一种应用于红外火焰识别的自组织TS型模糊网络建模方法与流程
本发明属于红外火焰识别技术领域，具体涉及一种应用于红外火焰识别的自组织ts型模糊网络建模方法。
背景技术：
基于红外热释电传感器的火焰探测器广泛应用于现代工业碳氢化合物的火焰检测中，是工业生产系统自动运行的重要组成部分和必要的安全装置。碳氢类火焰被二氧化碳吸收后辐射的红外光的波长在频谱中相对固定，但是相应的采样信号可能会受到其它干扰源的影响，这些干扰源的信号可以在频谱的其它波段被探测到。总体上说，火焰探测器中不同波段的传感器对于火源和干扰源的敏感度不同，所以可以通过多种方法可靠地区分火焰和干扰源。
在过去的几十年里，已经开发出了一些方法，如相关性、周期性检查、取比值、频率分析和阈值交叉等方式，以检测和辨别火焰和非火焰干扰。然而，火焰与非火焰干扰的分离是一个非常复杂的检测过程，尤其是使用多个探测波段不同的传感器，很难在样本数据中通过经验提取和建立变量之间的内在隐含联系。这导致了火焰与非火焰干扰线性分离的困难。为了解决这一问题，提高识别率，采用非线性模式识别方法，如应用模糊神经网络，对不精确、不完整的数据进行分析。众所周知，模糊神经网络融合了模糊系统和神经网络这两种强大方法的优点，通过模糊规则为神经网络提供模型解释性，同时神经网络的训练方式也为模糊系统提供了有效的参数辨识方法。在现有的模糊建模方法中，ts模糊推理可以利用一系列模糊规则生成复杂的非线性关系，有效地解决了高维系统建模问题中时常发生的规则灾难。近年来，rbf神经网络融合ts模糊模型具有结构相对简单，较好的局部逼近能力、可解性和函数等价性等优点。然而，针对二分类问题，如果使用多传感器构建新一代火灾探测系统，传统融合ts模型的rbf神经网络存在以下不足之处：
1.如何学习并确定ts-rbf模型的结构，传统的ts-rbf模型通常采用试错法来确定模型的结构，但是固定的模型结构很难在复杂多变的工业环境中取得理想的识别效果。因此，选择合适的模糊规则数目对整个模糊神经网络的性能尤为重要。如果模糊规则的数量过大，系统的逻辑关系就会过大，计算量就会呈指数增长。如果模糊规则的数量不足，网络表现力将极为有限的。
2.仅仅通过梯度下降法学习模型参数，会导致代价函数容易陷入局部最优点，从而限制模型的拟合能力。
3.在实际的工业应用中存在多种故障，例如：当出现设备老化导致的性能下降，在信号采样和处理的过程中导致数据失真甚至是数据丢失，这可能会导致采样数据中存在一些异常值。不幸的是，为了提高模型的泛化能力，大多数现有的方法都在rbf-nn中加入了去模糊化，这会导致在抑制离群点输出时出现困难。离群点是火焰探测器误报警的主要原因之一，除去故障因素在正常工作环境下也有可能产生少量离群点，但是其连续出现的频率大大低于故障引起的离群点。在目前的大多数方法中，故障不能与正常工作状态区分开来，换句话说，1型模糊集不能很好地处理不确定性问题。
技术实现要素：
本发明旨在提供一种应用于红外火焰识别的自组织ts型模糊网络建模方法。首先，为了抑制由故障引起的离群点的输出，使其能够区别于正常工作状态，我们在模糊系统的前件网络的模糊规则适应度增加了一个偏置。其次，提出了一种不需要任何先验知识的自组织模型结构学习方法，能够有效增加、裁剪节点。最后，设计了一种自适应学习算法，用于克服梯度下降学习中的局部最优问题。
本发明的技术方案：
一种应用于红外火焰识别的自组织ts型模糊网络建模方法，步骤如下：
(1)采集不同火焰的时域信号数据，并对信号数据进行预处理，得到频域信号数据；
(2)对波形的时域、频域信号数据进行特征信息的提取，获得火焰的特征向量，组成样本集；
(3)将样本集划分为训练集、验证集和测试集；
(4)搭建ts-rbf模糊神经网络；
(5)设定ts-rbf模糊神经网络参数初始值，利用训练集的样本对ts-rbf模糊神经网络进行训练，进行结构、参数学习；
(6)利用验证集对训练好的ts-rbf模糊神经网络进行验证及模型选择；
(7)将测试集输入训练好的ts-rbf模糊神经网络中，其结果作为对模型的最终评价。
进一步的，所述步骤(1)中的时域信号数据变为频域信号，预处理的步骤为：
(1.1)将采集到的时域信号减去基准电压，对采样信号加汉宁窗做周期性处理；
(1.2)用fft变换(快速傅里叶变换)提取步骤(1.1)处理后的信号的频谱信息。
进一步的，所述步骤(2)中提取的特征信息为：不同微米通道的电压峰值、两个微米通道的电压峰值之比、波形中的极值点、频域中不同频率段的能量大小之和、频域中具有最高能量的频率、频域中具有最高能量的频率的幅值。
进一步的，所述步骤(4)搭建ts-rbf模糊神经网络时，ts模型和rbf神经网络融合的前提条件有以下三点：
a.rbf神经网络中归一化层采用的方法与ts模型中去模糊化的方式相同，且rbf神经网络计算隐含层节点输出的方式与模糊规则适应度的生成方式均为点积。
b.隐含层的节点数等于模糊规则的数目。
c.rbf神经网络中的高斯型激活函数对应和模糊系统中的隶属度函数相同。
基于上述条件，自组织ts-rbf模糊神经网络结构如附图1所示
搭建过程如下：
(4.1)构建ts-rbf模糊神经网络的前件网络
(4.1.1)设输入层的输入向量为x＝[x1x2lxn]t，其中n为输入特征的维数，xi表述样本中的第i维特征；
(4.1.2)对ts-rbf神经网络的训练集利用k-means(欧式距离)进行聚类，得到h类模糊集群，以确保隐含层具有h个节点，且每个节点具有n维高斯隶属度函数对应着n个模糊集；将第j类模糊聚类中心作为第j个隐含层节点的高斯隶属度函数的初始中心，如下所示，
其中，
在前件网络的隐含层中，第j条模糊规则的模糊规则适应度wj一般用马氏距离作为评价尺度如下：
其中，
(4.1.3)在归一化层中，采取重心法式(3)进行去模糊化得到归一化模糊规则适应度，并且加入正数w0作为偏置，用于平衡方程和抑制离群点输出的情况；
其中，
(4.2)构建ts-rbf模糊神经网络的后件网络
(4.2.1)将
(4.2.2)在后件网络中，隐含层中的h条模糊规则对应h个节点，其中第j条模糊规则的输出yj通过如下规则计算：
规则
其中，
输出层的输入yn1是
(4.2.3)采用如下的双曲正切函数作为输出层的激活函数:
yn＝tanh(yn1)(6)
训练过程为：
(5.1)自适应模型结构学习
在模糊系统理论中，存在一个数学表述的常识就是一个模糊规则可以看作一个聚类集群，也就是说训练集中的每一个聚类集群都可以对应一个模糊规则。在训练前我们先将训练集的所有特征归一化到[-1,1],之后用k-means聚类算法将训练集聚类为h个模糊集群以加快模型结构学习。之后通过模糊系统中的所有模糊规则的模糊规则适应度与一个事先设定的阈值ε＞0进行比较，来确定是否需要构建一个新的模糊规则。在训练过程中，我们通过合并相似的规则和删除无用的规则来消除不合适的规则。下面是一个详细的结构学习过程：
(5.1.1)输入一个新样本，通过式(2)计算系统中所有规则的模糊规则适应度。
(5.1.2)如果满足式(7)，则执行(5.1.3)，否则执行(5.1.4)。
argmax(wj)＜ε,j＝1,2,...,h(7)
(5.1.3)一个对应第h+1的模糊规则的节点如图1被加入模型结构中。其隶属函数的中心是该样本的对应特征分量，宽度为初始化为一个预先给定的正数，模糊规则的参数均初始化为0。之后执行(5.1.2)。
(5.1.4)如果第j条规则的归一化模糊规则适应度在整个训练集中连续两次都小于一个阈值φ，或者存在宽度
(5.1.5)如果第j条规则和第k条规则满足式(8),那么这两条规则就该被合并为一条新的第j条规则，该规则的参数由式(9)计算得到，其中λ,η＞0都是预先设定值。否则，在参数学习结束之后执行(5.1.1)。
(5.2)对自组织ts-rbf模糊神经网络参数初始化，包括
(5.3)利用自适应的梯度下降的学习方式，对建立的自组织ts-rbf模糊神经网络进行参数学习；
(5.3.1)设定代价函数如下：
其中，k＝1,2,l,n,n是训练集样本的总数；yd(k)是样本标签值，yn(k)是网络的实际输出，e(k)＝yd(k)-yn(k)是误差；
(5.3.2)参数优化阶段使用的均方根误差(rmse)性能指标定义如下:
(5.3.3)调整具体参数如下：
其中，α、β代表学习率和动量因子，h是模糊规则数，n是特征维数；学习率自适应调整取决于性能指标pi，具体如下：
(a)当rmse(t)≥rmse(t-1)时，那么
α(t+1)＝hdα(t),β(t+1)＝0.(16)
(b)当rmse(t)＜rmse(t-1)并且
α(t+1)＝hiα(t),β(t+1)＝β0.(17)
(c)当rmse(t)＜rmse(t-1)并且
α(t+1)＝hiα(t),β(t+1)＝β(t).(18)
其中，t是迭代次数，hd和hi分别是减少和增加因子；δ是基于均方根误差(rmse)的相对指标的阈值；因此，需要满足如下条件(20)：
0＜hd＜1,hi＞1.(19)
其中，
进一步的，所述步骤(6)、(7)中模型选择、最终评价如下：
训练得到的模型评价方式通过式(11)均方根误差(rmse)；
计算训练均方根误差时u＝n,通过验证集进行模型选择时，u为验证集的样本数目，通过测试集对模型效果评价时，u为测试集的样本数目。
本发明的有益效果：
1.通过在模糊系统的前件网络的模糊规则适应度增加了一个偏置w0，可以有效抑制离群点输出的不确定性将离群点统一归为一类，使其能够与正常工作状态的样本区分开来，达到故障识别。
2.提出的自组织结构学习方式，可以在不需要任何先验知识的情况下，有效增加所需节点和裁剪不合适或多余的节点，使模型结构更加合理。
3.提出的自适应学习方式可以有效克服梯度下降学习中的局部最优问题，跳出局部最优点。
附图说明
为了更清楚地说明本申请实施方式中的技术方案，下面将对实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为自组织ts-rbf模糊神经网络结构示意图。
图2为三波段红外火焰探测器硬件结构图。
图3(a)为正庚烷燃烧的采样时域信号。
图3(b)为正庚烷燃烧的采样频域信号。
图3(c)为酒精灯燃烧的采样时域信号。
图3(d)为酒精灯燃烧的采样频域信号。
图4(a)为蜡烛燃烧的采样时域信号。
图4(b)为蜡烛燃烧的采样频域信号。
图4(c)为电烙铁的采样时域信号。
图4(d)为电烙铁的采样频域信号。
图5(a)为手机灯的采样时域信号。
图5(b)为手机灯的采样频域信号。
图5(c)为自然光的采样时域信号。
图5(d)为自然光的采样频域信号。
图6为模型训练的rmse。
图7为训练效果。
图8为自组织ts-rbf模糊神经网络的实时模糊规则数目。
图9为验证效果。
图10为测试效果。
图11为离群点输出测试。
具体实施方式
下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本申请保护的范围。
本申请的一种应用于红外火焰识别的自组织ts型模糊网络建模方法，步骤如下：
(1)采集不同火焰的时域信号数据，并对信号数据进行预处理，得到频域信号数据，
预处理的步骤为：
(1.1)将采集到的时域信号减去基准电压，对采样信号加汉宁窗做周期性处理；
(1.2)用fft变换(快速傅里叶变换)提取步骤(1.1)处理后的信号的频谱信息。
(2)对波形的时域、频域信号数据进行特征信息的提取，获得火焰的特征向量，组成样本集，提取的特征信息为：不同微米通道的电压峰值、两个微米通道的电压峰值之比、波形中的极值点、频域中不同频率段的能量大小之和、频域中具有最高能量的频率、频域中具有最高能量的频率的幅值。
(3)将样本集划分为训练集、验证集和测试集；
(4)搭建ts-rbf模糊神经网络，搭建ts-rbf模糊神经网络时，ts模型和rbf神经网络融合的前提条件有以下三点：
a.rbf神经网络中归一化层采用的方法与ts模型中去模糊化的方式相同，且rbf神经网络计算隐含层节点输出的方式与模糊规则适应度的生成方式均为点积。
b.隐含层的节点数等于模糊规则的数目。
c.rbf神经网络中的高斯型激活函数对应和模糊系统中的隶属度函数相同。
基于上述条件，自组织ts-rbf模糊神经网络结构如附图1所示
搭建过程如下：
(4.1)构建ts-rbf模糊神经网络的前件网络
(4.1.1)设输入层的输入向量为x＝[x1x2lxn]t，其中n为输入特征的维数，xi表述样本中的第i维特征；
(4.1.2)对ts-rbf神经网络的训练集利用k-means(欧式距离)进行聚类，得到h类模糊集群，以确保隐含层具有h个节点，且每个节点具有n维高斯隶属度函数对应着n个模糊集；将第j类模糊聚类中心作为第j个隐含层节点的高斯隶属度函数的初始中心，如下所示，
其中，
在前件网络的隐含层中，第j条模糊规则的模糊规则适应度wj一般用马氏距离作为评价尺度如下：
其中，
(4.1.3)在归一化层中，采取重心法式(3)进行去模糊化得到归一化模糊规则适应度，并且加入正数w0作为偏置，用于平衡方程和抑制离群点输出的情况；
其中，
(4.2)构建ts-rbf模糊神经网络的后件网络
(4.2.1)将
(4.2.2)在后件网络中，隐含层中的h条模糊规则对应h个节点，其中第j条模糊规则的输出yj通过如下规则计算：
规则
其中，
输出层的输入yn1是
(4.2.3)采用如下的双曲正切函数作为输出层的激活函数:
yn＝tanh(yn1)(6)。
(5)设定ts-rbf模糊神经网络参数初始值，利用训练集的样本对ts-rbf模糊神经网络进行训练，进行结构、参数学习，
训练过程为：
(5.1)自适应模型结构学习
在模糊系统理论中，存在一个数学表述的常识就是一个模糊规则可以看作一个聚类集群，也就是说训练集中的每一个聚类集群都可以对应一个模糊规则。在训练前我们先将训练集的所有特征归一化到[-1,1],之后用k-means聚类算法将训练集聚类为h个模糊集群以加快模型结构学习。之后通过模糊系统中的所有模糊规则的模糊规则适应度与一个事先设定的阈值ε＞0进行比较，来确定是否需要构建一个新的模糊规则。在训练过程中，我们通过合并相似的规则和删除无用的规则来消除不合适的规则。下面是一个详细的结构学习过程：
(5.1.1)输入一个新样本，通过式(2)计算系统中所有规则的模糊规则适应度。
(5.1.2)如果满足式(7)，则执行(5.1.3)，否则执行(5.1.4)。
argmax(wj)＜ε,j＝1,2,...,h(7)
(5.1.3)一个对应第h+1的模糊规则的节点如图1被加入模型结构中。其隶属函数的中心是该样本的对应特征分量，宽度为初始化为一个预先给定的正数，模糊规则的参数均初始化为0。之后执行(5.1.2)。
(5.1.4)如果第j条规则的归一化模糊规则适应度在整个训练集中连续两次都小于一个阈值φ，或者存在宽度
(5.1.5)如果第j条规则和第k条规则满足式(8),那么这两条规则就该被合并为一条新的第j条规则，该规则的参数由式(9)计算得到，其中λ,η＞0都是预先设定值。否则，在参数学习结束之后执行(5.1.1)。
(5.2)对自组织ts-rbf模糊神经网络参数初始化，包括
(5.3)利用自适应的梯度下降的学习方式，对建立的自组织ts-rbf模糊神经网络进行参数学习；
(5.3.1)设定代价函数如下：
其中，k＝1,2,l,n,n是训练集样本的总数；yd(k)是样本标签值，yn(k)是网络的实际输出，e(k)＝yd(k)-yn(k)是误差；
(5.3.2)参数优化阶段使用的均方根误差(rmse)性能指标定义如下:
(5.3.3)调整具体参数如下：
其中，α、β代表学习率和动量因子，h是模糊规则数，n是特征维数；学习率自适应调整取决于性能指标pi，具体如下：
(a)当rmse(t)≥rmse(t-1)时，那么
α(t+1)＝hdα(t),β(t+1)＝0.(16)
(b)当rmse(t)＜rmse(t-1)并且
α(t+1)＝hiα(t),β(t+1)＝β0.(17)
(c)当rmse(t)＜rmse(t-1)并且
α(t+1)＝hiα(t),β(t+1)＝β(t).(18)
其中，t是迭代次数，hd和hi分别是减少和增加因子；δ是基于均方根误差(rmse)的相对指标的阈值；因此，需要满足如下条件(20)：
0＜hd＜1,hi＞1.(19)
其中，
(6)利用验证集对训练好的ts-rbf模糊神经网络进行验证及模型选择；
(7)将测试集输入训练好的ts-rbf模糊神经网络中，其结果作为对模型的最终评价。
所述步骤(6)、(7)中模型选择、最终评价如下：
训练得到的模型评价方式通过式(11)均方根误差(rmse)；
计算训练均方根误差时u＝n,通过验证集进行模型选择时，u为验证集的样本数目，通过测试集对模型效果评价时，u为测试集的样本数目。
如图2所示，本例是在三波段火焰探测器的硬件基础上所做的实验，三个热释电红外传感器对不同波段的红外光具有不同的敏感因子。探测波段选定3.8微米(人工热源波段)，4.3微米(火焰探测波段)，5.0微米(背景辐射波段)，三波段的半波带宽均为0.2微米。
火焰探测器的主要硬件结构包括：传感器模块、信号放大滤波模块、a/d采样模块、通信接口模块、电压参考模块、微处理器模块等，如附图2和表1所示。
表1探测器的硬件组成
实验采集的数据包括了不同火源和干扰源，具体有：正庚烷、蜡烛、酒精灯、电烙铁、手机灯。正庚烷燃烧实验操作遵守国家标准gb15631–2008,燃烧箱尺寸约33厘米(长度)×33厘米(宽度)×5厘米(高度)，距离25-60米。其他火源的火焰尺寸均为1厘米(宽度)×2厘米(高度)，与干扰源一样距探测器约为0.5米。本实验的目的在于验证自组织ts-rbf模糊神经网络能不能有效的区分火源：正庚烷、蜡烛、酒精灯和人工热源干扰以及背景光源干扰。火源在水平面上的正、负偏转角均小于45度。实验数据是在144hz采样频率下采集的时域数据，根据火焰闪烁频率主要集中在3-25hz的规律，将时域数据通过fft变换(快速傅里叶变换)为对应的频域数据。
为了获得良好的火焰识别性能，在时域内对采样信号进行如下预处理：
(1)将4.3微米通道采集到的信号减去基准电压2v,之后每200点加一个汉宁窗做处理。
(2)用fft变换(快速傅里叶变换)提取(1)中得到的信号的频谱信息。
从不同的燃烧源和干扰源得到的实验数据如附图3-5所示，图中每个图都包含了时域采样的信号，以及在4.3微米通道上使用fft变换得到的相应的频域信号。
为了从实验数据中提取特征信息，我们从波形的每200个采样数据中提取特征向量x＝[x1x2lxn]t，其中包含12个特征，如表2所示，其中n＝12。
表2特征向量中的特征分量
正常工作状态实验中我们得到736组样本作为样本集，将所有样本的特征归一化为[-1,1]，其中通过数据清理从样本集中移除20组离群点作为之后离群点测试使用。之后500组(243组正样本，257组负样本)作为训练集，116组(56组正样本，60组负样本)作为验证集，100组(50组正样本，50组负样本)作为测试集。
按技术方案训练之后模型具体参数如表3所示，模型正常工作状态实验效果如表4，附图7、9、10所示，我们可以看到模型在正常工作状态下能够有效地识别火焰和非火焰干扰，且识别率达到100％。训练中模型可以有效跳出局部最优点达到比较好的拟合精度。如图8所示，模型的模糊规则数目实时增加、裁剪，不仅能够使模型拟合精度提升，更能有效提升模型的泛化能力。
众所周知，离群点是导致误报警的主要原因，故障引起的离群点将比正常工作状态下不可预测的扰动引起的离群点更持续地出现。基于这一事实，如果我们能够抑制离群值的输出，那么我们就可以去除部分误警报，并将故障与正常工作状态区分开来。具体来说，如果输出在[-0.1,0.1]范围内，识别结果为拒绝识别，如果拒绝识别连续三次，则识别结果为系统存在故障。我们用的离群点集由从上述数据集中移除的20组离群值以及从数据丢失或数据失真的故障信号中提取的另外30组离群点样本组成。
从图11可以看出，所提出的自组织ts-rbf模型可以抑制所有情况下引起的离群值的输出。主要是因为在离群点输入的情况下wj都是很小的但是在去模糊化过程中一些不适合的模糊规则可能主导输出,这将导致离群点的输出难以抑制,导致识别故障和正常工作状态的困难。为了提高模型的鲁棒性，我们在模糊系统的前件网络的模糊规则适应度增加了一个小偏置w0。在正常的样本中，w0对输出的影响很小，但是如果在所有wj都很小的情况下，在模糊系统中w0会占据主导作用来抑制离群点的输出。
表3模型参数
表4模型正常工作效果
本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。尤其，对于系统实施方式而言，由于其基本相似于方法实施方式，所以描述的比较简单，相关之处参见方法实施方式的部分说明即可。
虽然通过实施方式描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。
- 还没有人留言评论。精彩留言会获得点赞！