基于IPSO-ELM算法的火灾检测研究

崔善书，佘世刚，刘爱琦

（常州大学 机械工程学院，常州213164）

随着人类多年来在技术方面取得的长足进展，推动了经济、社会、生态全方位的提升。因此，在火灾的预防领域也不例外，智能化的火灾检测方法也应当与高度自动化的社会生产、生活相匹配。火灾预警算法对于整个火灾检验、 测试系统举足轻重。此中，基于数据融合的神经网络算法成了有众多人投身钻研的领域。这种求解思想早在上世纪80年代被首次提出。最早用于军事领域，专门在作战时定位敌方目标还有收集敌方军事情报[1]。到了21 世纪，美国正式将多传感器融合技术作为众多领域的核心手段研究[2]。另外，有很多研究人员研发出各种有效的火灾预警算法。比如，文献[3]提出基于模糊神经网络的火灾预警算法；文献[4]提出基于SVR 的火灾预警算法。

尽管，目前很多算法在实际检测中能够体现良好的准确性。但是也会遇到求解速度慢、易陷入局部最优等问题。鉴于极限学习机自身学习速率快、泛化能力强的特征，能够让前馈神经网络性能提高，本设计运用ELM 对火情进行检测，通过粒子群算法（PSO）对ELM 的输入权值、隐含层阈值进行优化。然而，惯性权重对PSO 的性能影响较大，通过改进惯性权重提升PSO 算法性能。与PSO 算法和遗传算法（GA）优化ELM 的训练结果对比，发现IPSOELM 的性能最突出。

1 极限学习机算法与粒子群算法

1.1 极限学习机

极限学习机是一种典型的单隐含层前馈神经网络[5]，由输入层、输出层、隐含层三层组成。ELM 可随机产生输入权值和隐含层偏置，只需设定隐含层神经元个数，就能生成最优解。

设隐含层神经元数目为L，各隐含层节点输出值为

式中：Q 为样本的训练集个数；wi为第i 个隐含层神经元与输入层的权值；βi为第i 个隐含层神经元与输出层的权值；xi为输入样本；h（x）为激活函数；bi为隐含层阈值。

化简可得：

式中：H 是由h（wixj+bi）组成的Q 行L 列的矩阵；β是由βi组成的Q 行列向量；T 是由tj组成的Q 行列向量。

可得到隐含层、输出层权值：

式中：C 为惩罚系数。

最终得到ELM 的输出函数表达式：

1.2 粒子群算法及其改进

1.2.1 粒子群算法

粒子群算法的灵感源自动物捕食过程。首先在解空间初始化种群，每个粒子代表潜在的最优解，通过位置、速度和适应度值表示特征[6]。通过群体极值Gbest和个体极值Pbest更新位置，Gbest是群体最优位置，Pbest是个体经历位置中的最优位置。

每更新位置一次，适应度值变化一次。粒子通过个体和群体极值更新自身速度和位置[7]。

更新公式如下：

式中：ω 是惯性权值；d 为1 至维数D 范围内的正整数；i 为1 至粒子数n 之间的正整数；k 指进化次数；Vid是粒子速度[8]；Xid是粒子位置；加速因子c1、c2是不小于零的常数；r1、r2是0 至1 范围内的任意数。

1.2.2 粒子群算法优化

由于惯性权重ω 对于PSO 的性能影响较大，因此对于惯性权重的修正，能够有效提高粒子群算法效率。ω 影响粒子的局部与全局最优解。较大的ω值可以提升全局搜索精度，较小的ω 可以提升局部搜索精度。通常情况下，采用线性递减权重的方式优化PSO。

这是因为较大的权重ω 易跳出局部最优点，较小的权重ω 利于搜索当前的局部区域，使算法收敛。因此，采用线性变化权重，使ω 从ωmax至ωmin线性递减，解决PSO 发生早熟收敛的问题。

线性递减权重迭代次数的变化公式：

式中：ωmax，ωmin为惯性权重的最大值和最小值；t 为当前迭代次数；tmax为最大迭代次数。通常取ωmax=0.9，ωmin=0.4，迭代次数取50～100 次。

但是，线性递减权重的优化方法存在两方面的不足，通过随机权重策略可以解决。其一，当粒子在迭代前期接近最优点，随机ω 可产生更小的ω，提升收敛速度。其二，当ω 线性递减，不能让算法收敛至最优点，此时随机ω 就可以解决这类问题。因此，本设计通过随机惯性权值ω 对PSO 进行优化。随机ω 计算公式如下所示：

式中：N（0，1）是正态分布随机数；rand（0，1）是0 至1之间的随机数；μ 是随机权重平均值；σ 是随机权重平均值的方差。

2 基于IPSO-ELM 的火灾检测模型建立

火灾是一种不可控的复杂燃烧形式，通过各种化学物质进行反应的过程。一般情况下，化学物质反应的产物有烟雾、温度和有毒气体等。本实验选取有代表性的温度、 烟雾和CO 浓度作为火灾的评价指标。

本设计利用IPSO 对ELM 进行优化，通过IPSOELM 算法对火灾检测问题进行建模。相较于传统的神经网络，ELM 具有设置参数少、求解速度快、精确度高等优点。基于该优化算法的神经网络，将3 种火灾特征作为网络输入级，无火、明火、阴燃火3 种火情作为训练输出。具体的结构如图1 所示。

图1 IPSO-ELM 网络结构Fig.1 IPSO-ELM network structure

IPSO-ELM 火灾检测算法的过程如下：

第一步将所有测试样本打乱顺序，随机选取一部分为训练样本，另一部分为测试样本。对输入集数据进行归一化操作。

第二步将输入权值wi和隐含层偏置bi设为PSO 的粒子，通过式（10）计算搜索空间维数D；设定粒子种群规模为20。具体公式如下所示：

式中：D 为粒子空间维度；I 为输入的神经元个数；H为隐含的神经元个数。

第三步设定最大迭代次数tmax为50 次；学习因子c1和c2均取1.5； 粒子最大速度vmax和最小速度vmin分别为3 和-3；μmax取0.8，μmin取0.5，σ 取0.2，根据公式（9）计算随机权重ω。

第四步利用均方根误差公式（11），作为适应度函数，迭代计算粒子的适应度值，确定粒子的历史最优位置Gh-best。具体公式如下：

式中：N 指训练样本量；M 指输出神经元数；yk为预测输出值，ck为实际输出值。

第五步重新迭代计算生成新的适应度值，确定当前最优位置Gp-best。将当前最优位置Gp-best与历史最优位置Gh-best进行比较，如比历史最优位置小，则用当前最优位置替换历史最优位置；反之，不变。

第六步根据式（6）、式（7）和式（9）更新粒子自身速度、位置和随机惯性权重。

第七步当适应度函数值达到最小且最终到达最大迭代次数时，停止迭代，输出最优位置。此时，得到最优的输入权值和隐含层偏置。否则，跳转到第四步。

第八步将IPSO 优化后的输入权值和隐含层偏置，引入到ELM 网络，对火灾数据进行训练。具体流程如图2 所示。

图2 基于IPSO-ELM 的检测流程Fig.2 Detection flow chart based on IPSO-ELM

3 实验结果分析

本文采用国家标准火灾数据以及国内核心论文数据[9-10]，将其中数据分成训练集和测试集，验证IPSO-ELM 网络性能。数据包含无火、明火、阴燃火各80 组数据，将这些数据随机分成180 组做训练，其余60 组（无火、阴燃火、明火数据各20 组）做测试。部分测试集数据如表1 所示。

表1 火灾测试集数据Tab.1 Fire test set data

利用180 组训练集数据训练IPSO-ELM，之后通过60 组测试集检验网络的优劣特性。其中，60 组测试数据的检验结果如图3 所示。

图3 基于IPSO-ELM 的火情识别结果Fig.3 Fire recognition results based on IPSO-ELM

图3 中，纵坐标的1、2、3 分别代表无火、阴燃火和明火。无火、阴燃火、明火各20 组测试样本中，只有1 次无火误检测为阴燃火，1 次阴燃火误检测为无火；其他测试样本均无误报情形。在整体60 次检测过程中，1 次无火误检测为阴燃火，1 次阴燃火误检测为明火正确率达到了96.67%。

PSO-ELM 和GA-ELM 的火情识别结果如图4、图5 所示。从图中可知，基于PSO-ELM 的火灾检测模型在60 次检测过程中，有1 次无火误检测为阴燃火，3 次阴燃火误检测为明火，正确率为93.3%。基于GA-ELM 的火灾检测模型在60 次检测过程中，有3 次无火误检测为阴燃火，2 次阴燃火误检测为明火，正确率为91.67%。

图4 基于PSO-ELM 的火情识别结果Fig.4 Fire recognition results based on PSO-ELM

图5 基于GA-ELM 的火情识别结果Fig.5 Fire recognition results based on GA-ELM

通过以上对比，发现基于IPSO-ELM 的火情识别算法的分类准确率高于另外两种算法。

4 结语

本文针对极限学习机算法存在随机生成输入权值和隐含层阈值，导致分类精度不高的问题。提出用群优化算法（PSO）来优化参数特性，使ELM 产生最优的权值和阈值。然而，PSO 自身的惯性权重对其性能影响较大；所以提出，通过随机惯性权重来改进PSO 性能。具体地，经过IPSO 不断迭代寻优，找到最优适应度值，确定优化后的权值和阈值。然后将温度、烟雾浓度、CO 浓度3 种火灾特征作为网络输入；3 种火情作为输出集，分别是无火、阴燃火、明火。经过对实验结果的分析，直观地反映出：基于IPSO-ELM 的检测网络拥有稳定的分类及泛化性能，对于火灾检测这一领域有很强的适应性。最后，与经过PSO 和GA 优化后的ELM 火灾识别网络比较；发现，经IPSO 优化的网络性能要高于这两者，并且网络检测准确性更好。