[发明专利]一种基于深度神经网络多源域迁移学习的室内火灾检测方法

权利要求书

1.一种基于深度神经网络多源域迁移学习的室内火灾检测方法，其特征在于，包括如下步骤：

S1：收集不同来源的火灾数据样本作为神经网络的训练集；

S2：设计神经网络结构，所述神经网络具备根据不同的样本生成不同的权重参数，并对不同来源的样本进行有效分类的能力；

S3：将S1的训练集作为输入来训练S2的神经网络，使所述神经网络收敛到合适的点；

S4：输入测试样本至训练好的神经网络中，所述神经网络对所述测试样本进行分类，判断测试样本中是否发生火灾。

2.根据权利要求1所述的基于深度神经网络多源域迁移学习的室内火灾检测方法，其特征在于，所述S1中，不同的所述火灾数据样本同时具有正例和负例。

3.根据权利要求1所述的基于深度神经网络多源域迁移学习的室内火灾检测方法，其特征在于，所述S2中，所述神经网络为卷积神经网络，通过在原始网络参数上增加一个与网络参数相关的增量实现所述卷积神经网络的参数具备随不同样本输入而不同的功能，定义公式表示为：

f_0(x)＝f₀+Δf′_θ(x)

其中，f₀为训练前的神经网络的参数；f_0(x)为训练后的神经网络参数；Δf'_θ(x)为与输入相关的参数增量。

4.根据权利要求3所述的基于深度神经网络多源域迁移学习的室内火灾检测方法，其特征在于，增量的生成与输入样本直接相关，且处理后的神经网络只有卷积层发生改变。

5.根据权利要求4所述的基于深度神经网络多源域迁移学习的室内火灾检测方法，其特征在于，所述增量的产生具体为：将单一卷积层的参数为c_out*c_in*k²的卷积核定义为W₀，则训练后的卷积层参数为：

W(x)＝W₀+ΔW(x)

W₀中，c_out和c_in分别与下一层的输入维数和上一层的输出维数相同；训练后的卷积层参数中，x为该卷积层的输入；ΔW(x)为与输入相关的参数增量；W(x)随输入x的变化而变化。

6.根据权利要求5所述的基于深度神经网络多源域迁移学习的室内火灾检测方法，其特征在于，ΔW(x)通过如下步骤产生：

SA1：所述输入x依次经过神经网络的平均池化层、全连接层、Relu层、全连接层、sigmoid层，输出一个c_out*c_out的方阵p(x)，则增量ΔW(x)的第一部分表示为：

ΔW₁(x)＝p(x)*W₀

SA2：所述输入x经过softmax层，输出一个c_out*c_out的方阵π(x)，而θ_π为限定范围的随机数组成的c_out*c_in*k²的矩阵，则增量ΔW(x)的第二部分表示为：

ΔW₂(x)＝π(x)*θ_π

综合所述增量ΔW(x)的第一部分和第二部分，则训练后的卷积层参数为：

W(x)＝ΔW₁(x)+ΔW₂(x)。

7.根据权利要求6所述的基于深度神经网络多源域迁移学习的室内火灾检测方法，其特征在于，所述限定范围为(-10～10)；k取值为1。

8.根据权利要求1所述的基于深度神经网络多源域迁移学习的室内火灾检测方法，其特征在于，所述S3的训练过程中，损失函数采用交叉熵损失函数，表示为：

其中，N为输入的样本的数量；x_i为输入的第i个样本；y_i为第i个样本的标签；在训练过程中，损失L逐渐减小直至相对收敛时，对所述神经网络的训练停止。