基于核極限學習機的火災預警算法研究

丁承君，張井超，何乃晨

（河北工業大學 機械工程學院，天津 300130）

基于核極限學習機的火災預警算法研究

丁承君，張井超，何乃晨

（河北工業大學 機械工程學院，天津 300130）

火災信息處理算法的有效性影響著火災預警系統的準確性和可靠性，所以智能火災預警算法研究成為了火災預警技術的一個研究熱點.針對以往火災信息處理算法的不足，提出了一種基于核極限學習機（KELM）的火災預警算法.該算法利用核極限學習機對多種傳感器采集到的數據進行融合分析，實現火情識別.利用MATLAB對核極限學習機的火災預警算法進行仿真，通過與BP神經網絡火災預警算法和支持向量機火災預警算法的仿真結果進行對比，證明了該火災預警算法較之以往算法的優越性.

火災預警；多傳感器；數據融合；核函數；極限學習機

0 引言

隨著社會的重大變革，經濟飛速發展，城市化進程加快，人們對火災預警和消防系統提出了更高的要求，高度智能化的火災預警系統正在取代傳統的火災預警系統，基于多傳感器信息融合的智能火災預警算法研究成為火災預警技術的一個重要研究方向，基于神經網絡的火災預警算法成為智能火災預警算法的一個研究熱點.例如Gerberus開發了基于神經網絡的AlgoRex火災報警器[1]；Okayama[2]研發了針對不同火災信息的神經網絡火災預警算法；張健[3]提出了基于前饋神經網絡的火災預警算法；湯群芳[4]提出了基于模糊神經網絡的火災預警算法；張立寧[5]提出了基于SVR的火災預警算法.

上述提到的智能火災預警算法雖然提高了火災預警的準確性和可靠性，但是基于神經網絡的火災預警算法存在學習速度慢、容易陷入局部極小和存在過訓練等問題.本文提出了一種基于核極限學習機（KELM）的火災預警算法，通過與BP神經網絡和支持向量機火災預警算法仿真結果作對比，證明了核極限學習機火災預警算法的優越性.

1 核極限學習機

1.1 極限學習機

針對傳統的神經網絡的缺點，Vapnik[6]提出了基于統計理論和結構風險最小化原則的支持向量機算法，支持向量機解決了傳統神經網絡訓練樣本多、過訓練等問題，但是其也存在求解復雜、參數敏感等問題.2004年Huang等[7]提出了極限學習機（Extreme Learning Machine），與傳統神經網絡的學習訓練過程不同，極限學習機不需要調整隱含層閾值和與輸入層之間的連接權值，只需要調節隱含層的節點數，當確定隱含層節點數后，極限學習機可以獲得唯一最優化解.相較于傳統神經網絡和支持向量機，極限學習機具有訓練速度快、泛化性好等優點[8].

極限學習（ELM）網絡中不僅要考慮誤差最小，也要考慮輸出權值最小.極限學習（ELM）采用最小輸出權值范數和訓練誤差對整個系統進行學習訓練，即最小化

其中：C為懲罰因子；ξ為訓練誤差；H為隱含層輸出矩陣；β為隱含層與輸出層連接權值；ti為期望輸出值.依據KKT理論構建Lagrange函數，則有

1.2 核極限學習機

無核的極限學習機是一個3層的人工神經網絡，包括一個輸入層、一個輸出層和一個隱含層.隱含層將輸入樣本從低維空間映射到高維空間，將線性不可分問題轉化為線性可分問題.但高維特征空間運算時存在“維度災難”.核函數可以代替這種映射完成將線性不可分問題轉化為線性可分問題，又可以解決“維度災難”問題.相對于極限學習算法核極限學習算法[9]提高了整個系統的穩健性和非線性逼近能力.

定義核極限學習機（KELM）的核矩陣為Ω，核矩陣需要滿足Mercer條件[10-11]，則有

其中：K（xi，xj）為核函數；Ω為核矩陣.

將式（8）代入式（7）得到核極限學習機的輸出函數為

KELM常用的核函數有：線性核函數、多項式核函數、Sigmoid核函數、RBF核函數[12].

2 基于核極限學習機（KELM）的火災預警算法建模

火災是一種在時間和空間上失去控制的燃燒現象，是可燃物與氧化劑發生相互作用的一種氧化還原反應，通常伴有煙霧、熱量、火焰以及氣體等特征參量產生.煙霧、熱量以及氣體是火災的3個主要的特征，該設計選取CO濃度、煙霧濃度和溫度作為火災的特征參量.

核極限學習機火災預警算法以CO濃度、煙霧濃度和溫度作為核極限學習機的輸入，無火、陰燃火和明火作為輸出，構建了一個3輸入3輸出的核極限學習機火災預警算法模型，其結構圖如圖1所示.

基于核極限學習機火災預警算法包括火災特征的提取和火情識別，主要包括以下3個步驟：

第1步：選取CO濃度、煙霧濃度和溫度作為火災特征參量，歸一化處理CO濃度、煙霧濃度和溫度，得到火災樣本數據.

第2步：將處理后的火災樣本數據分為訓練樣本集和測試樣本集兩類，設定核函數參數和懲罰因子，訓練核極限學習機.

第3部：用第2步訓練得到的核極限學習機進行火情識別.

圖1 基于KELM的火災預警算法結構圖Fig.1 KELM based fire alarm algorithm structure diagram

3 實例分析

本文選取國內外180組數據（60組無火數據、60組陰燃火數據、60組明火數據）驗證核極限學習機火災預警算法模型，其中60組無火數據中包含20組廚房干擾火數據.在180組數據中選取90組數據（30組無火數據、30組陰燃火數據、30組明火數據） 作為訓練樣本集，剩余90組數據作為測試樣本集，歸一化處理后的火災數據如表1所示.

該設計選取RBF函數作為核極限學習機的核函數，相較于其它核極限學習機，基于RBF核函數的核極限學習機參數少，準確性高.利用交叉驗證法尋找最佳的參數C（懲罰因子）和參數g（RBF核參數）.圖2和圖3分別為交叉驗證法繪制的分類準確率與參數的關系等高線圖和3D視圖.

表1 歸一化處理后火災數據Tab.1 Normalized fire data

圖2 分類準確率與參數的關系等高線圖Fig.2 Classification of the accuracy of the relationship between the parameters and contours

利用訓練樣本集訓練核極限學習機，采用測試樣本集測試訓練得到核極限學習機，測試結構如圖4所示，其中1代表無火，2代表陰燃火，3代表明火.

從圖4可知，核極限學習機火災預警算法在30次無火火情識別中誤報0次，其準確率為100%；在30次陰燃火火情識別中誤報2次，其準確率為93.3%；在30次明火火情識別中誤報2次，其準確率為93.3%.在90次火情識別中誤報4次，其準確率為95.6%.

BP神經網絡、支持向量機（SVM）和核極限學習機（KELM） 3種不同的火災預警算法的準確率結果比較如表2所示.從表中可知BP神經網絡火災預警算法在90次火情識別中準確識別79次，其準確率為87.7%，所用時間為7.225 s.支持向量機火災預警算法在90次火情識別中準確識別82次，其準確率為91.1%，所用時間為2.287 s.核極限學習機火災預警算法在90次火情識別中準確識別86次，其準確率為95.6%，所用時間為0.436 s.經過對比可以看出核極限學習火災預警算法不管在訓練測試時間和準確率上都優于其它2種方法.

圖3 分類準確率與參數的關系3D圖Fig.3 Classification accuracy and the relationship between the parameters of the 3D map

圖4 測試集火情識別結果圖Fig.4 Test set of fire identification results

表2 測試集火情識別結果對比Tab.2 Test set of fire identification results comparison

4 結論

本文設計了一種基于核極限學習的火災預警算法，該算法采用RBF函數作為核極限學習的核函數，利用交叉驗證法尋找最佳的參數C（懲罰因子）和參數g（RBF核參數）.以CO濃度、煙霧濃度和溫度作為核極限學習機的輸入，無火、陰燃火和明火作為輸出，構建了一個3輸入3輸出的核極限學習機火災預警算法模型.通過與BP神經網絡和支持向量機（SVM）2種不同火災預警算法的仿真結果做對比可知，核極限學習機火災預警算法不管在訓練時間和準確率上都優于其它2種方法.但核極限學習機火災預警算法存在參數敏感性問題，下一步將對核極限學習機火災預警算法的優化作進一步研究.

[1] 張立寧，張奇，安晶.基于SVR的高層建筑復合式火災預警系統設計[J].安全與環境工程，2015（1）：140-143.

[2]Okayama Y.A primitive study of a fire detection method controlled by artificial neural net[J].Fire Safety Journal，1991，17（6）：535-553.

[3] 張健.基于神經網絡算法的火災探測系統的研究[J].數字技術與應用，2013（10）：130-132.

[4] 湯群芳.基于模糊神經網絡的火災數據處理方法的研究[D].長沙：湖南大學，2011.

[5] 張立寧，安晶，張奇，等.基于SVR的智能建筑火災預警模型設計[J].數學的實踐與認識，2016（1）：187-196.

[6]Vapnik V，Cortes C.Support-vector networks[J].Manchine Learning，1995，20（3）：273-297.

[7] Huang G B，Zhu Q Y，Siew C K.Extreme learning machine：a new learning scheme of feedforward neural networks[C]//IEEE International Joint Conference on Neural Networks，IEEE，2004：985-990.

[8] 陳紹煒，柳光峰，冶帥.基于核極限學習機的模擬電路故障診斷研究[J].西北工業大學學報，2015，33（2）：290-294.

[9]Huang G B，Zhou H，Ding X，et al.Extreme learning machine for regression and multiclass classification[J].IEEE Transactions on Systems Man and Cybernetics Part B Cybernetics A Publication of the IEEE Systems Man and Cybernetics Society，2012，42（2）：513-529.

[10]Deng W，Zheng Q，Zhang K.Reduced kernel extreme learning machine[J].Advances in Intelligent Systems and Computing，2013，226：63-69.

[11]Huang G B，Wang D H，Lan Y.Extreme learning machines：a survey[J].International Journal of Machine Learning and Cybernetics，2011，2（2）：107-122.

[12]李喜奇.設備狀態檢測與傳感器故障診斷技術研究[D].哈爾濱：哈爾濱工程大學，2005.

Research on fire alert algorithm based on Kernel Extreme Learning Machine

DING Chengjun,ZHANG Jingchao,HE Naichen

（School of Mechanical Engineering,Hebei University of Technology,Tianjin 300130,China）

The effectiveness of the fire information processing algorithm affects the accuracy and reliability of the fire alarm system.Therefore,the intelligent fire alarm algorithm has become a hot issue in the study of fire warning.Aiming at the shortcomings of the previous fire information processing algorithms,this paper proposes a fire alarm algorithm based on Kernel Extreme Learning Machine(KELM),The algorithm uses the Kernel Extreme Learning Machine to integrate the data collected by various sensors to realize the fire recognition.The Simulation of fire warning algorithm based on Kernel Extreme Learning Machine is carried out by MATLAB.Compared with the simulation algorithm based on BP neural network fire warning algorithm and based on support vector machine fire alarm algorithm,it shows that the KELM is superior to the previous algorithm.

fire warning;multisensor;data fusion;kernel function;Kernel Extreme Learning Machine

X924

A

1007-2373（2017） 05-0033-05

10.14081/j.cnki.hgdxb.2017.05.006

2017-03-09

天津市科技支撐計劃（14ZXCXGX00123，15ZXHLGX00210）

丁承君（1973-），男，教授，博士生導師，190532210@qq.com.

[責任編輯 田 豐]