[发明专利]一种应用于红外火焰识别的自组织TS型模糊网络建模方法

权利要求书

1.一种应用于红外火焰识别的自组织TS型模糊网络建模方法,其特征在于，包括如下步骤：

(1)采集不同火焰、干扰源的时域信号数据，并对时域信号数据进行预处理，得到频域信号数据；

(2)对波形的时域、频域信号数据进行特征信息的提取，获得火焰的特征向量，组成样本集；

(3)将样本集划分为训练集、验证集和测试集；

(4)搭建TS-RBF模糊神经网络；

(5)设定TS-RBF模糊神经网络参数初始值，利用训练集的样本对TS-RBF模糊神经网络进行训练，进行结构、参数学习；

(6)利用验证集对训练好的TS-RBF模糊神经网络进行验证及模型选择；

(7)将测试集输入训练好的TS-RBF模糊神经网络中，其结果作为对模型的最终评价，

在步骤(4)中，搭建过程包括：

(4.1)构建TS-RBF模糊神经网络的前件网络，

(4.1.1)设输入层的输入向量为X＝[x¹ x² … xⁿ]^T，其中n为输入特征的维数，xⁱ表述样本中的第i维特征；

(4.1.2)对TS-RBF神经网络的训练集利用K-means进行聚类，得到h类模糊集群，以确保隐含层具有h个节点，且每个节点具有n维高斯隶属度函数对应着n个模糊集；将第j类模糊聚类中心作为第j个隐含层节点的高斯隶属度函数的初始中心，如下所示，

其中，是输入样本中第i个特征对于模糊系统中第i个特征的第j个模糊集的隶属度，和分别是高斯隶属度函数的中心和宽度；

在前件网络的隐含层中，第j条模糊规则的模糊规则适应度w_j用马氏距离作为评价尺度如下：

其中，代表输入样本与隐含层第j个节点的马氏距离，并且是一个对角矩阵，其中是第i个特征的第j个模糊集对应隶属度函数的宽度；

(4.1.3)在归一化层中，采取重心法式(3)进行去模糊化得到归一化模糊规则适应度，并且加入正数w₀作为偏置，用于平衡方程和抑制离群点输出的情况；

其中，w₀是一个训练得到的正数；

(4.2)构建TS-RBF模糊神经网络的后件网络，

(4.2.1)将作为后件网络中隐含层和输出层输入的连接权值；

(4.2.2)在后件网络中，隐含层中的h条模糊规则对应h个节点，其中第j条模糊规则的输出y_j通过如下规则计算：

规则j:

其中，是第i个特征的第j个模糊集，是实数j＝1,2,…,h；

输出层的输入y_n1是和y_j的线性组合：

(4.2.3)采用如下的双曲正切函数作为输出层的激活函数:

y_n＝tanh(y_n1) (6)。

2.如权利要求1所述的一种应用于红外火焰识别的自组织TS型模糊网络建模方法，其特征在于，

所述步骤(1)中，预处理的步骤为：

(1.1)将采集到的时域信号减去基准电压，对采样信号加汉宁窗做周期性处理；

(1.2)用快速傅里叶变换提取步骤(1.1)处理后的信号的频谱信息。

3.如权利要求1所述的一种应用于红外火焰识别的自组织TS型模糊网络建模方法，其特征在于，

所述步骤(2)中提取的特征信息为：不同微米通道的电压峰值、两个微米通道的电压峰值之比、波形中的极值点、频域中不同频率段的能量大小之和、频域中具有最高能量的频率、频域中具有最高能量的频率的幅值。