李衛(wèi)高,丁文婷,趙望達(dá)

(1.清遠(yuǎn)市人防(民防)工程管理中心,廣東 清遠(yuǎn),511500;2.沈陽建筑大學(xué) 土木工程學(xué)院,遼寧 沈陽,110168;3.中南大學(xué) 土木工程學(xué)院,湖南 長沙,410075)

火災(zāi)發(fā)生過程是一個(gè)復(fù)雜多變的過程,信號(hào)特征有時(shí)波動(dòng)性較大,單一信號(hào)探測技術(shù)很難滿足火災(zāi)的復(fù)雜性和多特征性[1-2]。將多源信息融合、神經(jīng)網(wǎng)絡(luò)、模糊邏輯技術(shù)應(yīng)用于火災(zāi)探測及報(bào)警技術(shù)中,提出基于多源信息融合的火災(zāi)探測報(bào)警系統(tǒng)[3]。同時(shí)火災(zāi)特征信號(hào)融合提取算法的優(yōu)劣顯對(duì)火災(zāi)探測結(jié)果影響較大[4]。

多特征信號(hào)融合提取算法有線性方法特征提取和非線性方法特征提取[5],主要有原始數(shù)據(jù)動(dòng)態(tài)觀察窗法、主元成分分析(PCA)、獨(dú)立成分分析(ICA)、局部性嵌入(LLE)[6]、拉普拉斯特征映射[7]、等距映射[8]、神經(jīng)網(wǎng)絡(luò)、主曲線和表面等多種方法。Derbel F[9]提出原始數(shù)據(jù)動(dòng)態(tài)觀察窗測量一段時(shí)間內(nèi)參量變化的方法,該方法可以很好的解決局部波動(dòng)較大的信號(hào)的提取,對(duì)于火災(zāi)特征信號(hào)波動(dòng)下較大這一特性具有較好的適應(yīng)性。王學(xué)貴[10]提出若將全部數(shù)據(jù)采樣提取,會(huì)增加信息融合的維度。王殊[11]在提出的復(fù)合特定趨勢檢測算法基礎(chǔ)上進(jìn)一步改進(jìn),采用了長度自動(dòng)變化的計(jì)算窗應(yīng)用于火災(zāi)自動(dòng)探測中能及時(shí)識(shí)別火災(zāi)。

利用創(chuàng)建的神經(jīng)網(wǎng)絡(luò)分類器,研究不同步長、窗長算法提取的訓(xùn)練樣本對(duì)于神經(jīng)網(wǎng)絡(luò)分類器訓(xùn)練的影響,期待找到最優(yōu)的步長和窗長提取訓(xùn)練樣本。

1 火災(zāi)特征信號(hào)融合提取算法

1.1 神經(jīng)網(wǎng)絡(luò)分類器訓(xùn)練樣本的建立

神經(jīng)網(wǎng)絡(luò)分類器訓(xùn)練時(shí)的輸入端為火災(zāi)數(shù)據(jù),原始數(shù)據(jù)采樣間隔短,數(shù)據(jù)龐大,如果全部直接輸入會(huì)造成很大無用功。采用原始數(shù)據(jù)動(dòng)態(tài)觀察窗法對(duì)原始數(shù)據(jù)提取,該方法的主要兩個(gè)影響因素是窗長和步長。窗長過小會(huì)導(dǎo)致局部錯(cuò)誤突變數(shù)據(jù)對(duì)探測結(jié)果造成影響,窗長過長又會(huì)導(dǎo)致某些突變趨勢無法及時(shí)體現(xiàn)[12]。步長過小會(huì)導(dǎo)致數(shù)據(jù)處理量加大,步長過長也無法及時(shí)探測到火災(zāi)。另外窗長與步長之間還存在耦合問題,如果兩者耦合好,會(huì)得到更好地訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。動(dòng)態(tài)觀察窗窗長含義如圖1所示。

圖1 動(dòng)態(tài)觀察窗示意圖

神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本采用窗長為5、10、15、20 s, 步長為 5、10、15、20、25、30、35、40 s提取NIST FR系列試驗(yàn)中試驗(yàn)6的原始數(shù)據(jù)得到32個(gè)訓(xùn)練樣本。

FR 4016系列試驗(yàn)是由美國國家標(biāo)準(zhǔn)與技術(shù)研究院(NIST)開展,目的是為了研究不同類型傳感器在火災(zāi)探測及報(bào)警系統(tǒng)的性能,該試驗(yàn)在居民建筑內(nèi)開展了一系列實(shí)體實(shí)際尺寸的試驗(yàn)。該建筑的建筑面積是84.7 m2,由臥室、浴室、廚房、客廳和餐廳等組成,FR 4016試驗(yàn)詳細(xì)情況及數(shù)據(jù)結(jié)果詳見試驗(yàn)報(bào)告[12]。

1.2 神經(jīng)網(wǎng)絡(luò)分類器測試樣本的選取

數(shù)據(jù)測試樣本采用同為陰燃火的試驗(yàn)6的原始數(shù)據(jù),由于本次研究與火災(zāi)具體含義無關(guān),前邊陰燃階段各參數(shù)變化較小,僅截取6 500 s以后數(shù)據(jù),每5 s采樣一次最為最終測試樣本。

數(shù)據(jù)融合時(shí),需要對(duì)各參數(shù)進(jìn)行歸一化,然后再輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行分析。歸一化采用式(1)計(jì)算,計(jì)算后的數(shù)據(jù)位于0到1之間。由于只考慮網(wǎng)絡(luò)性能,歸一化時(shí)為了更為精確,不再考慮各種參數(shù)最大可能區(qū)間,

其中xmax為數(shù)據(jù)中最大數(shù)值,xmin為最小數(shù)值。本文選用試驗(yàn)6作為測試樣本,試驗(yàn)6截取試驗(yàn)數(shù)據(jù)曲線如圖2所示,歸一化結(jié)果如圖3所示。

圖2 試驗(yàn)6截取試驗(yàn)數(shù)據(jù)曲線圖

圖3 試驗(yàn)6數(shù)據(jù)歸一化結(jié)果

由圖3可知,160 s時(shí)發(fā)生了顯然的火災(zāi)特征,確定160 s為火災(zāi)臨界點(diǎn)。在分析火災(zāi)探測器性能時(shí),常采用靈敏度和錯(cuò)報(bào)率來評(píng)價(jià)探測器的性能。靈敏度為第一次輸出火災(zāi)信號(hào)的時(shí)間點(diǎn),錯(cuò)報(bào)率為非火災(zāi)時(shí)輸出火災(zāi)信號(hào)和火災(zāi)時(shí)輸出非火災(zāi)信號(hào)。本次試驗(yàn)中,網(wǎng)絡(luò)輸出值在160 s之后(含)第一次為火災(zāi)信號(hào)的時(shí)間,響應(yīng)時(shí)間越短,說明探測器靈敏度越高;160 s之前為非火災(zāi)信號(hào),160 s之后(含)為火災(zāi)信號(hào),160 s之前網(wǎng)絡(luò)輸出為火災(zāi)的概率和160 s之后網(wǎng)絡(luò)輸出為非火災(zāi)的概率之和為誤報(bào)率。

1.3 神經(jīng)網(wǎng)絡(luò)分類器建立

本文對(duì)神經(jīng)網(wǎng)絡(luò)分類器本身性能不作研究,簡單選用Matlab中默認(rèn)的BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練和仿真。其隱含層節(jié)點(diǎn)數(shù)為7。設(shè)定網(wǎng)絡(luò)輸出0.6以上(含)為火災(zāi),0.6以下為非火災(zāi)。

Matlab中數(shù)據(jù)讀取及仿真部分代碼如下:

2 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和測試結(jié)果

利用32個(gè)訓(xùn)練樣本對(duì)建立的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練學(xué)習(xí),再利用測試樣本進(jìn)行仿真實(shí)驗(yàn),測試結(jié)果如下(其中訓(xùn)練步長表示神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步長)。

(1) 5 s窗長

5 s步長,訓(xùn)練次數(shù)21次,探測點(diǎn)160,誤報(bào)率0%;10 s步長,訓(xùn)練次數(shù)10次,探測點(diǎn)165,誤報(bào)率1.39%;15 s步長,訓(xùn)練次數(shù)10次,探測點(diǎn)165,誤報(bào)率1.39%;20 s步長,訓(xùn)練次數(shù)30次,探測點(diǎn)160,誤報(bào)率4.17%;25 s步長,訓(xùn)練次數(shù)6次,探測點(diǎn)195,誤報(bào)率9.72%;30 s步長,訓(xùn)練次數(shù)7次,探測點(diǎn)175,誤報(bào)率4.17%;35 s步長,訓(xùn)練次數(shù)8次,探測點(diǎn)175,誤報(bào)率8.33%;40 s步長,訓(xùn)練次數(shù)36次,探測點(diǎn)140,誤報(bào)率12.5%。

(2) 10 s窗長

5 s步長,訓(xùn)練次數(shù)19次,探測點(diǎn)165,誤報(bào)率1.39%;10 s步長,訓(xùn)練次數(shù)13次,探測點(diǎn)165,誤報(bào)率1.39%;15 s步長,訓(xùn)練次數(shù)8次,探測點(diǎn)170,誤報(bào)率2.78%;20 s步長,訓(xùn)練次數(shù)9次,探測點(diǎn)165,誤報(bào)率2.78%;25 s步長,訓(xùn)練次數(shù)21次,探測點(diǎn)175,誤報(bào)率4.17%;30 s步長,訓(xùn)練次數(shù)8次,探測點(diǎn)170,誤報(bào)率2.78%;35 s步長,訓(xùn)練次數(shù)9次,探測點(diǎn)195,誤報(bào)率9.72%;40 s步長,訓(xùn)練次數(shù)8次,探測點(diǎn)160,誤報(bào)率5.56%。

(3) 15 s窗長

5s步長,訓(xùn)練次數(shù)21次,探測點(diǎn)160,誤報(bào)率0%;10 s步長,訓(xùn)練次數(shù)11次,探測點(diǎn)160,誤報(bào)率0%;15 s步長,訓(xùn)練次數(shù)8次,探測點(diǎn)170,誤報(bào)率2.78%;20 s步長,訓(xùn)練次數(shù)8次,探測點(diǎn)170,誤報(bào)率2.78%;25 s步長,訓(xùn)練次數(shù)12次,探測點(diǎn)170,誤報(bào)率6.94%;30 s步長,訓(xùn)練次數(shù)17次,探測點(diǎn)180,誤報(bào)率5.56%;35 s步長,訓(xùn)練次數(shù)7次,探測點(diǎn)165,誤報(bào)率1.39%;40 s步長,訓(xùn)練次數(shù)18次,探測點(diǎn)165,誤報(bào)率2.78%。

(4) 20 s窗長

5 s步長,訓(xùn)練次數(shù)11次,探測點(diǎn)160,誤報(bào)率0%;10 s步長,訓(xùn)練次數(shù)22次,探測點(diǎn)160,誤報(bào)率0%;15 s步長,訓(xùn)練次數(shù)9次,探測點(diǎn)160,誤報(bào)率4.17%;20 s步長,訓(xùn)練次數(shù)5次,探測點(diǎn)170,誤報(bào)率2.78%;25 s步長,訓(xùn)練次數(shù)9次,探測點(diǎn)165,誤報(bào)率4.17%;30 s步長,訓(xùn)練次數(shù)5次,探測點(diǎn)160,誤報(bào)率0%;35 s步長,訓(xùn)練次數(shù)8次,探測點(diǎn)170,誤報(bào)率2.78%;40 s步長,訓(xùn)練次數(shù)7次,探測點(diǎn)170,誤報(bào)率2.78%。

在此僅給出10 s窗長、不同步長提取訓(xùn)練樣本訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)測試結(jié)果(圖4)。

圖4 10s窗長下不同步長測試結(jié)果描點(diǎn)圖

3 結(jié)果分析

3.1 步長對(duì)測試結(jié)果的影響

在設(shè)定相同窗長情況下,研究不同步長對(duì)探測性能的影響。以步長為橫坐標(biāo)作圖,可以得到不同步長下訓(xùn)練得到的BP網(wǎng)絡(luò)訓(xùn)練分類器的響應(yīng)時(shí)間和錯(cuò)報(bào)率曲線圖(見圖5和圖6)。

圖5 分類器響應(yīng)時(shí)間曲線

圖6 分類器錯(cuò)報(bào)率曲線

從響應(yīng)時(shí)間曲線上可以看出,在較小窗長下,響應(yīng)時(shí)間隨著步長增加變大,且整體波動(dòng)較大,在較大窗長下,響應(yīng)時(shí)間隨著步長增加略有增加,且整體波動(dòng)較小。

從錯(cuò)報(bào)率曲線上可以看出,在較小窗長下,錯(cuò)報(bào)率時(shí)間隨著步長增加變大,且變化幅度較大,在較大窗長下,錯(cuò)報(bào)率隨著步長增加略有增加,且增幅較小。

綜上,步長越短,探測性能越好,但是過短的步長會(huì)增加神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)。5 s較10 s各參數(shù)變化較小,所以建議采用10 s步長,且采用3種特征分類器時(shí),對(duì)訓(xùn)練數(shù)據(jù)的提取步長不應(yīng)超過20 s。

3.2 窗長對(duì)測試結(jié)果的影響

在設(shè)定相同步長情況下,研究不同窗長對(duì)探測性能的影響。以窗長為橫坐標(biāo)作圖,可以得到不同窗長下訓(xùn)練得到的BP網(wǎng)絡(luò)訓(xùn)練分類器的響應(yīng)時(shí)間和錯(cuò)報(bào)率曲線圖(見圖7和圖8)。

圖7 分類器響應(yīng)時(shí)間曲線

圖8 分類器錯(cuò)報(bào)率曲線

由圖7和圖8可知,響應(yīng)時(shí)間隨著窗長增加變小,錯(cuò)報(bào)率隨著窗長增加變小。

綜上,窗長越長,探測性能越好,窗長過長會(huì)導(dǎo)致部分突變火災(zāi)信號(hào)無法捕捉,10 s步長情況下,15 s窗長和20 s窗長性能一樣,建議采用15 s窗長,且采用3種特征分類器時(shí),對(duì)訓(xùn)練數(shù)據(jù)的提取窗長不應(yīng)低于15 s。

4 結(jié)論

(1)動(dòng)態(tài)觀察窗融合提取火災(zāi)特性信號(hào)時(shí),采用步長越短,窗長越長,探測性能越好,反之,性能越差。

(2)5 s窗長,40 s步長響應(yīng)時(shí)間小于160 s,產(chǎn)生非火災(zāi)信號(hào)作為火災(zāi)信號(hào)誤報(bào),這是因?yàn)榛馂?zāi)特征信號(hào)波形性較大,過于小的窗長與過于大的步長,會(huì)使神經(jīng)網(wǎng)絡(luò)捕捉到環(huán)境的影響信號(hào)而產(chǎn)生誤判。

(3)步長過短會(huì)增加訓(xùn)練對(duì)于硬件資源的要求,窗長過長會(huì)導(dǎo)致某些突變火災(zāi)信號(hào)探測不靈敏,建議選用10 s步長和15 s窗長。