shù)作為核極限學(xué)習(xí)的核函數(shù)，利用交叉驗(yàn)證法尋找最佳的參數(shù)C（懲罰因子）和參數(shù)g（RBF核參數(shù)）.以CO濃度、煙霧濃度和溫度作為核極限學(xué)習(xí)機(jī)的輸入，無(wú)火、陰燃火和明火作為輸出，構(gòu)建了一個(gè)3輸入3輸出的核極限學(xué)習(xí)機(jī)火災(zāi)預(yù)警算法模型.通過(guò)與BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（SVM）2種不同火災(zāi)預(yù)警算法的仿真結(jié)果做對(duì)比可知，核極限學(xué)習(xí)機(jī)火災(zāi)預(yù)警算法不管在訓(xùn)練時(shí)間和準(zhǔn)確率上都優(yōu)于其它2種方法.但核極限學(xué)習(xí)機(jī)火災(zāi)預(yù)警算法存在參數(shù)敏感性問(wèn)題，下一步將對(duì)核極限學(xué)習(xí)機(jī)火災(zāi)預(yù)警算法的優(yōu)化作進(jìn)一步研究.

[1] 張立寧，張奇，安晶.基于SVR的高層建筑復(fù)合式火災(zāi)預(yù)警系統(tǒng)設(shè)計(jì)[J].安全與環(huán)境工程，2015（1）：140-143.

[2]Okayama Y.A primitive study of a fire detection method controlled by artificial neural net[J].Fire Safety Journal，1991，17（6）：535-553.

[3] 張健.基于神經(jīng)網(wǎng)絡(luò)算法的火災(zāi)探測(cè)系統(tǒng)的研究[J].數(shù)字技術(shù)與應(yīng)用，2013（10）：130-132.

[4] 湯群芳.基于模糊神經(jīng)網(wǎng)絡(luò)的火災(zāi)數(shù)據(jù)處理方法的研究[D].長(zhǎng)沙：湖南大學(xué)，2011.

[5] 張立寧，安晶，張奇，等.基于SVR的智能建筑火災(zāi)預(yù)警模型設(shè)計(jì)[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2016（1）：187-196.

[6]Vapnik V，Cortes C.Support-vector networks[J].Manchine Learning，1995，20（3）：273-297.

[7] Huang G B，Zhu Q Y，Siew C K.Extreme learning machine：a new learning scheme of feedforward neural networks[C]//IEEE International Joint Conference on Neural Networks，IEEE，2004：985-990.

[8] 陳紹煒，柳光峰，冶帥.基于核極限學(xué)習(xí)機(jī)的模擬電路故障診斷研究[J].西北工業(yè)大學(xué)學(xué)報(bào)，2015，33（2）：290-294.

[9]Huang G B，Zhou H，Ding X，et al.Extreme learning machine for regression and multiclass classification[J].IEEE Transactions on Systems Man and Cybernetics Part B Cybernetics A Publication of the IEEE Systems Man and Cybernetics Society，2012，42（2）：513-529.

[10]Deng W，Zheng Q，Zhang K.Reduced kernel extreme learning machine[J].Advances in Intelligent Systems and Computing，2013，226：63-69.

[11]Huang G B，Wang D H，Lan Y.Extreme learning machines：a survey[J].International Journal of Machine Learning and Cybernetics，2011，2（2）：107-122.

[12]李喜奇.設(shè)備狀態(tài)檢測(cè)與傳感器故障診斷技術(shù)研究[D].哈爾濱：哈爾濱工程大學(xué)，2005.

Research on fire alert algorithm based on Kernel Extreme Learning Machine

DING Chengjun,ZHANG Jingchao,HE Naichen

（School of Mechanical Engineering,Hebei University of Technology,Tianjin 300130,China）

The effectiveness of the fire information processing algorithm affects the accuracy and reliability of the fire alarm system.Therefore,the intelligent fire alarm algorithm has become a hot issue in the study of fire warning.Aiming at the shortcomings of the previous fire information processing algorithms,this paper proposes a fire alarm algorithm based on Kernel Extreme Learning Machine(KELM),The algorithm uses the Kernel Extreme Learning Machine to integrate the data collected by various sensors to realize the fire recognition.The Simulation of fire warning algorithm based on Kernel Extreme Learning Machine is carried out by MATLAB.Compared with the simulation algorithm based on BP neural network fire warning algorithm and based on support vector machine fire alarm algorithm,it shows that the KELM is superior to the previous algorithm.

fire warning;multisensor;data fusion;kernel function;Kernel Extreme Learning Machine

X924

A

1007-2373（2017） 05-0033-05

10.14081/j.cnki.hgdxb.2017.05.006

2017-03-09

天津市科技支撐計(jì)劃（14ZXCXGX00123，15ZXHLGX00210）

丁承君（1973-），男，教授，博士生導(dǎo)師，190532210@qq.com.

[責(zé)任編輯 田 豐]