基于改进粒子群优化BP 神经网络的火灾预警方法

尹春杰，赵 钦，王光旭，宋其征，王 强

（1.山东建筑大学信息与电气工程学院，山东济南 250101；2.潍坊职业学院机电工程学院，山东潍坊 261041；3.山东中科先进技术研究院有限公司，山东济南 250101）

传统仓库火灾预警方法由各种传感器检测环境变量，设定一个或者多个环境变量的阈值，通过环境变量是否超出阈值来判断是否进行火灾预警[1-5]。根据GB50116-2013《火灾自动报警系统设计规范》[6]中对探测器多样的安装场景和安装位置的规定，增加了预警装置阈值设定的难度，且仓库内粉尘、噪声等外界干扰强，使得预警系统产生误报漏报的可能性更高[7-11]。

为了提高火灾预警的准确率，该文对传统基于BP 神经网络的火灾数据融合方法进行改良，从而提高火灾预警的精度。

1 传统PSO-BP数据融合火灾预警方法

1.1 基于BP神经网络的数据融合火灾预警方法

基于BP 神经网络的数据融合火灾预警方法的网络为前馈神经网络，核心是利用误差反向传递的原理[12]，基本训练流程：在正向传播过程中将传感器采集到的火灾环境特征量X={x1,x2,…,xj}作为输入，由输入层传入网络，通过网络隐藏层的处理后再传向输出层，输出量为该环境下起火的可能性，再将误差反向传递分派给各层，经过反复迭代，最终达到预期。

1.2 标准粒子群优化BP神经网络

粒子群优化算法(Particle Swarm Optimization)源于鸟类捕食的行为[13]，通过个体在全局内搜索，不断改变个体的位置和速度，利用群体信息共享，最终确定最优解。

其过程如下：设置种群规模为N，N个粒子随机散布在BP 神经网络阈值和连接权重组成的m维解空间中寻找最优解，粒子i的随机初始位置分量和速度分量分别为Xi=粒子通过计算所在位置的适应度值比较进行移动，通过粒子的移动过程中得到全局最优和局部最优。

粒子i第d+1 次的位置分量更新公式如式（1），速度分量更新公式如式（2）：

其中，w是粒子的惯性权重，w∈[0,1]，c1、c2是学习因子，c1、c2∈[0,2]，r1、r2是随机数，r1、r2∈[0,1]是粒子i所在维度中搜寻到的个体最优值，是在所有解空间中的全局最优值。

2 改进PSO-BP数据融合火灾预警方法

在标准粒子群优化BP 神经网络的过程中，由式（2）知惯性权重w为定值，使得粒子寻优前期的全局寻优能力和粒子寻优后期的局部寻优能力差，不能使预警方法快速收敛。对于式（2）的更新中，随机数r1、r2的选择不能保证速度的多样性，容易使结果陷入局部最优，对此进行了进一步优化。

2.1 非线性递减函数改进权重

在标准粒子群使用过程中，通常将惯性权重w设为定值，由式（2）可知，惯性权重w的数值影响着粒子寻优的速度分量，由式（1）可知，速度分量影响着位置分量，进而惯性权重w影响最优值的选择。在粒子寻优过程中前期w数值需要较大以增加粒子群的全局寻优能力，寻优过程后期需要w数值较小以增强粒子群局部寻优能力。由此在权重线性递减[14]基础上采用非线性权重递减公式丰富w的变化过程。改进权重变化函数如式（3）：

其中，wmax、wmin分别是预设权重上限和下限，i与imax分别是当前迭代次数和最大迭代次数。

2.2 引入Tent映射改进随机数r

由粒子群速度更新式（2）可知，r1、r2为取值范围属于[0,1]的伪随机选取的数字，不能够保证数值的丰富性，容易陷入局部最优，因此，引入Tent 映射机制进行优化。

Tent 映射是二维混沌映射，相较于伪随机数生成，具有良好的均匀性和遍历性[15]。将Tent 映射引入粒子群优化可以增强粒子群搜索的多样性，有效避免粒子陷入局部最优的可能性。利用Tent 映射生成混沌序列公式表示为：

其中，混沌参数β取值为0.7。

通过Tent 映射生成的随机序列替换式（2）中的随机数r的更新方式，来实现对粒子群的优化，加入Tent映射后的粒子速度更新公式为：

改进粒子群优化BP 神经网络算法流程如图1所示。

3 改进PSO-BP 数据融合火灾预警方法仿真与分析

该文数据分别从中国标准明火SH4、标准阴燃火SH1 和厨房环境下典型干扰信号（德国Duisdurg市立医院厨房）三个典型火灾实验中进行选取[16]。

3.1 数据归一化处理

从实验数据中选取70 组数据用于模型训练，30组数据用于模型验证。由于数据量纲和数值范围差距较大，为了减少其对数据分析的影响，对数据进行归一化处置如式（6）：

表1 训练集部分数据

表2 验证集部分数据

3.2 模型参数设计

由选取的输入量和输出量，选取三层BP 神经网络结构模型，基于BP 神经网络的数据融合是通过BP 神经网络模拟脑神经网络对信息的智能处理机制进行的[17]。

倘若输出结果并没有满足预期的误差,则将模型输出数据和训练集数据之间的偏差，采用不同的函数由输出层向输入层逐级传输,将偏差分派给各层,通过各层之间阈值和连接权重的反复调整,最后使实际输出结果符合设计的目标要求。

对于隐藏层数量Mh的选择，借助经验公式进行确定[18]，即：

其中，Mi是输入层的节点数，Mo是输出层的节点数，B∈[1,10]且为整数。

结合式（7），经过测试，当隐藏层的节点数量配置为8 时，仿真能够有较好的输出结果。

模型结构如图2 所示，其中λij是输入层和隐藏层之间的连接权重，θi是隐藏层的阈值，αLi是隐藏层和输出层之间的连接权重，μk是输出层的阈值。

图2 BP神经网络火灾预警模型结构

由上文火灾预警模型可知，网络由输入层到隐藏层到输出层的连接权重数和阈值数总共为41，故与神经网络结构相对应的粒子维度m设置为41，网络初始化其他参数设置如下，包括输入层和隐藏层之间的传递函数Φ选取Tansig 函数，隐藏层和输出层之间的传递函数f选取Purelin 函数，神经网络的训练方法选取梯度下降法，种群规模N设为100，最大更新次数imax设为400，所选取的适应度计算函数如式（8）：

其中，yo为期望输出，为训练输出。

粒子速度范围为[-0.01，0.01]，粒子位置范围为[-1，1]，权重上限wmax=1，权重下限wmin=0.3，最小误差设为0.000 1。

根据改进的PSO-BP 算法的速度分量迭代式（5）和位置分量迭代式（1）进行迭代，计算个体最佳适应度值，比较粒子当前和历史最佳适应度值，若当前适应度值更佳，则替换历史最佳，否则保持原有历史最佳，计算群体最佳适应度，将得到的个体最佳适应度与全局最佳相比较，选取适应度最优的个体最佳对全局最佳进行替换，若无，则保持原全局最佳。通过对粒子速度和位置不停迭代，寻求各粒子最优适应值。

由所设定的终止条件判断是否结束迭代过程。最后利用寻优得出的权重和阈值对BP 神经网络更新，从而完成迭代寻优的过程。

3.3 评价指标

该文使用平均绝对百分比误差MAPE(Mean Absolute Percentage Error)，均方误差MSE(Mean Square Error)及均方根误差RMSE(Root Mean Square Error)作为预测精度的主要衡量指标，如下：

其中，m为数据个数，yi表示预测输出，xi表示实际输出，评价指标的数值越小，表明训练的模型越符合实际情况。

3.4 仿真实验

图3-6 分别为数据通过GRNN 神经网络、BP 神经网络、PSO-BP 神经网络、改进PSO-BP 神经网络得到的数据融合预测的结果。图7 为标准PSO-BP神经网络与改进PSO-BP 神经网络之间的适应度曲线对比。

图3 GRNN神经网络仿真图

图4 BP神经网络算法仿真图

图5 PSO-BP神经网络仿真图

图6 改进PSO-BP神经网络仿真图

图7 适应度曲线对比图

不同神经网络的误差指标比较结果如表3所示。

表3 不同模型误差指标比较

通过图3-6 和表3 可以看出，改进PSO-BP 神经网络得到的误差小于其他三种算法，其预测值和实际值基本一致，通过图7 可以看出PSO-BP 神经网络模型迭代100 次左右适应度值趋于稳定，而改进PSO-BP 神经网络模型迭代50 次左右适应度值趋于稳定，迭代次数降低50%，改进PSO-BP 神经网络迭代更新时间更短，速度更快，优化效果比PSO-BP 神经网络优化效果更佳。与单一环境变量超过阈值就报警的传统方式相比，其具有更强的鲁棒性，抗干扰的能力强，能够较准确地进行火灾预警，降低了火灾发生误报漏报的可能性，大大提高了仓库的消防安全性。

4 结论

根据仓库的复杂条件和当前火灾自动预警系统所面临的困难，该文采用了一种基于改进粒子群优化BP 神经网络的火灾预警方法，以提升火灾预警的及时性和准确性。通过传统粒子群优化算法的改进对BP 神经网络的连接权重和阈值进行优化，进而提高了传统粒子群优化的精度和速度，避免神经网络陷入局部最优陷阱。通过Matlab 实验仿真证明了该方法的准确性和快速性。该方法能够在所采用的传统传感器预警系统的基础上实现信息综合识别、智能判断，进一步提升了预警系统的整体性能。