[发明专利]一种改进的极限学习机火灾种类识别方法

摘要

一种改进的极限学习机的火灾种类识别方法，首先采用一氧化碳传感器、二氧化碳传感器、温度传感器、烟雾传感器、电流传感器获取代表不同火灾源表现特性的特征数据；为了后面处理数据方便和加快识别速度，对采集的数据进行归一化处理；然后将处理后的数据输入优化后的IELM网络模型进行识别，得到一个输出矩阵；最后根据输出矩阵来判断火灾燃烧物种类。本发明提供一种有效识别火灾种类、适应性良好、抗干扰能力较强、识别正确率较高的改进的极限学习机火灾种类识别方法。

主权项

1.一种改进的极限学习机的火灾种类识别方法，其特征在于：所述识别方法包括如下步骤：步骤1：用一氧化碳传感器、二氧化碳传感器、温度传感器、烟雾传感器、电流传感器采集各种可燃物在燃烧初期一些特征值；一个样本集合表示为P＝{p₁,p₂,p₃,p₄,p₅,y_i}，p₁,p₂,p₃,p₄,p₅分别表示各传感器检测到的数据，y_i，i＝1,2···n表示可燃物种类；步骤2：将每个样本的特征值都归一化到[‑1,1]区间，同时对可燃物类型进行编码，过程如下：h＝1,···,5，x_h为归一化后的值，p_max为5个传感器中最大的值，p_min为5个传感器中最小的值；不同可燃物表示为：Y₁＝[1,0,0···,0]，Y₂＝[0,1,0,···,0]，......，Y_n＝[0,0,0,···,1]分别表示第一类可燃物，第二类可燃物，.......，第n类可燃物；步骤3：初始化ELM网络模型和POS粒子群参数，过程如下：3.1.确定ELM网络输入层、隐含层、输出层节点个数和隐含层的传输函数，输入层节点数为样本特征数，隐含层节点个数为L＝2*m+1，m为输入层节点数，输出层节点数为待区分的可燃物类型数；3.2.初始化粒子群算法各类参数，包括种群大小K，加速因子c₁,c₂，惯性权重w，随机数r₁,r₂，粒子位置搜索范围[a_min,a_max]，速度搜索范围[V_min,V_max]；3.3.初始化输入层与隐含层之间的连接权值ω，隐含层的阈值b；步骤4：根据训练样本和步骤3确定的初始参数计算每个种群的适应度值，过程如下：4.1.由训练样本和设定的网络参数得到ELM网络的输出为：其中，x_j表示第j个样本的输入值，j＝1,2···N，N表示样本总数，t_j为第j个样本的输出值，β_i表示隐含层第i个节点与输出层之间的连接权值，ω_i表示输入层与隐含层第i个节点之间的连接权值，b_i为隐含层第i个节点的阈值，当激励函数为g(x)，含一个隐含层神经元节点的前馈神经网络以零误差逼近N个训练样本时，存在β,ω,b使得简化得Hβ＝Y，从而解得输出权值β＝H⁺Y，H为隐含层输出矩阵，Y为期望输出矩阵，H⁺为隐含层输出矩阵的Moore‑Penrose广义逆；4.2.计算Hβ＝T，然后比较计算所得T与期望输出Y，统计分类错误总个数MisClassication，则适应度步骤5：确定最大迭代数，用粒子群算法寻找使fitness最小的β，过程如下：5.1.对粒子速度和位置进行更新：其中w＝w_max‑(w_max‑w_min)·t/t_max，t为当前迭代次数，w_max为最大惯性权重，w_min为最小惯性权重，t_max为最大迭代次数，为个体最优值，为种群最优值，β_kd(t)为当前粒子值，下标k表示第k个粒子，k＝1,2···K，d表示粒子的第d维；β_kd(t+1)＝β_kd(t)+V_kd(t+1)5.2.判断更新后的V_kd,β_kd是否超过规定的范围，若V_kd＞V_max，则V_kd＝V_max，若V_kd＜V_min，则V_kd＝V_min；若β_kd＞β_max，则β_kd＝β_max，若β_kd＜β_min，则β_kd＝β_min；5.3.把目前得到的新位置β_kd根据步骤4.2计算得到新的fitness，然后进行个体最优更新，如果当前适应度f_kd＜f_kbest，则f_kbest＝f_kd，f_kd为当前适应度值，f_kbest为个体最优适应度值；5.4.进行群体最优值更新，如果f_kd＜f_gd，则f_gd＝f_kd，其中f_gd为全局最优适应度值；5.5.判断是否满足最大迭代次数或最小误差精度，若不满足，跳转到5.1，继续迭代，否则迭代结束，算法最终优化结果即为ELM网络隐含层和输出层之间最优权值β；步骤6：利用步骤5训练得到的β构造一个完整的ELM网络进行识别可燃物类型，若现在传感器采集到一个新样本z＝[z₁,z₂,z₃,z₄,z₅]，对其进行归一化后输入ELM网络便得到一个输出Y＝[q₁,q₂,···,q_n]，根据步骤2中对可燃物的编码规则，若输出矩阵中q_i最大，则就表示发生火灾的是第i类可燃物。