基于IPSO-ELM算法的火災檢測研究

崔善書，佘世剛，劉愛琦

（常州大學 機械工程學院，常州213164）

隨著人類多年來在技術方面取得的長足進展，推動了經濟、社會、生態全方位的提升。因此，在火災的預防領域也不例外，智能化的火災檢測方法也應當與高度自動化的社會生產、生活相匹配。火災預警算法對于整個火災檢驗、 測試系統舉足輕重。此中，基于數據融合的神經網絡算法成了有眾多人投身鉆研的領域。這種求解思想早在上世紀80年代被首次提出。最早用于軍事領域，專門在作戰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作為眾多領域的核心手段研究[2]。另外，有很多研究人員研發出各種有效的火災預警算法。比如，文獻[3]提出基于模糊神經網絡的火災預警算法；文獻[4]提出基于SVR 的火災預警算法。

盡管，目前很多算法在實際檢測中能夠體現良好的準確性。但是也會遇到求解速度慢、易陷入局部最優等問題。鑒于極限學習機自身學習速率快、泛化能力強的特征，能夠讓前饋神經網絡性能提高，本設計運用ELM 對火情進行檢測，通過粒子群算法（PSO）對ELM 的輸入權值、隱含層閾值進行優化。然而，慣性權重對PSO 的性能影響較大，通過改進慣性權重提升PSO 算法性能。與PSO 算法和遺傳算法（GA）優化ELM 的訓練結果對比，發現IPSOELM 的性能最突出。

1 極限學習機算法與粒子群算法

1.1 極限學習機

極限學習機是一種典型的單隱含層前饋神經網絡[5]，由輸入層、輸出層、隱含層三層組成。ELM 可隨機產生輸入權值和隱含層偏置，只需設定隱含層神經元個數，就能生成最優解。

設隱含層神經元數目為L，各隱含層節點輸出值為

式中：Q 為樣本的訓練集個數；wi為第i 個隱含層神經元與輸入層的權值；βi為第i 個隱含層神經元與輸出層的權值；xi為輸入樣本；h（x）為激活函數；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、輸出層權值：

式中：C 為懲罰系數。

最終得到ELM 的輸出函數表達式：

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解，通過位置、速度和適應度值表示特征[6]。通過群體極值Gbest和個體極值Pbest更新位置，Gbest是群體最優位置，Pbest是個體經歷位置中的最優位置。

每更新位置一次，適應度值變化一次。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 是慣性權值；d 為1 至維數D 范圍內的正整數；i 為1 至粒子數n 之間的正整數；k 指進化次數；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；r1、r2是0 至1 范圍內的任意數。

1.2.2 粒子群算法優化

由于慣性權重ω 對于PSO 的性能影響較大，因此對于慣性權重的修正，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，采用線性遞減權重的方式優化PSO。

這是因為較大的權重ω 易跳出局部最優點，較小的權重ω 利于搜索當前的局部區域，使算法收斂。因此，采用線性變化權重，使ω 從ωmax至ωmin線性遞減，解決PSO 發生早熟收斂的問題。

線性遞減權重迭代次數的變化公式：

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

但是，線性遞減權重的優化方法存在兩方面的不足，通過隨機權重策略可以解決。其一，當粒子在迭代前期接近最優點，隨機ω 可產生更小的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點，此時隨機ω 就可以解決這類問題。因此，本設計通過隨機慣性權值ω 對PSO 進行優化。隨機ω 計算公式如下所示：

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

2 基于IPSO-ELM 的火災檢測模型建立

火災是一種不可控的復雜燃燒形式，通過各種化學物質進行反應的過程。一般情況下，化學物質反應的產物有煙霧、溫度和有毒氣體等。本實驗選取有代表性的溫度、 煙霧和CO 濃度作為火災的評價指標。

本設計利用IPSO 對ELM 進行優化，通過IPSOELM 算法對火災檢測問題進行建模。相較于傳統的神經網絡，ELM 具有設置參數少、求解速度快、精確度高等優點。基于該優化算法的神經網絡，將3 種火災特征作為網絡輸入級，無火、明火、陰燃火3 種火情作為訓練輸出。具體的結構如圖1 所示。

圖1 IPSO-ELM 網絡結構Fig.1 IPSO-ELM network structure

IPSO-ELM 火災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練樣本，另一部分為測試樣本。對輸入集數據進行歸一化操作。

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

式中：D 為粒子空間維度；I 為輸入的神經元個數；H為隱含的神經元個數。

第三步設定最大迭代次數tmax為50 次；學習因子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，根據公式（9）計算隨機權重ω。

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

式中：N 指訓練樣本量；M 指輸出神經元數；yk為預測輸出值，ck為實際輸出值。

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

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

第七步當適應度函數值達到最小且最終到達最大迭代次數時，停止迭代，輸出最優位置。此時，得到最優的輸入權值和隱含層偏置。否則，跳轉到第四步。

第八步將IPSO 優化后的輸入權值和隱含層偏置，引入到ELM 網絡，對火災數據進行訓練。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 實驗結果分析

本文采用國家標準火災數據以及國內核心論文數據[9-10]，將其中數據分成訓練集和測試集，驗證IPSO-ELM 網絡性能。數據包含無火、明火、陰燃火各80 組數據，將這些數據隨機分成180 組做訓練，其余60 組（無火、陰燃火、明火數據各20 組）做測試。部分測試集數據如表1 所示。

表1 火災測試集數據Tab.1 Fire test set data

利用180 組訓練集數據訓練IPSO-ELM，之后通過60 組測試集檢驗網絡的優劣特性。其中，60 組測試數據的檢驗結果如圖3 所示。

圖3 基于IPSO-ELM 的火情識別結果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 的火情識別結果如圖4、圖5 所示。從圖中可知，基于PSO-ELM 的火災檢測模型在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%。基于GA-ELM 的火災檢測模型在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 的火情識別結果Fig.4 Fire recognition results based on PSO-ELM

圖5 基于GA-ELM 的火情識別結果Fig.5 Fire recognition results based on GA-ELM

通過以上對比，發現基于IPSO-ELM 的火情識別算法的分類準確率高于另外兩種算法。

4 結語

本文針對極限學習機算法存在隨機生成輸入權值和隱含層閾值，導致分類精度不高的問題。提出用群優化算法（PSO）來優化參數特性，使ELM 產生最優的權值和閾值。然而，PSO 自身的慣性權重對其性能影響較大；所以提出，通過隨機慣性權重來改進PSO 性能。具體地，經過IPSO 不斷迭代尋優，找到最優適應度值，確定優化后的權值和閾值。然后將溫度、煙霧濃度、CO 濃度3 種火災特征作為網絡輸入；3 種火情作為輸出集，分別是無火、陰燃火、明火。經過對實驗結果的分析，直觀地反映出：基于IPSO-ELM 的檢測網絡擁有穩定的分類及泛化性能，對于火災檢測這一領域有很強的適應性。最后，與經過PSO 和GA 優化后的ELM 火災識別網絡比較；發現，經IPSO 優化的網絡性能要高于這兩者，并且網絡檢測準確性更好。