[发明专利]一种基于Spiking神经网络的人员信息融合方法

说明书

技术领域

本发明属于信息技术领域，尤其涉及建筑内人员信息采集、多源信息融合、Spiking神经网络设计与建模的基于Spiking神经网络的人员信息融合方法。

背景技术

人员检测与分析是建筑节能领域中新兴的研究方向，同时也关系着建筑安全，对建筑运行能耗起着极大的影响。智能建筑的大量兴建、楼宇自动化水平的迅速发展以及经济和生活水平的大幅度提高，不断推动着建筑对舒适度和运行能耗控制的需求，促进了人员检测理论与技术的快速发展。据有关专家分析，大力开发和推广应用先进的人员信息检测技术，提高人员检测精度，可为建筑节能与建筑安全提供依据，具有非常重要的现实意义。

目前，市场上出现了昂贵的带有简单分析功能的人员检测仪表，然而对于一座大楼来说，采用这种昂贵的仪表布满整栋建筑，其成本显然是难以让人接受的。对于建筑内人员检测来说，一个可行的解决方案就是利用先进的物联网技术、无线传感器网络技术，采用廉价的、低功耗的检测传感器组成低功耗冗余多传感器网络，通过多源信息融合技术，提高人员检测精度，降低检测成本，减少对建筑的大幅度布线及安装改造。

在多传感器信息融合方面，国内外的研究人员已经提出了多种融合方法，如D-S证据推理、加权平均法、卡尔曼滤波法、多贝叶斯估计法、模糊逻辑理论、神经网络、专家系统等。然而这些方法在处理建筑内人员检测信息时却遇到了困难。首先，建筑内的人员检测系统既有无线网络，又有有线以太网络，网络类型多样；其次，所处理的传感器类型多样，可由CO2、温度、湿度、红外、RDIF、摄像头等多种类型传感器数据组成；再次，建筑物内传感器信息既有离散信息与连续信息，有些还是随机概率分布的信息。因此，建筑内的人员检测异构网络多源信息融合给信息融合理论与技术研究带来了新的挑战。

众多学者把目光转向了仿生学，自然界里的生物处理信息的本领非常高超。因此，本发明把Spiking神经网络作为多源信息融合工具，为解决建筑内人员检测问题提出新方法。Spiking神经网络作为第三代神经网络，具有前两代神经网络的一些优点，但同时又与传统的第一代感知器网络和第二代Sigmoid神经网络不同，由于采用脉冲点火信号作为神经元的输入输出信号，Spiking神经网络能更接近地描述实际生物神经系统，并具有更强的计算能力。它不仅可以实现离散信息与连续信息的融合，还可以处理随机概率分布的信息问题。因此，Spiking神经网络非常适合解决异构网络多源信息融合难题。因此，本发明不但可为建筑节能与建筑安全提供依据，而且可促进Spiking神经网络建模与设计的发展，具有非常重要的现实意义。

发明内容

本发明的目的是针对人员多源信息融合与Spiking神经网络建模问题，提出一种基于Spiking神经网络的人员信息融合方法。它通过构建人员检测低功耗、冗余传感器网络，进行多源信息融合，提出有效的人员检测数据的分析方法，设计出精度高、成本低的人员检测系统，不仅可以保证建筑分区精度，降低运行能耗，保护资源与环境，而且可根据人员数目实现个性化控制，为建筑能源与安全管理与优化控制提供依据。

为达到上述目的，本发明采用如下技术方案：

一种基于Spiking神经网络的人员信息融合方法，其步骤为：

1)利用建筑空间区域中可能存在的CO2浓度传感器、红外传感器、人员RFID、摄像头和相对湿度传感等进行人员数目信息采集，数据存入实时数据库；

2)从实时数据库中读取数据，进行预处理，去除不合理数据，映射为输入向量，分组存入关系数据库；

3)根据传感器输入类型设计Spiking神经网络结构模型，设计为包含输入层、隐含层和输出层的三层网络结构，其中一个传感器对应一个传感神经元；CO₂浓度传感器、红外传感器和相对湿度传感器对应的传感神经元输出信号进入隐含神经元，而人员RFID和摄像头对应的传感神经元信号直接进入输出神经元；建筑空间区域人员数目对应输出神经元的输出脉冲数；

4)从关系数据库中读取数据，数据乘以信任度加权值输入Spiking神经网络，传感神经元采用频率编码；

5)隐含神经元采用一致性编码，即隐含神经元将输入的脉冲进行逻辑“与”运算，仅当两个脉冲同时出现时，隐含神经元才在相应的时间点输出一个脉冲；

6)采用Hebbian学习算法，更新Spiking神经网络模型的传感神经元、隐含神经元及输出神经元之间的连接权值，改善系统行为；