LVQ神經網絡的紅外光譜火災早期預警算法

杜建華，張認成

（華僑大學 機電及自動化學院，福建 泉州 362021）

LVQ神經網絡的紅外光譜火災早期預警算法

杜建華，張認成

（華僑大學 機電及自動化學院，福建 泉州 362021）

對前期大量試驗采集的火災氣體數據進行特征提取，找出能夠代表火災整體特征的過程特征信息.通過體積分數曲線擬合分析，提取出體積分數、速度和加速度估值等火災特征信息參量，建立適合于火災早期探測的學習向量量化（LVQ）神經網絡算法 .通過對比分析證明，該算法比傳統火災探測器報警時間提前3～21min，且對于真假火災可進行準確識別，實現火災早期探測預警的目標.

火災探測；紅外光譜；學習向量量化；神經網絡；早期預警算法

提高火災探測預警的準確性、可靠性，減少漏報誤報一直是火災早期探測研究的重點問題.目前，針對火災探測數據的各類復雜探測算法層出不窮，大大提高了火災探測系統的預報能力，但大多數在火災探測的及時性、準確性和可靠性方面仍存在諸多問題，漏報誤報問題突出.學習向量量化（learning vector quantization，LVQ）神經網絡在模式識別和優化領域有著廣泛的用途.它是Kohonen設計的一種將競爭學習思想和有監督學習算法相結合的3層神經網絡，由輸入層、競爭層和輸出層構成［1］.本文通過火災氣體數據的特征提取，建立適合于火災早期探測的學習向量量化（LVQ）神經網絡算法.

1 火災實驗及數據獲取

試驗裝置主要由美國尼高力公司的Nexus傅里葉變換紅外光譜儀、10m長光程氣體池、材料加熱裝置、輔助傳感器和氣體輸送管道等構成.測量系統是基于傅里葉變換紅外光譜技術［2-3］，根據氣體對特定波長入射光的吸收程度來確定氣體的體積分數大小 .該方法測量精度高，可對微量氣體進行測量.試驗中，光譜儀采用MCT－A檢測器，分辨率為4cm－1，掃描次數為64，光譜采集時間間隔為1min.CO定量分析波段為739～722，772～746cm－1；CO2定量分析波段為2 183～2 165，2 203～2 188cm－1.

采集時間長度依據材料的特性而定，一般都覆蓋了燃燒全過程，包括吸熱、熱解、發煙、擴散、全燃、衰減等6個階段.另外，還進行了大量虛假火災（火災探測干擾源）試驗.每個試驗中記錄了氣體光譜數據，燃燒過程的視頻錄像，材料表面溫度，環境溫度、感煙探測器報警時間，以及CO和CO2監測儀所獲得的氣體體積分數數據.通過對光譜數據進行定量分析，可以得到燃燒過程中表征氣體CO和CO2體積分數的原始數據.圖1為木塊加熱過程的視頻截圖，圖2為實驗采集的光譜瀑布圖，圖3為各類材料加熱過程釋放CO體積分數的曲線.

圖1 木塊加熱實驗圖像Fig.1 Experimental image of wood block when heated

圖2 木塊加熱過程CO氣體光譜瀑布圖Fig.2 Continuous spectrums of wood block when heated（CO）

圖3 4種材料加熱CO體積分數曲線 Fig.3 CO concentration curves of four materials when heated

2 LVQ神經網絡結構及學習算法

LVQ神經網絡結構如圖4所示.設輸入層由N個神經元組成，與競爭層為完全連接；競爭層由M個神經元組成；輸出層由L個向量組成.在LVQ網絡的訓練過程中，輸入層和競爭層之間的連接權值被逐漸調整為聚類中心.當輸入樣本被送至LVQ網絡時，競爭層神經元通過勝者為王競爭學習規則產生獲勝神經元，獲勝神經元輸出為1，其他神經元輸出為0.具體有如下5個學習算法步驟［4-5］.

（2）輸入樣本向量X.

（3）尋找獲勝神經元i＊，即‖X－‖＝min‖X－‖，i＝1，2，…，M.

（4）根據分類是否正確按不同規則調整獲勝神經元的權值.當網絡分類結果與教師信號一致時，向輸入樣本方向調整權值，即（k＋1）＝（k）＋η（k）［X－（k）］；否則，向輸入樣本相反方向調整權值，即（k＋1）＝（k）－η（k）［X－（k）］.其他非獲勝神經元的權值保持不變.

（5）更新學習速率，即η（k＋1）＝η（0）（1－k／K）.當k＜K 時，k＝k＋1，轉到第2步并輸入下一個樣本，重復各步驟直到k＝K.

圖4 LVQ網絡結構圖Fig.4 Structure of LVQ neural network

3 火災特征參量提取

剔除測量值中的隨機變量，獲得含有緩慢變化趨勢的火災早期表征氣體體積分數曲線，提取出能代表CO，CO2變化趨勢的體積分數估計值、變化率和加速度作為火災探測的特征參量.針對實際測量的離散數據曲線，可用如下關系表示

式中：i代表時間t；v代表Δt，v∈（－vmax，vmax），vmax＝Δtmax／Δt取整；i點兩側的誤差可表示為 Δx（i＋v）＝＾x（i＋v）－x（i＋v）.

采用對稱的哈明窗函數w（v）對離散數據進行加窗處理，由最小二乘法將差值Δx加權后取平方，并從－vmax到vmax求和可得

將J對系數求導，并令其為零后得

由于V·A非奇異，因此可求逆而得ak（i）的估計值為A＝V－1·W.當v＝0時，＾x（i）＝a0（i），表示氣體體積分數本身，a1（i）和a2（i）分別表示氣體體積分數變化趨勢的速度和加速度.從測量數據x（i＋v）中取出在2vmax＋1（稱為數據窗寬度）范圍內的數據用以平滑，隨著數據窗沿時間軸移動，便可提取出火災早期的過程特征信息.紙張加熱過程中，CO體積分數的擬合曲線、變化速度曲線、加速度曲線和CO2體積分數的變化速度曲線，如圖5～8所示.

圖5 紙張加熱CO體積分數變化速度曲線Fig.5 CO concentration velocity curve of paper when heated

Fig.6 紙張加熱CO體積分數擬合曲線Fig.6 Fitting curve of CO concentration when paper heated

圖7 紙張加熱CO體積分數加速度曲線Fig.7 Acceleration curve of CO concentration when paper heated

圖8 紙張加熱CO2體積分數加速度曲線Fig.8 Velocity curve of CO2 concentration when paper heated

在火災數據特征提取的基礎上，將CO體積分數變化速度、加速度、CO2體積分數變化速度，即向量［vCO，aCO，vCO2］T作為LVQ網絡的輸入.將向量［y1，y2］T作為網絡輸出.當網絡輸出為［0，1］時，判斷為假火災；而當網絡輸出為［1，0］時，判斷為真火災.

利用學習向量量化（LVQ）神經網絡建立火災探測算法.該神經網絡由輸入層、競爭層和輸出層組成，網絡在輸入層和隱含層間為完全連接，而在隱含層和輸出層間為部分連接.將真假火災特征提取數據進行歸一化處理后，各隨機選取100組對該LVQ神經網絡進行訓練.部分訓練數據如表1所示.網絡設定訓練步數為100，經過35步訓練達到穩定誤差0.066 7.

表1 部分訓練數據Tab.1 Part of training data

4 試驗結果

對采集數據進行滑動加窗處理，提取出火災特征信息，利用LVQ神經網絡連續判別獲得火災發生與否的時間關系 .通過與火災實驗過程中采用的傳統火災探測器探測進行對比，結果如表2所示.

從表2中可以看出：基于特征提取的LVQ神經網絡火災探測算法比傳統火災探測器報警時間提前3～21min，而且對于真假火災可以進行準確識別，為火災的及時預防撲救贏得了寶貴的時間，極大的降低火災報警的漏報率和誤報率.

表2 LVQ網絡測試結果Tab.2 Testing results of LVQ network min

5 結束語

利用過程特征提取手段對火災數據進一步濃縮，將學習向量量化神經網絡在模式分類方面的優勢應用于火災探測報警的研究，可實現火災早期報警的目的.

［1］施彥，韓力群.神經網絡設計方法與實例分析［M］.北京：北京郵電大學出版社，2009.

［2］杜建華，張認成，黃湘瑩，等.CO和CO2氣體紅外光譜技術在火災早期探測中的應用研究［J］.光譜學與光譜分析，2007，27（5）：899－903.

［3］龔雪，張認成，杜建華，等 .早期火災CO氣體的時間序列建模［J］.華僑大學學報：自然科學版，2007，28（1）：19－22.

［4］孫斌，黃勝全.一種基于經驗模式分解的氣液兩相流流型識別方法［J］.儀器儀表學報，2008，29（5）：1011－1015.

［5］徐濤，王祁.基于模式識別的傳感器故障診斷［J］.控制與決策，2007，22（7）：783－786.

Algorithm of Early Fire Alarm Using Infrared Spectrum Based on LVQ Neural Network

DU Jian－hua，ZHANG Ren－cheng
（College of Mechanical Engineering and Automation，Huaqiao University，Quanzhou 362021，China）

The process feature information standing for the whole feature of fire can be found，after the feature is extracted from the fire gas data collected in a great number of the previous experiments.And the fire feature parameters such as the estimated values of gas concentration，velocity and acceleration can be extracted through the analysis of the curve fitting of the gas concentration to establish the algorithm of learning vector quantization（LVQ）neural network suitable for early fire detection.The comparison analysis has proven that the alarm time of the algorithm can be advanced 3to 21minutes compared with that of the traditional fire detectors，so that it could detect precisely whether the fire is true or not，to attain early fire detection alarm.

fire detection；infrared spectroscopy；learning vector quantization；neural network；early alarm algorithm

錢筠 英文審校：鄭亞青）

TP 183；TN 215

A

1000－5013（2011）06－0607－04

2011－02－11

杜建華（1979－），男，講師，主要從事紅外檢測技術及傳感器的研究.E－mail：dujh＠hqu.edu.cn.

福建省自然科學基金資助項目（2009J01290）；國務院僑辦科研基金資助項目（09QZR04）；福建省廈門市科技計劃項目（3502Z20103028）