基于IPSO-ELM算法的火災(zāi)檢測研究

崔善書，佘世剛，劉愛琦

（常州大學(xué) 機械工程學(xué)院，常州213164）

隨著人類多年來在技術(shù)方面取得的長足進展，推動了經(jīng)濟、社會、生態(tài)全方位的提升。因此，在火災(zāi)的預(yù)防領(lǐng)域也不例外，智能化的火災(zāi)檢測方法也應(yīng)當與高度自動化的社會生產(chǎn)、生活相匹配?；馂?zāi)預(yù)警算法對于整個火災(zāi)檢驗、 測試系統(tǒng)舉足輕重。此中，基于數(shù)據(jù)融合的神經(jīng)網(wǎng)絡(luò)算法成了有眾多人投身鉆研的領(lǐng)域。這種求解思想早在上世紀80年代被首次提出。最早用于軍事領(lǐng)域，專門在作戰(zhàn)時定位敵方目標還有收集敵方軍事情報[1]。到了21 世紀，美國正式將多傳感器融合技術(shù)作為眾多領(lǐng)域的核心手段研究[2]。另外，有很多研究人員研發(fā)出各種有效的火災(zāi)預(yù)警算法。比如，文獻[3]提出基于模糊神經(jīng)網(wǎng)絡(luò)的火災(zāi)預(yù)警算法；文獻[4]提出基于SVR 的火災(zāi)預(yù)警算法。

盡管，目前很多算法在實際檢測中能夠體現(xiàn)良好的準確性。但是也會遇到求解速度慢、易陷入局部最優(yōu)等問題。鑒于極限學(xué)習(xí)機自身學(xué)習(xí)速率快、泛化能力強的特征，能夠讓前饋神經(jīng)網(wǎng)絡(luò)性能提高，本設(shè)計運用ELM 對火情進行檢測，通過粒子群算法（PSO）對ELM 的輸入權(quán)值、隱含層閾值進行優(yōu)化。然而，慣性權(quán)重對PSO 的性能影響較大，通過改進慣性權(quán)重提升PSO 算法性能。與PSO 算法和遺傳算法（GA）優(yōu)化ELM 的訓(xùn)練結(jié)果對比，發(fā)現(xiàn)IPSOELM 的性能最突出。

1 極限學(xué)習(xí)機算法與粒子群算法

1.1 極限學(xué)習(xí)機

極限學(xué)習(xí)機是一種典型的單隱含層前饋神經(jīng)網(wǎng)絡(luò)[5]，由輸入層、輸出層、隱含層三層組成。ELM 可隨機產(chǎn)生輸入權(quán)值和隱含層偏置，只需設(shè)定隱含層神經(jīng)元個數(shù)，就能生成最優(yōu)解。

設(shè)隱含層神經(jīng)元數(shù)目為L，各隱含層節(jié)點輸出值為

式中：Q 為樣本的訓(xùn)練集個數(shù)；wi為第i 個隱含層神經(jīng)元與輸入層的權(quán)值；βi為第i 個隱含層神經(jīng)元與輸出層的權(quán)值；xi為輸入樣本；h（x）為激活函數(shù)；bi為隱含層閾值。

化簡可得：

式中：H 是由h（wixj+bi）組成的Q 行L 列的矩陣；β是由βi組成的Q 行列向量；T 是由tj組成的Q 行列向量。

可得到隱含層、輸出層權(quán)值：

式中：C 為懲罰系數(shù)。

最終得到ELM 的輸出函數(shù)表達式：

1.2 粒子群算法及其改進

1.2.1 粒子群算法

粒子群算法的靈感源自動物捕食過程。首先在解空間初始化種群，每個粒子代表潛在的最優(yōu)解，通過位置、速度和適應(yīng)度值表示特征[6]。通過群體極值Gbest和個體極值Pbest更新位置，Gbest是群體最優(yōu)位置，Pbest是個體經(jīng)歷位置中的最優(yōu)位置。

每更新位置一次，適應(yīng)度值變化一次。粒子通過個體和群體極值更新自身速度和位置[7]。

更新公式如下：

式中：ω 是慣性權(quán)值；d 為1 至維數(shù)D 范圍內(nèi)的正整數(shù)；i 為1 至粒子數(shù)n 之間的正整數(shù)；k 指進化次數(shù)；Vid是粒子速度[8]；Xid是粒子位置；加速因子c1、c2是不小于零的常數(shù)；r1、r2是0 至1 范圍內(nèi)的任意數(shù)。

1.2.2 粒子群算法優(yōu)化

由于慣性權(quán)重ω 對于PSO 的性能影響較大，因此對于慣性權(quán)重的修正，能夠有效提高粒子群算法效率。ω 影響粒子的局部與全局最優(yōu)解。較大的ω值可以提升全局搜索精度，較小的ω 可以提升局部搜索精度。通常情況下，采用線性遞減權(quán)重的方式優(yōu)化PSO。

這是因為較大的權(quán)重ω 易跳出局部最優(yōu)點，較小的權(quán)重ω 利于搜索當前的局部區(qū)域，使算法收斂。因此，采用線性變化權(quán)重，使ω 從ωmax至ωmin線性遞減，解決PSO 發(fā)生早熟收斂的問題。

線性遞減權(quán)重迭代次數(shù)的變化公式：

式中：ωmax，ωmin為慣性權(quán)重的最大值和最小值；t 為當前迭代次數(shù)；tmax為最大迭代次數(shù)。通常取ωmax=0.9，ωmin=0.4，迭代次數(shù)取50～100 次。

但是，線性遞減權(quán)重的優(yōu)化方法存在兩方面的不足，通過隨機權(quán)重策略可以解決。其一，當粒子在迭代前期接近最優(yōu)點，隨機ω 可產(chǎn)生更小的ω，提升收斂速度。其二，當ω 線性遞減，不能讓算法收斂至最優(yōu)點，此時隨機ω 就可以解決這類問題。因此，本設(shè)計通過隨機慣性權(quán)值ω 對PSO 進行優(yōu)化。隨機ω 計算公式如下所示：

式中：N（0，1）是正態(tài)分布隨機數(shù)；rand（0，1）是0 至1之間的隨機數(shù)；μ 是隨機權(quán)重平均值；σ 是隨機權(quán)重平均值的方差。

2 基于IPSO-ELM 的火災(zāi)檢測模型建立

火災(zāi)是一種不可控的復(fù)雜燃燒形式，通過各種化學(xué)物質(zhì)進行反應(yīng)的過程。一般情況下，化學(xué)物質(zhì)反應(yīng)的產(chǎn)物有煙霧、溫度和有毒氣體等。本實驗選取有代表性的溫度、 煙霧和CO 濃度作為火災(zāi)的評價指標。

本設(shè)計利用IPSO 對ELM 進行優(yōu)化，通過IPSOELM 算法對火災(zāi)檢測問題進行建模。相較于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，ELM 具有設(shè)置參數(shù)少、求解速度快、精確度高等優(yōu)點?；谠搩?yōu)化算法的神經(jīng)網(wǎng)絡(luò)，將3 種火災(zāi)特征作為網(wǎng)絡(luò)輸入級，無火、明火、陰燃火3 種火情作為訓(xùn)練輸出。具體的結(jié)構(gòu)如圖1 所示。

圖1 IPSO-ELM 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 IPSO-ELM network structure

IPSO-ELM 火災(zāi)檢測算法的過程如下：

第一步將所有測試樣本打亂順序，隨機選取一部分為訓(xùn)練樣本，另一部分為測試樣本。對輸入集數(shù)據(jù)進行歸一化操作。

第二步將輸入權(quán)值wi和隱含層偏置bi設(shè)為PSO 的粒子，通過式（10）計算搜索空間維數(shù)D；設(shè)定粒子種群規(guī)模為20。具體公式如下所示：

式中：D 為粒子空間維度；I 為輸入的神經(jīng)元個數(shù)；H為隱含的神經(jīng)元個數(shù)。

第三步設(shè)定最大迭代次數(shù)tmax為50 次；學(xué)習(xí)因子c1和c2均取1.5； 粒子最大速度vmax和最小速度vmin分別為3 和-3；μmax取0.8，μmin取0.5，σ 取0.2，根據(jù)公式（9）計算隨機權(quán)重ω。

第四步利用均方根誤差公式（11），作為適應(yīng)度函數(shù)，迭代計算粒子的適應(yīng)度值，確定粒子的歷史最優(yōu)位置Gh-best。具體公式如下：

式中：N 指訓(xùn)練樣本量；M 指輸出神經(jīng)元數(shù)；yk為預(yù)測輸出值，ck為實際輸出值。

第五步重新迭代計算生成新的適應(yīng)度值，確定當前最優(yōu)位置Gp-best。將當前最優(yōu)位置Gp-best與歷史最優(yōu)位置Gh-best進行比較，如比歷史最優(yōu)位置小，則用當前最優(yōu)位置替換歷史最優(yōu)位置；反之，不變。

第六步根據(jù)式（6）、式（7）和式（9）更新粒子自身速度、位置和隨機慣性權(quán)重。

第七步當適應(yīng)度函數(shù)值達到最小且最終到達最大迭代次數(shù)時，停止迭代，輸出最優(yōu)位置。此時，得到最優(yōu)的輸入權(quán)值和隱含層偏置。否則，跳轉(zhuǎn)到第四步。

第八步將IPSO 優(yōu)化后的輸入權(quán)值和隱含層偏置，引入到ELM 網(wǎng)絡(luò)，對火災(zāi)數(shù)據(jù)進行訓(xùn)練。具體流程如圖2 所示。

圖2 基于IPSO-ELM 的檢測流程Fig.2 Detection flow chart based on IPSO-ELM

3 實驗結(jié)果分析

本文采用國家標準火災(zāi)數(shù)據(jù)以及國內(nèi)核心論文數(shù)據(jù)[9-10]，將其中數(shù)據(jù)分成訓(xùn)練集和測試集，驗證IPSO-ELM 網(wǎng)絡(luò)性能。數(shù)據(jù)包含無火、明火、陰燃火各80 組數(shù)據(jù)，將這些數(shù)據(jù)隨機分成180 組做訓(xùn)練，其余60 組（無火、陰燃火、明火數(shù)據(jù)各20 組）做測試。部分測試集數(shù)據(jù)如表1 所示。

表1 火災(zāi)測試集數(shù)據(jù)Tab.1 Fire test set data

利用180 組訓(xùn)練集數(shù)據(jù)訓(xùn)練IPSO-ELM，之后通過60 組測試集檢驗網(wǎng)絡(luò)的優(yōu)劣特性。其中，60 組測試數(shù)據(jù)的檢驗結(jié)果如圖3 所示。

圖3 基于IPSO-ELM 的火情識別結(jié)果Fig.3 Fire recognition results based on IPSO-ELM

圖3 中，縱坐標的1、2、3 分別代表無火、陰燃火和明火。無火、陰燃火、明火各20 組測試樣本中，只有1 次無火誤檢測為陰燃火，1 次陰燃火誤檢測為無火；其他測試樣本均無誤報情形。在整體60 次檢測過程中，1 次無火誤檢測為陰燃火，1 次陰燃火誤檢測為明火正確率達到了96.67%。

PSO-ELM 和GA-ELM 的火情識別結(jié)果如圖4、圖5 所示。從圖中可知，基于PSO-ELM 的火災(zāi)檢測模型在60 次檢測過程中，有1 次無火誤檢測為陰燃火，3 次陰燃火誤檢測為明火，正確率為93.3%?；贕A-ELM 的火災(zāi)檢測模型在60 次檢測過程中，有3 次無火誤檢測為陰燃火，2 次陰燃火誤檢測為明火，正確率為91.67%。

圖4 基于PSO-ELM 的火情識別結(jié)果Fig.4 Fire recognition results based on PSO-ELM

圖5 基于GA-ELM 的火情識別結(jié)果Fig.5 Fire recognition results based on GA-ELM

通過以上對比，發(fā)現(xiàn)基于IPSO-ELM 的火情識別算法的分類準確率高于另外兩種算法。

4 結(jié)語

本文針對極限學(xué)習(xí)機算法存在隨機生成輸入權(quán)值和隱含層閾值，導(dǎo)致分類精度不高的問題。提出用群優(yōu)化算法（PSO）來優(yōu)化參數(shù)特性，使ELM 產(chǎn)生最優(yōu)的權(quán)值和閾值。然而，PSO 自身的慣性權(quán)重對其性能影響較大；所以提出，通過隨機慣性權(quán)重來改進PSO 性能。具體地，經(jīng)過IPSO 不斷迭代尋優(yōu)，找到最優(yōu)適應(yīng)度值，確定優(yōu)化后的權(quán)值和閾值。然后將溫度、煙霧濃度、CO 濃度3 種火災(zāi)特征作為網(wǎng)絡(luò)輸入；3 種火情作為輸出集，分別是無火、陰燃火、明火。經(jīng)過對實驗結(jié)果的分析，直觀地反映出：基于IPSO-ELM 的檢測網(wǎng)絡(luò)擁有穩(wěn)定的分類及泛化性能，對于火災(zāi)檢測這一領(lǐng)域有很強的適應(yīng)性。最后，與經(jīng)過PSO 和GA 優(yōu)化后的ELM 火災(zāi)識別網(wǎng)絡(luò)比較；發(fā)現(xiàn)，經(jīng)IPSO 優(yōu)化的網(wǎng)絡(luò)性能要高于這兩者，并且網(wǎng)絡(luò)檢測準確性更好。