基于改進(jìn)型T-S模糊RBF神經(jīng)網(wǎng)絡(luò)的紅外火焰探測(cè)器識(shí)別算法

馮宏偉，劉媛媛，溫子騰，譚 勇

（1.無(wú)錫職業(yè)技術(shù)學(xué)院，江蘇 無(wú)錫 214121；2.無(wú)錫科技職業(yè)學(xué)院，江蘇 無(wú)錫 214028；3.江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無(wú)錫 214122）

0 引言

火災(zāi)發(fā)生初期的陰燃階段，人們雖無(wú)法用肉眼觀察識(shí)別，但在火焰中卻存在著多種波長(zhǎng)的紅外線紫外線[1]。三波段紅外火焰探測(cè)器就是利用了3 個(gè)對(duì)紅外線敏感的紅外傳感器，對(duì)特定范圍內(nèi)的火災(zāi)紅外輻射波長(zhǎng)進(jìn)行探測(cè)。為確保探測(cè)器能夠在高低溫、高濕、震動(dòng)等最苛刻的環(huán)境下，具備對(duì)誤報(bào)警極高的免疫力，必需借助有效的檢測(cè)算法將采集到的3 個(gè)傳感器數(shù)據(jù)進(jìn)行優(yōu)化處理[2]。。

雖然T-S 型模糊推理具備運(yùn)用少量的模糊規(guī)則可生成復(fù)雜的非線性函數(shù)的特點(diǎn)，能夠相對(duì)有效地解決高維系統(tǒng)中的規(guī)則難題[3]?？墒?，由于T-S 型模糊模型推理出的結(jié)論參數(shù)是線性函數(shù)并非模糊數(shù)，這將無(wú)法從實(shí)際應(yīng)用中的經(jīng)驗(yàn)值和數(shù)據(jù)來(lái)直接利用，只能通過(guò)對(duì)其特定的算法訓(xùn)練來(lái)獲取。然而，神經(jīng)網(wǎng)絡(luò)的出現(xiàn)解決了T-S 模型參數(shù)難辨識(shí)的問(wèn)題[4]。RBF 神經(jīng)網(wǎng)絡(luò)擁有的局部響應(yīng)特性，使其擁有網(wǎng)絡(luò)訓(xùn)練速度快，不存在局部最優(yōu)問(wèn)題等優(yōu)點(diǎn)[5]。由于融合T-S 模型的標(biāo)準(zhǔn)RBF 神經(jīng)網(wǎng)絡(luò)隱含層接受區(qū)域的局部性，導(dǎo)致網(wǎng)絡(luò)在測(cè)試中表現(xiàn)往往較差，即泛化能力不理想[6]。

本文借助文獻(xiàn)[7]中提及的一種RBF 網(wǎng)絡(luò)結(jié)構(gòu)歸一化的加強(qiáng)模型，和其提出的一種先對(duì)訓(xùn)練數(shù)據(jù)聚類產(chǎn)生模糊規(guī)則數(shù)及節(jié)點(diǎn)中心的方法，同時(shí)結(jié)合三波段紅外火焰探測(cè)中可能出現(xiàn)的單一非火焰通道發(fā)生數(shù)據(jù)丟失、失真、飽和3 種強(qiáng)干擾的情況，對(duì)融合T-S模型的RBF 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了以下改進(jìn)：

1）為了使模型具有較強(qiáng)的魯棒性抵抗數(shù)據(jù)干擾，對(duì)模糊后件中模糊規(guī)則的輸出的計(jì)算中加入了特征分量的隸屬度，使得模型能夠有效抑制特征分量的波動(dòng)對(duì)于模型的影響。

2）為了進(jìn)一步提升模型的魯棒性，對(duì)模型中所需的隱含層節(jié)點(diǎn)數(shù)目進(jìn)行減少，將模糊前件中模糊規(guī)則適用度（RBF 中馬氏距離）的生成公式修改為加權(quán)平均的形式生成加權(quán)模糊節(jié)點(diǎn)激活度，從而充分考慮到不同特征對(duì)于不同種類樣本的表征程度不同。

3）為了提升模型規(guī)則的解釋性、模型泛化能力，根據(jù)不同種類樣本中不同特征的離散程度不同確定加權(quán)模糊節(jié)點(diǎn)激活度中的特征表征系數(shù)θji的初值。

1 紅外火焰探測(cè)器整體結(jié)構(gòu)

本文選用三波段紅外火焰探測(cè)器作為測(cè)試平臺(tái)，其硬件結(jié)構(gòu)主要由紅外傳感器檢測(cè)模塊、前置放大及信號(hào)采集模塊、模數(shù)轉(zhuǎn)換模塊、微處理器模塊和信號(hào)輸出模塊等構(gòu)成。系統(tǒng)硬件結(jié)構(gòu)如圖1所示。

圖1 三波段火焰探測(cè)器結(jié)構(gòu)框圖Fig.1 Structure diagram of three-band flame detector

傳感器檢測(cè)模塊選用3 個(gè)中心波長(zhǎng)分別為3.8μm、4.3 μm 和5.0 μm 窄帶帶寬均為150 nm 的紅外熱釋電傳感器。前置放大及信號(hào)采集模塊主要由微信號(hào)預(yù)處理電路、運(yùn)算放大電路和濾波電路組成。模數(shù)轉(zhuǎn)換模塊選用內(nèi)置可編程增益調(diào)節(jié)（Programmable Gain Amplifier，PGA）的18 位模數(shù)轉(zhuǎn)換芯片ADS8694，可根據(jù)信號(hào)的強(qiáng)弱自適應(yīng)調(diào)節(jié)增益以確保采集信號(hào)的完整。微處理器模塊是以STM32F429 為核心構(gòu)建的電路，為火焰識(shí)別算法得以實(shí)現(xiàn)搭建了測(cè)試平臺(tái)，其信號(hào)輸出模塊可與遠(yuǎn)控端的上位機(jī)連接，收發(fā)與上位機(jī)的監(jiān)控、配置等相關(guān)參數(shù)，可組建一套完整的火災(zāi)報(bào)警集總控制系統(tǒng)。

2 改進(jìn)型T-S模糊RBF神經(jīng)網(wǎng)絡(luò)

本文擬采用的改進(jìn)型融合T-S模型的RBF模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)兩部分組成，其結(jié)構(gòu)圖如圖2所示。

圖2 改進(jìn)型融合T-S 模型的RBF 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Structural diagram of RBF fuzzy neural network based on improved T-S model

2.1 前件網(wǎng)絡(luò)

模型的前件網(wǎng)絡(luò)包含3 個(gè)部分，分別是輸入層、隱含層、歸一化層。

1）輸入層

2）隱含層

首先對(duì)參與訓(xùn)練的樣本數(shù)據(jù)采用k-means 聚類算法將數(shù)據(jù)聚為h類，即隱含層也稱為模糊規(guī)則層含有h個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)均具有n個(gè)高斯隸屬度函數(shù)。之后將這h類樣本的樣本聚類中心作為隱含層各高斯隸屬度函數(shù)的初始中心參數(shù)。

基于上述思想將馬氏距離產(chǎn)生激活強(qiáng)度的做法改為一種加權(quán)平均算子：

將wj定義為加權(quán)模糊節(jié)點(diǎn)激活度，式(2)中的定義為特征表征系數(shù)。初始值的設(shè)定，是由該聚類結(jié)果中第j類第i維特征數(shù)據(jù)相對(duì)于其它特征數(shù)據(jù)的相對(duì)離散程度而確定的。具體操作如下：

①將所有樣本數(shù)據(jù)中的特征歸一化處理；

②將屬于聚類結(jié)果中第j類的所有k個(gè)樣本取出計(jì)算數(shù)據(jù)中不同特征的標(biāo)準(zhǔn)差，如下：

③通過(guò)計(jì)算得到的聚類結(jié)果中第j類數(shù)據(jù)不同特征分量的標(biāo)準(zhǔn)差來(lái)確定的初值：

3）歸一化層

2.2 后件網(wǎng)絡(luò)

在后件網(wǎng)絡(luò)中，包含了與前件網(wǎng)絡(luò)中的h個(gè)隱含層節(jié)點(diǎn)一一對(duì)應(yīng)的h條模糊規(guī)則，每條產(chǎn)生的輸出記為yj。傳統(tǒng)RBF 神經(jīng)網(wǎng)絡(luò)中的輸出僅由輸入值和后件網(wǎng)絡(luò)中輸入層與隱含層的連接權(quán)值決定，若輸入數(shù)據(jù)中發(fā)生若干特征分量數(shù)據(jù)丟失、失真、飽和的情況時(shí)，傳統(tǒng)的后件網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的輸出值就有可能發(fā)生較大波動(dòng)，導(dǎo)致網(wǎng)絡(luò)失去判別的能力。

本系統(tǒng)在輸出yj的生成規(guī)則中加入各特征分量模糊隸屬度的影響，如下式(9)所示，就可在干擾發(fā)生時(shí)降低甚至是忽略干擾特征對(duì)于輸出的影響，在聚類結(jié)果各類樣本集所對(duì)應(yīng)的模糊規(guī)則中，使輸出值不至于有較大的變化。

式(9)可以看到，該類模糊規(guī)則能起到對(duì)非屬于該類樣本中的特征分量進(jìn)行抑制和剔除，可大大加強(qiáng)模型的魯棒性。同時(shí)若在錯(cuò)誤樣本訓(xùn)練網(wǎng)絡(luò)時(shí)，傳統(tǒng)的融合T-S 模型的RBF 模糊神經(jīng)網(wǎng)絡(luò)，歸一化后僅選擇一條或幾條數(shù)值非常小且為最大的規(guī)則wj來(lái)激活節(jié)點(diǎn)產(chǎn)生輸出。將導(dǎo)致傳統(tǒng)網(wǎng)絡(luò)并不能很好地保留RBF網(wǎng)絡(luò)的局部響應(yīng)特性，存在文獻(xiàn)[8-9]提出的網(wǎng)絡(luò)收斂慢、有可能存在局部最優(yōu)情況。改進(jìn)后的融合T-S 模型的RBF 模糊神經(jīng)網(wǎng)絡(luò)，盡管也采取了歸一化提升模型泛化能力的做法，但在模糊規(guī)則對(duì)應(yīng)的模糊節(jié)點(diǎn)輸出yj的產(chǎn)生過(guò)程中通過(guò)式(9)能夠有效抑制錯(cuò)誤樣本的輸出，很大程度上增加了模型的局部響應(yīng)能力。

輸出層的輸入yn1為yj與前件網(wǎng)絡(luò)中歸一化適用度的線性組合，如式(10)所示：

因本文將探討的是二分類問(wèn)題，所以輸出層的激活函數(shù)選用雙曲正切函數(shù)，如式(11)所示：

2.3 模型參數(shù)學(xué)習(xí)

在改進(jìn)的模型中，因pj0、w0的調(diào)整不受隸屬度函數(shù)的制約，所以在代價(jià)函數(shù)中引入正則項(xiàng)的懲罰因子λ/n。定義的代價(jià)函數(shù)為：

式中：E為代價(jià)函數(shù)；e為樣本誤差；yd為網(wǎng)絡(luò)的期望輸出；yn是網(wǎng)絡(luò)的實(shí)際輸出。

3 數(shù)據(jù)采集及實(shí)驗(yàn)驗(yàn)證

本文依據(jù)不同波段波形時(shí)域信號(hào)之間的關(guān)系、頻域信號(hào)中火焰閃動(dòng)頻率集中在3～25 Hz的理論條件[10]，來(lái)提取特征訓(xùn)練網(wǎng)絡(luò)并進(jìn)行判別測(cè)試。

3.1 數(shù)據(jù)采集及處理

本實(shí)驗(yàn)的時(shí)域信號(hào)的實(shí)時(shí)采集頻率為5 kHz，經(jīng)過(guò)濾波去噪處理后，可直接用于分析的數(shù)據(jù)頻率為144 Hz。同時(shí)將采集數(shù)據(jù)進(jìn)行如下處理：

1）將時(shí)域信號(hào)減去基準(zhǔn)電壓幅值2 V，之后200點(diǎn)截?cái)嘈盘?hào)加入漢寧窗處理。

2）將漢寧窗處理后的信號(hào)補(bǔ)0 后，進(jìn)行快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT），以獲取信號(hào)頻譜。

圖3～圖5 分別給出了正庚烷、太陽(yáng)光和電烙鐵3 種物體的采集波形和處理波形。

圖3 正庚烷燃燒數(shù)據(jù)圖Fig.3 Data chart of n-heptane combustion

圖3(a)為正庚烷在1 平方英尺容器中燃燒時(shí)，離火源35 m 正對(duì)方位采集的時(shí)域圖，圖3(b)為4.3 μm火焰通道經(jīng)加窗FFT 變換后的頻譜。

圖4 電烙鐵采集數(shù)據(jù)圖Fig.4 Data chart of electric iron collection

圖4(a)為220VAC100 W 交流電烙鐵工作時(shí)，正對(duì)方位3.0 m 處采集的時(shí)域圖，圖4(b)為4.3 μm 火焰通道經(jīng)加窗FFT 變換后的頻譜。

圖5 太陽(yáng)光采集數(shù)據(jù)圖Fig.5 Data chart of natural light collection

圖5(a)為探測(cè)器水平方向采集太陽(yáng)光的時(shí)域圖，圖5(b)為4.3 μm火焰通道經(jīng)加窗FFT變換后的頻譜。

3.2 火焰探測(cè)器的魯棒性實(shí)驗(yàn)

本實(shí)驗(yàn)主要是針對(duì)火焰探測(cè)中可能出現(xiàn)的3 種強(qiáng)干擾問(wèn)題展開(kāi)討論。

1）數(shù)據(jù)丟失

若單一非火焰?zhèn)鞲衅鞴收?、通道?shù)據(jù)傳輸問(wèn)題、硬件老化引起的單一非火焰探測(cè)通道數(shù)據(jù)丟失，則表現(xiàn)為單一通道信號(hào)在電壓0 V 附近，其它通道和火焰通道頻譜基本不受影響。圖6 和圖7 分別為在3.8 μm通道、5.0 μm 通道中存在數(shù)據(jù)丟失時(shí)的正庚烷火焰采集圖。

圖6 正庚烷火焰下3.8 μm 通道數(shù)據(jù)丟失圖Fig.6 Data loss of 3.8 μm channel in N-heptane flame

圖7 正庚烷火焰下5.0 μm 通道數(shù)據(jù)丟失圖Fig.7 Data loss of 5.0 μm channel in N-heptane flame

2）數(shù)據(jù)失真

若單一非火焰探測(cè)通道多級(jí)放大器故障、單一非火焰探測(cè)傳感器失靈引起的數(shù)據(jù)失真表現(xiàn)為單一通道信號(hào)在基準(zhǔn)電壓2 V 附近，其它通道和火焰通道頻譜不受影響。圖8 和圖9 分別為在3.8 μm 通道、5.0 μm通道中存在數(shù)據(jù)失真時(shí)的正庚烷火焰采集圖。

圖8 正庚烷火焰下3.8 μm 通道數(shù)據(jù)失真圖Fig.8 Data distortion of 3.8 μm channel in N-heptane flame

圖9 正庚烷火焰下5.0 μm 通道數(shù)據(jù)丟失圖Fig.9 Data distortion of 5.0 μm channel in N-heptane flame

3）數(shù)據(jù)飽和

在單一強(qiáng)干擾源如：強(qiáng)背景光照射、高溫物體距離過(guò)近將會(huì)引起對(duì)應(yīng)的背景光源干擾通道、人工熱源干擾通道數(shù)據(jù)飽和，其它通道數(shù)據(jù)、頻譜變化不大。圖10 和圖11 分別為在3.8 μm 通道、5.0 μm 通道中存在數(shù)據(jù)飽和時(shí)的正庚烷火焰采集圖。

圖10 正庚烷火焰下3.8 μm 通道數(shù)據(jù)飽和圖Fig.10 Data saturation of 3.8 μm in N-heptane flame

圖11 正庚烷火焰下5.0 μm 通道數(shù)據(jù)飽和圖Fig.11 Data saturation of 5.0 μm in N-heptane flame

表1 部分樣本示意表Table 1 Schematic table of some samples

3.3 特征提取

從上述實(shí)驗(yàn)中采集的數(shù)據(jù)中每200 點(diǎn)提取一個(gè)樣本，每個(gè)樣本由下述12 個(gè)特征組成：

式中：x1～x3分別代表3.8 μm、4.3 μm 和5.0 μm 通道的電壓峰值；x4代表x1與x2的比值；x5代表x3與x2的比值；x6代表波形中存在的極值點(diǎn)個(gè)數(shù)，一定程度上可以表征火焰的閃動(dòng)現(xiàn)象；x7代表頻譜中1～10 Hz信號(hào)幅值之和；x8代表頻譜中11～25 Hz 幅值之和；x9代表頻譜中26～45 Hz 幅值之和；x10代表頻譜中46～72 Hz 幅值之和；x11代表頻譜組成中幅值最高的頻率值；x12代表頻譜中頻率最高的幅值。表1 為部分樣本示意表。

4 算法驗(yàn)證

4.1 模型訓(xùn)練及測(cè)試

本文取實(shí)驗(yàn)樣本共606 組，對(duì)改進(jìn)T-S-RBF 模型、傳統(tǒng)T-S-RBF 模型、GA-BP 模型進(jìn)行訓(xùn)練，其中正樣本300 組和負(fù)樣本306 組，樣本輸出標(biāo)簽1 代表“有火”，標(biāo)簽－1 代表“無(wú)火”。隨后用實(shí)驗(yàn)采集的另外176 組測(cè)試樣本對(duì)上述得到的3 種模型進(jìn)行測(cè)試。在火焰的判斷中模型輸出值大于0 認(rèn)為存在火焰，模型輸出值小于0 認(rèn)為不存在火焰。

定義歸一化誤差為：

式(14)中訓(xùn)練時(shí)N＝606，測(cè)試時(shí)N＝176，ek代表第k個(gè)樣本的誤差。從圖12 中可看到，改進(jìn)后的模型因在模糊后件中模糊規(guī)則中加入了各特征分量的隸屬度關(guān)系，使得模型的局部響應(yīng)能力有較大的提升。表2 中可以看到，改進(jìn)后TS-RBF 模型不管是訓(xùn)練時(shí)的擬合程度，還是模型的泛化能力相較傳統(tǒng)的TS-RBF 模型、GA-BP 模型都有較大的提升，并且在對(duì)于火焰的判斷中的正確率也是達(dá)到了100%。

圖12 模型歸一化訓(xùn)練誤差比較圖Fig.12 Comparison of normalized training errors of models

表2 網(wǎng)絡(luò)效果比較Table 2 Comparison of network effects

4.2 模型魯棒性測(cè)試

上述3 種模型在常態(tài)工作情況下均能滿足應(yīng)用需求，但在數(shù)據(jù)發(fā)生一定程度損失，模型在可靠性方面存在較大差異。

本文針對(duì)3.8 μm 通道和5.0 μm 通道中分別出現(xiàn)的數(shù)據(jù)丟失、數(shù)據(jù)失真、數(shù)據(jù)飽和共6 種情況進(jìn)行魯棒性實(shí)驗(yàn)。各情況分別提取了100 組測(cè)試樣本，其中正、負(fù)樣本各50 組對(duì)上述3 種正常數(shù)據(jù)訓(xùn)練完成的模型進(jìn)行測(cè)試。

1）數(shù)據(jù)丟失

從表3 可知，在單一非火焰通道發(fā)生數(shù)據(jù)丟失的情況下，改進(jìn)T-S-RBF 模型可較好地判斷火焰具有極高的魯棒性，傳統(tǒng)T-S-RBF 模型和GA-BP 模型都不能夠達(dá)到需求的判斷正確率，且分別在5.0 μm 和3.8μm 通道發(fā)生數(shù)據(jù)丟失的情況下模型基本失效。

表3 數(shù)據(jù)丟失模型效果比價(jià)Table 3 Comparison of data loss models

2）數(shù)據(jù)失真

從表4 可知，在單一非火焰通道發(fā)生數(shù)據(jù)失真的情況下，改進(jìn)T-S-RBF 模型可較好地判斷火焰具有極高的魯棒性。GA-BP 模型也在5.0 μm 通道發(fā)生數(shù)據(jù)失真時(shí)，表現(xiàn)出較好的預(yù)測(cè)能力，而傳統(tǒng)T-S-RBF 模型在5.0 μm 通道發(fā)生數(shù)據(jù)失真的情況下模型的預(yù)測(cè)能力極低無(wú)法達(dá)到要求。

表4 數(shù)據(jù)失真模型效果比價(jià)Table 4 Comparison of data distortion models

3）數(shù)據(jù)飽和

從表5 可以知道，在單一非火焰通道發(fā)生數(shù)據(jù)飽和的情況下，改進(jìn)T-S-RBF 模型表現(xiàn)出較強(qiáng)的火焰識(shí)別能力，具有極高的魯棒性。GA-BP 模型雖然也具有一定的預(yù)測(cè)能力，但遠(yuǎn)遠(yuǎn)達(dá)不到預(yù)測(cè)要求且輸出波動(dòng)嚴(yán)重。傳統(tǒng)T-S-RBF 模型在單一非火焰通道發(fā)生數(shù)據(jù)飽和的情況下，模型完全失效失去判斷火焰的能力。

表5 數(shù)據(jù)飽和模型效果比價(jià)Table 5 Comparison of data saturation models

5 結(jié)論

本文提出的改進(jìn)T-S-RBF 算法，通過(guò)在模糊后件模糊規(guī)則輸出的計(jì)算中加入了特征分量的隸屬度，使得模型能夠有效抑制特征分量的波動(dòng)所帶來(lái)的影響，同時(shí)在模糊規(guī)則適用度的生成規(guī)則中，充分考慮到不同特征對(duì)于不同種類樣本的表征程度。

結(jié)合三波段火焰探測(cè)器的設(shè)計(jì)和相關(guān)采集實(shí)驗(yàn)數(shù)據(jù)的處理，實(shí)現(xiàn)了對(duì)模型的收斂速度、收斂精度、泛化能力、魯棒性等均進(jìn)行了驗(yàn)證，并與傳統(tǒng)TS-RBF模型和GA-BP 模型進(jìn)行了同向比較，各項(xiàng)性能指標(biāo)上均有明顯的提升。同時(shí)，在模型訓(xùn)練復(fù)雜度、時(shí)間上較傳統(tǒng)的模型稍有增加，并且在如何快速確定最優(yōu)模糊規(guī)則數(shù)目上還有進(jìn)一步優(yōu)化空間。