[发明专利]一种应用于红外火焰识别的TS-RBF模糊神经网络鲁棒融合算法

摘要

本发明提供一种应用于红外火焰识别的TS‑RBF模糊神经网络鲁棒融合算法，属于红外火焰识别技术领域。具体过程为：采集不同火焰和干扰源的时域信号数据，并对其进行预处理，得到频域信号数据；对波形的时域、频域信号数据进行特征信息的提取，获得样本的特征向量，组成样本集；将样本集划分为训练集、验证集和测试集；搭建TS‑RBF模糊神经网络；设定模糊神经网络参数初始值，利用训练集对模糊神经网络进行训练；利用验证集对训练好的模糊神经网络进行验证及模型选择；将测试集输入训练好的模糊神经网络中，其结果作为对模型的最终评价。本方法能够有效抵御火焰探测中非火焰探测通道采样数据发生数据丢失、数据失真、信号饱和的情况。

主权项

1.一种应用于红外火焰识别的TS‑RBF模糊神经网络鲁棒融合算法，步骤如下：步骤一、采集不同火焰和干扰源的时域信号数据，并对时域信号数据进行预处理，得到频域信号数据；步骤二、对波形的时域、频域信号数据进行特征信息的提取，获得样本的特征向量，组成样本集；步骤三、将样本集划分为训练集、验证集和测试集；步骤四、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相同；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，搭建并改进TS‑RBF模糊神经网络，过程如下：(1)构建TS‑RBF模糊神经网络的前件网络1)设输入层的输入向量为X＝[x1 x2 … xn]T，其中n为输入特征的维数，xi表述样本中的第i维特征；2)对TS‑RBF神经网络的训练集利用K‑means进行聚类，得到h类模糊聚类集群，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，是输入样本中第i个特征对于模糊系统中第i个特征的第j个模糊集的隶属度，和分别是高斯隶属度函数的中心和宽度；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把马氏距离作为评价尺度的方法改为如下：其中，为特征表示系数，i＝1,2,…,n，j＝1,2,…,h；所述第j类聚类样本的第i个特征所对应的的初始值确定方式为：1.1)先将第j类聚类样本的特征归一化到[‑1,1]；1.2)通过第j类聚类样本中包含的M个样本计算不同特征的标准差；其中，和分别代表第j类聚类样本的第i个特征所对应平均值和标准差，代表第j类聚类样本的第t个样本的第i个特征，i＝1,2,…,n,j＝1,2,…,h,t＝1,2,…,M；1.3)通过标准差来确定的初始值；3)在归一化层中，采取重心法式(6)进行去模糊化，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，W₀是一个训练得到的正数；(2)构建TS‑RBF模糊神经网络的后件网络1)将作为后件网络中隐含层和输出层输入的连接权值，将作为后件网络中隐含层偏置和输出层输入的连接权值；2)在多传感器的红外火焰检测过程中，当某些特征分量发生数据丢失、失真或信号饱和时，后件网络中隐藏层节点的输出就会发生剧烈波动，导致模糊规则输出异常进而导致火焰识别检测失败，因此，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通过如下修改的规则计算：规则其中，是第i个特征的第j个模糊集，是实数j＝1,2,…,h，为相应特征分量的隶属度；输出层的输入y_n1是和y_j的线性组合：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)   (9)步骤五、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，具体过程为：(1)对TS‑RBF模糊神经网络参数初始化，包括β、α、h_d、h_i、p⁰和w⁰；其中，α为学习率；β为动量因子；h_d和h_i非别是减少和增加因子；(2)利用自适应的梯度下降的学习方式，对建立的TS‑RBF模糊神经网络进行训练；1)设定代价函数如下：其中，k＝1,2,…,N,N是训练集样本的总数；y_d(k)是样本标签值，y_n(k)是网络的实际输出，e(k)＝y_d(k)‑y_n(k)是误差，λ是惩罚项系数；由于w₀和的调整不受具体隶属度函数的制约，所以改进后的代价函数中加入惩罚项2)定义性能指标PI如下：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PI(t+1)≥PI(t)时，那么α(t+1)＝hdα(t),β(t+1)＝0.   (17)(B)当PI(t+1)＜PI(t)并且时，那么α(t+1)＝hiα(t),β(t+1)＝β0.   (18)(C)当PI(t+1)＜PI(t)并且时，那么α(t+1)＝hiα(t),β(t+1)＝β(t).   (19)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.   (20)其中，且i＝1,2,…,n,j＝1,2,…,h；步骤六、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；步骤七、将测试集输入选择好的TS‑RBF模糊神经网络中，其结果作为对模型的最终评价。