一种基于灰色小波神经网络的火场态势信息感知方法

1.本发明属于通信技术领域，特别是涉及一种基于灰色小波神经网络的火场态势信息感知方法。


背景技术：

2.移动警务融合智能网络架构能够实现公安移动警务应用系统从终端到网络，以及各应用层级的深度融合，为系统提供了更丰富的通信资源，包括更多类型的终端、更多方式的融合网络以及支撑更多移动警务的应用。其中智能资源适配引擎主要研究融合终端的智能接入机制，以及应用服务中的业务机制。异构网下业务智能协同应用的现场态势感知作为智能资源适配的重要组成，通过具体算法实现现场态势感知，辅助控制中心进行相关决策，为用户提供现场态势情况并得到有效指令，具有重要的意义。
3.当前现场态势感知的研究主要以态势信息的融合分析为主，本研究将针对复杂通信场景中火警常遇到的火场进行态势信息感知算法的研究。当前信息融合分析算法主要包括传统统计学方法和新兴的机器学习相关算法等。当前对于异构无线网络的网络选择方法中，灰色系统理论的精神是通过对小数据量样本进行灰色生成，对小数据、不确定性系统进行处理加工，从中提取有价值的信息知识，发掘其中规律，进行信息感知。神经网络是一种新兴人工智能研究方法，具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别是处理需要同时考虑许多因素和条件的、不精确和模糊的信息问题。
4.以上方法均有一定的弊端，若只采用某一单一方法作为态势信息融合感知的标准，一是考虑不够全面，二是会放大单一方法的弊端，灰色模型对非线性问题没有较好的解决，而神经网络所需的研究数据量较大，此外，普通的神经网络收敛特性不稳定，且具有一定的盲目性也需要改进。


技术实现要素：

5.本发明提出一种基于灰色小波神经网络的火场态势信息感知方法，用以解决采用某一单一方法作为态势信息融合感知的标准会放大单一方法的弊端，灰色模型对非线性问题没有较好的解决，普通的神经网络收敛特性不稳定的问题。
6.本发明通过以下技术方案实现：
7.一种基于灰色小波神经网络的火场态势信息感知方法，所述火场态势信息感知方法包括以下步骤：
8.步骤1：对信息源采集的现场态势信息进行规范化处理得到信息数据集矩阵w；
9.步骤2：将步骤1的信息数据集矩阵w通过灰色系统理论计算出灰色系统模型信息感知值矩阵x；
10.步骤3：利用步骤2中灰色系统模型信息感知值矩阵x的向量训练小波神经网络求出态势感知小波神经网络，根据所述灰色系统模型和态势感知小波神经网络组成所求的灰色小波神经火场态势信息感知网络；
11.步骤4：向步骤3的灰色小波神经火场态势信息感知网络输入火场态势信息向量矩阵，经过灰色小波神经进行火灾现场态势感知，得到最终输出态势感知向量y。
12.进一步的，所述步骤1具体包括以下步骤，
13.步骤1.1：选取所需的现场态势信息种类；
14.在异构网络环境下收集到所在各处的现场态势信息，即上层温度、下层温度、湿度、气压、烟雾浓度、氧气浓度、一氧化碳浓度、二氧化碳浓度、体温、脉搏、血氧和血压；
15.步骤1.2：基于步骤1.1的信息种类构造多信息融合的数据集矩阵r；
16.记态势信息为t＝{t1,t2,...,tn}，即一共有n个信息属性获得，现场的信息源则为s＝{s1,s2,...,sm}，即一共由m个信息来源；每个信息源和其提供的信息内容组成了态势感知的融合信息数据集矩阵r，所述数据集矩阵如下所示：
[0017][0018]
步骤1.3：将步骤1.2的数据集矩阵r进行归一化处理得到规范化信息数据集矩阵w；
[0019]
根据数值差异和单位差异带来的需求，为了能够将各个指标参与评价计算，将各个信息属性的数值进行规范化处理，通过函数变换将其数值映射到某个数值区间进行后续处理；归一化公式如下所示：
[0020][0021]
得到规范化信息数据集矩阵w，如下所示：
[0022][0023]
进一步的，所述步骤2具体包括以下步骤，
[0024]
步骤2.1：对现场采集的通信数据进行一次累加处理，以弱化随机序列的随机性和波动性；
[0025]
步骤2.2：利用灰色系统理论建立一阶微分方程b；
[0026]
步骤2.3：利用最小二乘准则求得到灰色系统模型信息感知值；
[0027]
进一步的，所述步骤3包括以下步骤：
[0028]
步骤3.1：对神经网络流程图进行初始化；
[0029]
步骤3.2：对步骤3.1的神经网络流程图进行隐含层输出计算，计算隐含层输出h；
[0030]
步骤3.3：根据隐含层输出h进行输出层计算，计算得到感知输出
[0031]
步骤3.4：进行误差计算、权值更新和阈值更新；
[0032]
步骤3.5：确定迭代是否结束；如果判断结束，则输出这个训练的网络得到的态势感知值，并将这个网络的参数保存下来以应对接下来的数据态势感知，反之继续训练。
[0033]
进一步的，所述步骤2.1具体为，设从每个信息源处得到的通信数据列向量为：
[0034]
x
(0)
＝(x
(0)
(1),x
(0)
(2),
…
,x
(0)
(n))，
[0035]
其中n为通信数据种类数；对上述通信数据列向量进行一次累加处理，以弱化随机序列的随机性和波动性，得到新数据序列为：
[0036]
x
(1)
＝(x
(1)
(1),x
(1)
(2),
…
,x
(1)
(n))，
[0037]
其中
[0038]
所述步骤2.2具体为，对x
(1)
(i)向量建立一阶微分方程，可得：
[0039][0040]
其中，a、u分别为发展系数和灰色作用量，假设并将累加的数据用矩阵b表示，常数项用l来表示，即
[0041][0042]
所述步骤2.3具体为，根据和最小二乘准则v
t
pv＝min，可求得：
[0043][0044]
从而得到灰色系统模型信息感知值为：
[0045][0046]
进一步的，所述步骤3.1具体为：
[0047]
进行网络的初始化，根据系统输入层的输入向量x＝(x1,x2,
…
xn)和输出层的输出向量y＝(y1,y2,
…
ym)进行神经网络输入层节点：隐含层节点和输出层节点的个数；初始化输入层：隐含层和输出层神经元之间的连接权值w
ij
和w
jk
，初始化隐含层阈值a1和输出层阈值a2，给定学习速率和神经元激励函数。
[0048]
进一步的，所述步骤3.2具体为，根据输入向量x，输入层和隐含层之间的连接权值w
ij
以及隐含层阈值，计算隐含层输出h；
[0049][0050]
其中，l为隐含层节点个数，f为隐含层的激励函数；
[0051]
小波层采用非正交的morlet小波函数：
[0052][0053]
进一步的，所述步骤3.3具体为，根据隐含层输出向量h，隐含层和输出层之间的连接权值w
jk
以及设定的阈值，计算得到感知输出:
[0054][0055]
进一步的，所述步骤3.4具体为，
[0056]
计算感知输出与期望输出的误差：
[0057][0058]
进行权值更新，更新各个连接层权值w
ij
和w
jk
：
[0059][0060]
进行阈值更新，更新各节点阈值a1、a2：
[0061][0062]
本发明的有益效果是：
[0063]
基于火灾现场通信背景，本发明通过灰色系统理论对归一化的态势信息数据矩阵进行处理，将灰色系统输出作为小波神经网络的输入对其进行训练，最终结合二者得到一个对现场态势信息具有良好感知能力的灰色小波神经网络，为后续指挥中心和现场工作者的决策提供支撑。
附图说明
[0064]
附图1为本发明方法流程图。
[0065]
图2为本发明bp神经网络结构。
[0066]
图3为本发明bp神经网络流程图。
[0067]
图4为本发明现场态势信息感知种类。
具体实施方式
[0068]
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0069]
结合图1-图4，一种基于灰色小波神经网络的火场态势信息感知方法，所述火场态势信息感知方法包括以下步骤：
[0070]
步骤1：对信息源采集的现场态势信息进行规范化处理得到信息数据集矩阵w；
[0071]
步骤2：将步骤1的信息数据集矩阵w通过灰色系统理论计算出灰色系统模型信息
感知值矩阵x；
[0072]
步骤3：利用步骤2中灰色系统模型信息感知值矩阵x的向量训练小波神经网络求出态势感知小波神经网络，根据所述灰色系统模型和态势感知小波神经网络组成所求的灰色小波神经火场态势信息感知网络；
[0073]
步骤4：向步骤3的灰色小波神经火场态势信息感知网络输入火场态势信息向量矩阵，经过灰色小波神经进行火灾现场态势感知，得到最终输出态势感知向量y。输出的不同指标下的态势感知值依据其数值大小代表该指标的感知状况，数值越大代表其指标突出。
[0074]
进一步的，所述步骤1具体包括以下步骤，
[0075]
步骤1.1：选取所需的现场态势信息种类；
[0076]
在火灾室内场景下，派出一定数量的携带通信设备的相关工作人员进入现场，在异构网络环境下收集到所在各处的现场态势信息，即上层温度、下层温度、湿度、气压、烟雾浓度、氧气浓度、一氧化碳浓度、二氧化碳浓度、体温、脉搏、血氧和血压；
[0077]
步骤1.2：基于步骤1.1的信息种类构造多信息融合的数据集矩阵r；
[0078]
记态势信息为t＝{t1,t2,...,tn}，即一共有n个信息属性(种类)获得，现场的信息源则为s＝{s1,s2,...,sm}，即一共由m个信息来源；每个信息源和其提供的信息内容组成了态势感知的融合信息数据集矩阵r，所述数据集矩阵如下所示：
[0079][0080]
步骤1.3：将步骤1.2的数据集矩阵r进行归一化处理得到规范化信息数据集矩阵w；
[0081]
根据数值差异和单位差异带来的需求，为了能够将各个指标参与评价计算，将各个信息属性的数值进行规范化处理，通过函数变换将其数值映射到某个数值区间进行后续处理；归一化就是要把需要处理的数据经过处理后限制在一定范围内；首先归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快；归一化公式如下所示：
[0082][0083]
得到规范化信息数据集矩阵w，如下所示：
[0084][0085]
进一步的，所述步骤2具体包括以下步骤，
[0086]
步骤2.1：对现场采集的通信数据进行一次累加处理，以弱化随机序列的随机性和
波动性；
[0087]
步骤2.2：利用灰色系统理论建立一阶微分方程b；
[0088]
步骤2.3：利用最小二乘准则求得到灰色系统模型信息感知值。
[0089]
进一步的，所述步骤3包括以下步骤：
[0090]
步骤3.1：对神经网络流程图进行初始化；
[0091]
步骤3.2：对步骤3.1的神经网络流程图进行隐含层输出计算，计算隐含层输出h；
[0092]
步骤3.3：根据隐含层输出h进行输出层计算，计算得到感知输出
[0093]
步骤3.4：进行误差计算、权值更新和阈值更新；
[0094]
步骤3.5：确定迭代是否结束；如果判断结束，则输出这个训练的网络得到的态势感知值，并将这个网络的参数保存下来以应对接下来的数据态势感知，反之继续训练。
[0095]
进一步的，所述步骤2.1具体为，设从每个信息源处得到的通信数据列向量为：
[0096]
x
(0)
＝(x
(0)
(1),x
(0)
(2),
…
,x
(0)
(n))，
[0097]
其中n为通信数据种类数；对上述通信数据列向量进行一次累加处理，以弱化随机序列的随机性和波动性，得到新数据序列为：
[0098]
x
(1)
＝(x
(1)
(1),x
(1)
(2),
…
,x
(1)
(n))，
[0099]
其中
[0100]
所述步骤2.2具体为，对x
(1)
(i)向量建立一阶微分方程，可得：
[0101][0102]
其中，a、u分别为发展系数和灰色作用量，假设并将累加的数据用矩阵b表示，常数项用l来表示，即
[0103][0104]
所述步骤2.3具体为，根据和最小二乘准则v
t
pv＝min，可求得：
[0105][0106]
从而得到灰色系统模型信息感知值为：
[0107][0108]
进一步的，所述步骤3.1具体为：
[0109]
进行网络的初始化，根据系统输入层的输入向量x＝(x1,x2,
…
xn)和输出层的输出向量y＝(y1,y2,
…
ym)进行神经网络输入层节点：隐含层节点和输出层节点的个数；初始化输入层：隐含层和输出层神经元之间的连接权值w
ij
和w
jk
，初始化隐含层阈值a1和输出层阈值a2，给定学习速率和神经元激励函数。
[0110]
进一步的，所述步骤3.2具体为，根据输入向量x，输入层和隐含层之间的连接权值w
ij
以及隐含层阈值，计算隐含层输出h；
[0111][0112]
其中，l为隐含层节点个数，f为隐含层的激励函数；
[0113]
在这一步，用能够缩放平移的小波基取代通常的神经元线性或非线性激励函数，将小波变换的时频局部特性与神经网络的自学习有机结合；本次选择目前应用最广泛的紧密型小波神经网络进行研究，小波层采用非正交的morlet小波函数：
[0114][0115]
进一步的，所述步骤3.3具体为，根据隐含层输出向量h，隐含层和输出层之间的连接权值w
jk
以及设定的阈值，计算得到感知输出:
[0116][0117]
进一步的，所述步骤3.4具体为，
[0118]
计算感知输出与期望输出的误差：
[0119][0120]
进行权值更新，更新各个连接层权值w
ij
和w
jk
：
[0121][0122]
进行阈值更新，更新各节点阈值a1、a2：
[0123]