基于極限學習機的高壓輸電線路障礙物識別方法

詹浩東，林勇，孫偉業

（合肥工業大學電氣自動化工程學院，安徽合肥 230009）

高壓輸電線路是電力系統的基礎設施，隨著輸電線路的覆蓋范圍越來越大，現階段人工巡線的方式已經難以滿足高壓輸電線路的運行維護要求[1-2]。人工智能技術的發展使機器人巡檢方式得以興起，許多學者提出了機器人視覺識別方法,例如支持向量機[3]、人工神經網絡[4]等。南洋理工大學的黃廣斌等先后提出了極限學習機（ELM）[5]和核極限學習機(KELM)[6]，其訓練速度很快，有著較高的準確率，但核函數的種類與參數會影響KELM的學習能力和泛化能力[7]。核函數及其參數的優化對KELM 較為重要。

面對此類參數優化問題，生物啟發式智能算法受到了學者們的重視，2018 年，劉生建等提出了一種獅群優化算法（LSO）[8]，在求解一些優化問題時有良好的表現，但其仍有易陷入局部最優和早熟等問題。

文中提出一種基于改進獅群算法優化的多核極限學習機的高壓線路常見障礙物識別方法，利用混沌初始化種群、自適應種群成年獅比例因子以及差分算法和模擬退火算法對LSO 進行改進。以高壓線路常見障礙物圖片制作數據集。利用改進后的LSO算法建立并訓練ILSO-MKELM 模型。通過測試結果驗證了該分類器的性能。

1 改進獅群算法

1.1 獅群算法

獅群算法是受獅群中獅王、母獅和幼獅的自然分工所啟發而提出的算法，其數學模型：設D維解空間中的某種群有N個獅子，第i個獅子的位置為xi=(xi1,xi2,xi3,xi4···xiD)，成年獅的數量為N×B，B為成年獅的比例因子。獅王按照式（1）更新自身位置。

其中，gk為第k代群體的最佳位置，為第i個獅子第k代的歷史最佳位置。母獅按式（2）更新自身位置。

為第k代種群內隨機選擇的母獅，af為母獅移動范圍的擾動因子[9]，T為群體最大迭代次數，t為當前迭代次數，幼獅按式（4）更新位置。

q為均勻分布U[0,1]產生的均勻隨機值，為第k代母獅的歷史最佳位置。

1.2 獅群算法的改進策略

1.2.1 混沌映射生成初始種群

混沌初始化方法能有效改善初始種群的分布狀態，現今應用較為廣泛的混沌算法[10]為logistic 映射,但考慮其存在性能較差的小區間，這里采用遍歷均勻性更好的Tent算法，計算公式為式（5）：

其中，a的取值范圍為(0,2]，為第n個個體的第d維度的值。

1.2.2 自適應成年獅比例因子

算法運行初期應有更強的全局搜索能力，在找到最優解的候選區域后加強局部開發能力的迅速收斂。部分幼獅的位置更新依賴于成年獅，保留其數量至少為2，在此提出了該比例因子的調整公式和約束條件，如式（6），其中，K為種群個體數，當群體最大迭代次數T為800 時，成年獅比例因子B隨迭代次數t的變化趨勢如圖1所示。

圖1 比例因子變化趨勢

1.2.3 差分進化算法

差分進化算法是具有強大全局搜索能力的求解算法，近年來許多差分算法變異策略的改進方法被提出。ESPDE 算法[11]給出了帶雙差分項變異策略，JADE 算法[12]中變異策略由種群中較好的個體和較劣個體共同引導種群進化。這里提出一種簡化策略池的差分策略，如式（7）～（9）：

其中，為變異個體，為目標個體，為當前最優個體，為當前最劣個體，F為變異因子。

變異個體再經過交叉操作即可得到子代個體，采用JADE 算法的更新方法調整變異因子與交叉因子等控制參數。

1.2.4 模擬退火算法

模擬退火算法以Metropolis 準則為基礎，在運行過程中以概率形式接受劣解，因此具有很強的跳出局部最優的能力。

1.3 差分模擬退火與獅群算法的融合

獅王的位置更新方式改進：使用一種修改過的模擬退火算法對獅王進行局部尋優，該算法將降溫計算改為固定搜索次數，使用的擾動形式為高斯擾動。母獅位置更新策略從策略池SK 中隨機選擇。所有算法生成的子代個體的選擇均沿用Metropolis準則，融合算法的具體計算步驟如下：

1）初始化種群規模N、個體維度D、最大迭代次數T、成年獅比例因子B、變異因子、交叉因子、系統溫度T0。

2）使用Tent 映射生成初始種群S，按式（5）進行計算，計算目標函數值fitness 并排序，選擇最優個體為獅王。

3）按式（6）更新成年獅比例因子B，按式（1）、（2）、（4）更新各類獅子的位置，生成種群S1 并計算目標函數值fitness1。

4）為獅王添加高斯擾動，進行局部搜索10 次，按Metropolis 準則接受新解并更新目標函數值。

5）隨機選擇策略池SK中的變異策略即式（7）～（9）對母獅進行變異操作，幼獅用式（8）、（9）替代式（4）進行變異，最后通過交叉操作生成種群S2 并計算目標函數值fitness2。

6）比較S、S1、S2種群中每個個體fitness、fitness1、fitness2的數值，取最優個體保存至S，對于種群S2 來說，存在fitness2 比fitness 更優，即視為更新成功，若fitness1和fitness2 均為劣解，則從中隨機選擇一個劣解按Metropolis 準則接受。最后更新fitness。

7）更新全局最優個體和當前最劣個體，保留更新成功的變異策略、變異因子、交叉因子，更新失敗個體的下一代重新從策略池SK 中選擇變異策略，變異因子和交叉因子的更新采用JADE 算法，并進行退火操作。每隔10 代對整個種群重新排序。

8）確認當前最優解能否滿足精度要求或迭代次數是否達到最大值，不滿足則轉向第3）步，滿足則直接輸出當前最優解的位置和該解的目標函數值，算法結束。

1.4 實驗驗證和結果分析

1.4.1 運行環境與參數設置

為了驗證算法的有效性，選擇多種國際通用的標準測試函數對改進的LSO 算法進行測試，并與原算法以及PSO、ABC、GWO和GSA 進行了對比分析，每種算法獨立運行20 次，給出平均收斂曲線。測試函數如表1 所示。

表1 測試函數

1.4.2 收斂性分析

測試函數的平均收斂曲線如圖2～4 所示，迭代次數均為400 次。

圖2 2維空間f1、f2函數尋優曲線圖

圖3 30維空間f1、f2函數尋優曲線圖

圖4 f3函數尋優曲線

可見改進LSO的收斂曲線在初期有更好的適應度，收斂曲線前期下降速度仍然較快，說明Tent映射有效地改善了種群的初始位置，曲線出現波動是由于初期算法接受劣解的概率較高。迭代過程中改進LSO算法的停滯次數較少，表明差分算法和Metropolis 準則加強了LSO的局部開采能力和跳出局部最優的能力，在高維空間尤為明顯。少數情況下迭代次數少量上升。對于f3函數，改進LSO能迅速收斂至最優值，迭代過程中幾乎不會陷入局部最優。

2 混合核極限學習機算法

極限學習機是一種單層前饋神經網絡[13]，其輸入層權值和隱藏層閾值均隨機生成[14]，無需迭代。由于其隱藏節點數難以確定，文獻[14]引入了正則化系數并借鑒了SVM 中的核函數方法，得到了一種核極限學習機。這里采用的是多項式和高斯徑向基組成的混合核函數，函數貢獻因子設為C2，用于調節兩者權重。

3 基于改進LSO-MKELM的高壓輸電線路障礙物識別的建模與仿真

3.1 障礙物識別分析

選取高壓輸電線路上常見的障礙物作為分類器測試對象，分別為防震錘、間隔器、懸線夾、絕緣子4類障礙物。常見的特征提取算法有HOG[15]、SIFT[16]、SURF[17]、ORB[18]等，考慮到高壓輸電線路上的電力器件等障礙物的顏色以及紋理特征不明顯，為了兼顧分類精度和識別速度，選擇SURF 算法作為特征提取算法。

3.2 建立障礙物識別模型

利用ILSO 對MKELM的核函數參數C1、C2、δ、d和正則化系數C進行優化，由于d為多項式函數部分的指數參數，其取值范圍限定為[1，5]，且為整數。具體訓練步驟如下：

1）對數據集圖片進行灰度化并使用均值濾波法除噪，使用直方圖均衡化的方法進行圖像增強，利用腐蝕算法處理增強后的圖片，取得形狀特征圖，最后利用SURF 算法生成特征描述子，構建詞袋模型，并對特征描述子進行量化，添加類別標簽。

2）以核函數參數和正則化系數組成維數為5的獅子個體，輸入訓練集數據訓練模型，以測試集數據的分類正確率為目標適應度，按照改進LSO 算法流程進行計算。

3）達到最大迭代次數或達到預設定正確率時輸出核函數參數和正則化系數。否則按ILSO 算法流程繼續迭代。

4）將優化過的核函數參數和正則化系數輸入MKELM 進行訓練，得到障礙物的識別模型。

3.3 實驗仿真與驗證

實驗測試環境為Matlab2018a，所用數據集圖片數量為500張，圖片分辨率統一調整為50×50，其中各類障礙物正樣本各100 張，共計400 張，負樣本各25張，共計100張，實驗重復次數為10次，每次實驗隨機抽取各類樣本總數的60%作為訓練數據，其余作為測試數據。不同建模方法的實驗結果對比如表2所示。

表2 不同建模方法的實驗結果對比

表2 中提供了不同方法建模的實驗結果，對比可知ILSO-MKELM 對各類障礙物的分類正確率要優于其他建模方法，說明ILSO-MKELM擁有更強的全局尋優能力。從表2中也可看出，ILSO-MKELM的總體正確率與標準差均更具優勢，說明利用ILSO 算法建模穩定性更佳。

4 結束語

針對獅群算法尋優能力的不足，利用JADE 算法、模擬退火算法的位置更新策略對獅群算法進行了改進，通過標準函數進行測試，結果表明該算法具有更好的尋優能力。以此提出了一種ILSO-MKELM的分類模型，使用改進獅群算法對多核極限學習機中的核函數參數以及加權系數進行優化。最后使用SURF 算法抽取高壓線路上常見的數種障礙物特征向量制作數據集，使用上述的分類模型在此數據集上進行了訓練與測試，結果顯示該分類器的總體正確率達到了0.94，標準差為0.014,對比ELM、KELM和LSO-MKELM 等建模方法均更具優勢，能夠較好地完成障礙物的類型識別任務。