基于极限学习机的高压输电线路障碍物识别方法

詹浩东，林勇，孙伟业

（合肥工业大学电气自动化工程学院，安徽合肥 230009）

高压输电线路是电力系统的基础设施，随着输电线路的覆盖范围越来越大，现阶段人工巡线的方式已经难以满足高压输电线路的运行维护要求[1-2]。人工智能技术的发展使机器人巡检方式得以兴起，许多学者提出了机器人视觉识别方法,例如支持向量机[3]、人工神经网络[4]等。南洋理工大学的黄广斌等先后提出了极限学习机（ELM）[5]和核极限学习机(KELM)[6]，其训练速度很快，有着较高的准确率，但核函数的种类与参数会影响KELM的学习能力和泛化能力[7]。核函数及其参数的优化对KELM 较为重要。

面对此类参数优化问题，生物启发式智能算法受到了学者们的重视，2018 年，刘生建等提出了一种狮群优化算法（LSO）[8]，在求解一些优化问题时有良好的表现，但其仍有易陷入局部最优和早熟等问题。

文中提出一种基于改进狮群算法优化的多核极限学习机的高压线路常见障碍物识别方法，利用混沌初始化种群、自适应种群成年狮比例因子以及差分算法和模拟退火算法对LSO 进行改进。以高压线路常见障碍物图片制作数据集。利用改进后的LSO算法建立并训练ILSO-MKELM 模型。通过测试结果验证了该分类器的性能。

1 改进狮群算法

1.1 狮群算法

狮群算法是受狮群中狮王、母狮和幼狮的自然分工所启发而提出的算法，其数学模型：设D维解空间中的某种群有N个狮子，第i个狮子的位置为xi=(xi1,xi2,xi3,xi4···xiD)，成年狮的数量为N×B，B为成年狮的比例因子。狮王按照式（1）更新自身位置。

其中，gk为第k代群体的最佳位置，为第i个狮子第k代的历史最佳位置。母狮按式（2）更新自身位置。

为第k代种群内随机选择的母狮，af为母狮移动范围的扰动因子[9]，T为群体最大迭代次数，t为当前迭代次数，幼狮按式（4）更新位置。

q为均匀分布U[0,1]产生的均匀随机值，为第k代母狮的历史最佳位置。

1.2 狮群算法的改进策略

1.2.1 混沌映射生成初始种群

混沌初始化方法能有效改善初始种群的分布状态，现今应用较为广泛的混沌算法[10]为logistic 映射,但考虑其存在性能较差的小区间，这里采用遍历均匀性更好的Tent算法，计算公式为式（5）：

其中，a的取值范围为(0,2]，为第n个个体的第d维度的值。

1.2.2 自适应成年狮比例因子

算法运行初期应有更强的全局搜索能力，在找到最优解的候选区域后加强局部开发能力的迅速收敛。部分幼狮的位置更新依赖于成年狮，保留其数量至少为2，在此提出了该比例因子的调整公式和约束条件，如式（6），其中，K为种群个体数，当群体最大迭代次数T为800 时，成年狮比例因子B随迭代次数t的变化趋势如图1所示。

图1 比例因子变化趋势

1.2.3 差分进化算法

差分进化算法是具有强大全局搜索能力的求解算法，近年来许多差分算法变异策略的改进方法被提出。ESPDE 算法[11]给出了带双差分项变异策略，JADE 算法[12]中变异策略由种群中较好的个体和较劣个体共同引导种群进化。这里提出一种简化策略池的差分策略，如式（7）～（9）：

其中，为变异个体，为目标个体，为当前最优个体，为当前最劣个体，F为变异因子。

变异个体再经过交叉操作即可得到子代个体，采用JADE 算法的更新方法调整变异因子与交叉因子等控制参数。

1.2.4 模拟退火算法

模拟退火算法以Metropolis 准则为基础，在运行过程中以概率形式接受劣解，因此具有很强的跳出局部最优的能力。

1.3 差分模拟退火与狮群算法的融合

狮王的位置更新方式改进：使用一种修改过的模拟退火算法对狮王进行局部寻优，该算法将降温计算改为固定搜索次数，使用的扰动形式为高斯扰动。母狮位置更新策略从策略池SK 中随机选择。所有算法生成的子代个体的选择均沿用Metropolis准则，融合算法的具体计算步骤如下：

1）初始化种群规模N、个体维度D、最大迭代次数T、成年狮比例因子B、变异因子、交叉因子、系统温度T0。

2）使用Tent 映射生成初始种群S，按式（5）进行计算，计算目标函数值fitness 并排序，选择最优个体为狮王。

3）按式（6）更新成年狮比例因子B，按式（1）、（2）、（4）更新各类狮子的位置，生成种群S1 并计算目标函数值fitness1。

4）为狮王添加高斯扰动，进行局部搜索10 次，按Metropolis 准则接受新解并更新目标函数值。

5）随机选择策略池SK中的变异策略即式（7）～（9）对母狮进行变异操作，幼狮用式（8）、（9）替代式（4）进行变异，最后通过交叉操作生成种群S2 并计算目标函数值fitness2。

6）比较S、S1、S2种群中每个个体fitness、fitness1、fitness2的数值，取最优个体保存至S，对于种群S2 来说，存在fitness2 比fitness 更优，即视为更新成功，若fitness1和fitness2 均为劣解，则从中随机选择一个劣解按Metropolis 准则接受。最后更新fitness。

7）更新全局最优个体和当前最劣个体，保留更新成功的变异策略、变异因子、交叉因子，更新失败个体的下一代重新从策略池SK 中选择变异策略，变异因子和交叉因子的更新采用JADE 算法，并进行退火操作。每隔10 代对整个种群重新排序。

8）确认当前最优解能否满足精度要求或迭代次数是否达到最大值，不满足则转向第3）步，满足则直接输出当前最优解的位置和该解的目标函数值，算法结束。

1.4 实验验证和结果分析

1.4.1 运行环境与参数设置

为了验证算法的有效性，选择多种国际通用的标准测试函数对改进的LSO 算法进行测试，并与原算法以及PSO、ABC、GWO和GSA 进行了对比分析，每种算法独立运行20 次，给出平均收敛曲线。测试函数如表1 所示。

表1 测试函数

1.4.2 收敛性分析

测试函数的平均收敛曲线如图2～4 所示，迭代次数均为400 次。

图2 2维空间f1、f2函数寻优曲线图

图3 30维空间f1、f2函数寻优曲线图

图4 f3函数寻优曲线

可见改进LSO的收敛曲线在初期有更好的适应度，收敛曲线前期下降速度仍然较快，说明Tent映射有效地改善了种群的初始位置，曲线出现波动是由于初期算法接受劣解的概率较高。迭代过程中改进LSO算法的停滞次数较少，表明差分算法和Metropolis 准则加强了LSO的局部开采能力和跳出局部最优的能力，在高维空间尤为明显。少数情况下迭代次数少量上升。对于f3函数，改进LSO能迅速收敛至最优值，迭代过程中几乎不会陷入局部最优。

2 混合核极限学习机算法

极限学习机是一种单层前馈神经网络[13]，其输入层权值和隐藏层阈值均随机生成[14]，无需迭代。由于其隐藏节点数难以确定，文献[14]引入了正则化系数并借鉴了SVM 中的核函数方法，得到了一种核极限学习机。这里采用的是多项式和高斯径向基组成的混合核函数，函数贡献因子设为C2，用于调节两者权重。

3 基于改进LSO-MKELM的高压输电线路障碍物识别的建模与仿真

3.1 障碍物识别分析

选取高压输电线路上常见的障碍物作为分类器测试对象，分别为防震锤、间隔器、悬线夹、绝缘子4类障碍物。常见的特征提取算法有HOG[15]、SIFT[16]、SURF[17]、ORB[18]等，考虑到高压输电线路上的电力器件等障碍物的颜色以及纹理特征不明显，为了兼顾分类精度和识别速度，选择SURF 算法作为特征提取算法。

3.2 建立障碍物识别模型

利用ILSO 对MKELM的核函数参数C1、C2、δ、d和正则化系数C进行优化，由于d为多项式函数部分的指数参数，其取值范围限定为[1，5]，且为整数。具体训练步骤如下：

1）对数据集图片进行灰度化并使用均值滤波法除噪，使用直方图均衡化的方法进行图像增强，利用腐蚀算法处理增强后的图片，取得形状特征图，最后利用SURF 算法生成特征描述子，构建词袋模型，并对特征描述子进行量化，添加类别标签。

2）以核函数参数和正则化系数组成维数为5的狮子个体，输入训练集数据训练模型，以测试集数据的分类正确率为目标适应度，按照改进LSO 算法流程进行计算。

3）达到最大迭代次数或达到预设定正确率时输出核函数参数和正则化系数。否则按ILSO 算法流程继续迭代。

4）将优化过的核函数参数和正则化系数输入MKELM 进行训练，得到障碍物的识别模型。

3.3 实验仿真与验证

实验测试环境为Matlab2018a，所用数据集图片数量为500张，图片分辨率统一调整为50×50，其中各类障碍物正样本各100 张，共计400 张，负样本各25张，共计100张，实验重复次数为10次，每次实验随机抽取各类样本总数的60%作为训练数据，其余作为测试数据。不同建模方法的实验结果对比如表2所示。

表2 不同建模方法的实验结果对比

表2 中提供了不同方法建模的实验结果，对比可知ILSO-MKELM 对各类障碍物的分类正确率要优于其他建模方法，说明ILSO-MKELM拥有更强的全局寻优能力。从表2中也可看出，ILSO-MKELM的总体正确率与标准差均更具优势，说明利用ILSO 算法建模稳定性更佳。

4 结束语

针对狮群算法寻优能力的不足，利用JADE 算法、模拟退火算法的位置更新策略对狮群算法进行了改进，通过标准函数进行测试，结果表明该算法具有更好的寻优能力。以此提出了一种ILSO-MKELM的分类模型，使用改进狮群算法对多核极限学习机中的核函数参数以及加权系数进行优化。最后使用SURF 算法抽取高压线路上常见的数种障碍物特征向量制作数据集，使用上述的分类模型在此数据集上进行了训练与测试，结果显示该分类器的总体正确率达到了0.94，标准差为0.014,对比ELM、KELM和LSO-MKELM 等建模方法均更具优势，能够较好地完成障碍物的类型识别任务。