基于核极限学习机的火灾预警算法研究

丁承君，张井超，何乃晨

（河北工业大学 机械工程学院，天津 300130）

基于核极限学习机的火灾预警算法研究

丁承君，张井超，何乃晨

（河北工业大学 机械工程学院，天津 300130）

火灾信息处理算法的有效性影响着火灾预警系统的准确性和可靠性，所以智能火灾预警算法研究成为了火灾预警技术的一个研究热点.针对以往火灾信息处理算法的不足，提出了一种基于核极限学习机（KELM）的火灾预警算法.该算法利用核极限学习机对多种传感器采集到的数据进行融合分析，实现火情识别.利用MATLAB对核极限学习机的火灾预警算法进行仿真，通过与BP神经网络火灾预警算法和支持向量机火灾预警算法的仿真结果进行对比，证明了该火灾预警算法较之以往算法的优越性.

火灾预警；多传感器；数据融合；核函数；极限学习机

0 引言

随着社会的重大变革，经济飞速发展，城市化进程加快，人们对火灾预警和消防系统提出了更高的要求，高度智能化的火灾预警系统正在取代传统的火灾预警系统，基于多传感器信息融合的智能火灾预警算法研究成为火灾预警技术的一个重要研究方向，基于神经网络的火灾预警算法成为智能火灾预警算法的一个研究热点.例如Gerberus开发了基于神经网络的AlgoRex火灾报警器[1]；Okayama[2]研发了针对不同火灾信息的神经网络火灾预警算法；张健[3]提出了基于前馈神经网络的火灾预警算法；汤群芳[4]提出了基于模糊神经网络的火灾预警算法；张立宁[5]提出了基于SVR的火灾预警算法.

上述提到的智能火灾预警算法虽然提高了火灾预警的准确性和可靠性，但是基于神经网络的火灾预警算法存在学习速度慢、容易陷入局部极小和存在过训练等问题.本文提出了一种基于核极限学习机（KELM）的火灾预警算法，通过与BP神经网络和支持向量机火灾预警算法仿真结果作对比，证明了核极限学习机火灾预警算法的优越性.

1 核极限学习机

1.1 极限学习机

针对传统的神经网络的缺点，Vapnik[6]提出了基于统计理论和结构风险最小化原则的支持向量机算法，支持向量机解决了传统神经网络训练样本多、过训练等问题，但是其也存在求解复杂、参数敏感等问题.2004年Huang等[7]提出了极限学习机（Extreme Learning Machine），与传统神经网络的学习训练过程不同，极限学习机不需要调整隐含层阈值和与输入层之间的连接权值，只需要调节隐含层的节点数，当确定隐含层节点数后，极限学习机可以获得唯一最优化解.相较于传统神经网络和支持向量机，极限学习机具有训练速度快、泛化性好等优点[8].

极限学习（ELM）网络中不仅要考虑误差最小，也要考虑输出权值最小.极限学习（ELM）采用最小输出权值范数和训练误差对整个系统进行学习训练，即最小化

其中：C为惩罚因子；ξ为训练误差；H为隐含层输出矩阵；β为隐含层与输出层连接权值；ti为期望输出值.依据KKT理论构建Lagrange函数，则有

1.2 核极限学习机

无核的极限学习机是一个3层的人工神经网络，包括一个输入层、一个输出层和一个隐含层.隐含层将输入样本从低维空间映射到高维空间，将线性不可分问题转化为线性可分问题.但高维特征空间运算时存在“维度灾难”.核函数可以代替这种映射完成将线性不可分问题转化为线性可分问题，又可以解决“维度灾难”问题.相对于极限学习算法核极限学习算法[9]提高了整个系统的稳健性和非线性逼近能力.

定义核极限学习机（KELM）的核矩阵为Ω，核矩阵需要满足Mercer条件[10-11]，则有

其中：K（xi，xj）为核函数；Ω为核矩阵.

将式（8）代入式（7）得到核极限学习机的输出函数为

KELM常用的核函数有：线性核函数、多项式核函数、Sigmoid核函数、RBF核函数[12].

2 基于核极限学习机（KELM）的火灾预警算法建模

火灾是一种在时间和空间上失去控制的燃烧现象，是可燃物与氧化剂发生相互作用的一种氧化还原反应，通常伴有烟雾、热量、火焰以及气体等特征参量产生.烟雾、热量以及气体是火灾的3个主要的特征，该设计选取CO浓度、烟雾浓度和温度作为火灾的特征参量.

核极限学习机火灾预警算法以CO浓度、烟雾浓度和温度作为核极限学习机的输入，无火、阴燃火和明火作为输出，构建了一个3输入3输出的核极限学习机火灾预警算法模型，其结构图如图1所示.

基于核极限学习机火灾预警算法包括火灾特征的提取和火情识别，主要包括以下3个步骤：

第1步：选取CO浓度、烟雾浓度和温度作为火灾特征参量，归一化处理CO浓度、烟雾浓度和温度，得到火灾样本数据.

第2步：将处理后的火灾样本数据分为训练样本集和测试样本集两类，设定核函数参数和惩罚因子，训练核极限学习机.

第3部：用第2步训练得到的核极限学习机进行火情识别.

图1 基于KELM的火灾预警算法结构图Fig.1 KELM based fire alarm algorithm structure diagram

3 实例分析

本文选取国内外180组数据（60组无火数据、60组阴燃火数据、60组明火数据）验证核极限学习机火灾预警算法模型，其中60组无火数据中包含20组厨房干扰火数据.在180组数据中选取90组数据（30组无火数据、30组阴燃火数据、30组明火数据） 作为训练样本集，剩余90组数据作为测试样本集，归一化处理后的火灾数据如表1所示.

该设计选取RBF函数作为核极限学习机的核函数，相较于其它核极限学习机，基于RBF核函数的核极限学习机参数少，准确性高.利用交叉验证法寻找最佳的参数C（惩罚因子）和参数g（RBF核参数）.图2和图3分别为交叉验证法绘制的分类准确率与参数的关系等高线图和3D视图.

表1 归一化处理后火灾数据Tab.1 Normalized fire data

图2 分类准确率与参数的关系等高线图Fig.2 Classification of the accuracy of the relationship between the parameters and contours

利用训练样本集训练核极限学习机，采用测试样本集测试训练得到核极限学习机，测试结构如图4所示，其中1代表无火，2代表阴燃火，3代表明火.

从图4可知，核极限学习机火灾预警算法在30次无火火情识别中误报0次，其准确率为100%；在30次阴燃火火情识别中误报2次，其准确率为93.3%；在30次明火火情识别中误报2次，其准确率为93.3%.在90次火情识别中误报4次，其准确率为95.6%.

BP神经网络、支持向量机（SVM）和核极限学习机（KELM） 3种不同的火灾预警算法的准确率结果比较如表2所示.从表中可知BP神经网络火灾预警算法在90次火情识别中准确识别79次，其准确率为87.7%，所用时间为7.225 s.支持向量机火灾预警算法在90次火情识别中准确识别82次，其准确率为91.1%，所用时间为2.287 s.核极限学习机火灾预警算法在90次火情识别中准确识别86次，其准确率为95.6%，所用时间为0.436 s.经过对比可以看出核极限学习火灾预警算法不管在训练测试时间和准确率上都优于其它2种方法.

图3 分类准确率与参数的关系3D图Fig.3 Classification accuracy and the relationship between the parameters of the 3D map

图4 测试集火情识别结果图Fig.4 Test set of fire identification results

表2 测试集火情识别结果对比Tab.2 Test set of fire identification results comparison

4 结论

本文设计了一种基于核极限学习的火灾预警算法，该算法采用RBF函数作为核极限学习的核函数，利用交叉验证法寻找最佳的参数C（惩罚因子）和参数g（RBF核参数）.以CO浓度、烟雾浓度和温度作为核极限学习机的输入，无火、阴燃火和明火作为输出，构建了一个3输入3输出的核极限学习机火灾预警算法模型.通过与BP神经网络和支持向量机（SVM）2种不同火灾预警算法的仿真结果做对比可知，核极限学习机火灾预警算法不管在训练时间和准确率上都优于其它2种方法.但核极限学习机火灾预警算法存在参数敏感性问题，下一步将对核极限学习机火灾预警算法的优化作进一步研究.

[1] 张立宁，张奇，安晶.基于SVR的高层建筑复合式火灾预警系统设计[J].安全与环境工程，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] 张健.基于神经网络算法的火灾探测系统的研究[J].数字技术与应用，2013（10）：130-132.

[4] 汤群芳.基于模糊神经网络的火灾数据处理方法的研究[D].长沙：湖南大学，2011.

[5] 张立宁，安晶，张奇，等.基于SVR的智能建筑火灾预警模型设计[J].数学的实践与认识，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] 陈绍炜，柳光峰，冶帅.基于核极限学习机的模拟电路故障诊断研究[J].西北工业大学学报，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.设备状态检测与传感器故障诊断技术研究[D].哈尔滨：哈尔滨工程大学，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

天津市科技支撑计划（14ZXCXGX00123，15ZXHLGX00210）

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

[责任编辑 田 丰]