【技术实现步骤摘要】
一种应用于红外火焰识别的TS-RBF模糊神经网络鲁棒融合算法
本专利技术属于红外火焰识别
,具体涉及一种应用于红外火焰识别的TS-RBF模糊神经网络鲁棒融合算法。
技术介绍
基于红外热释电传感器的火焰探测器广泛应用于现代工业碳氢化合物的火焰检测中,是工业生产系统自动运行的重要组成部分和必要的安全装置。碳氢类火焰和大多数非火焰干扰在红外光谱中具有固定的波长范围,因此可以用多种方法进行分析、识别。众所周知,在处理来自真实工业环境的传感器数据时,火焰识别变得更加复杂和困难,特别是使用多个传感器,每个传感器的工作波长都不相同。传统的多通道红外传感器信号处理方案中存在着一些普遍的困难。首先,在工业环境中安装红外探测系统时,通常很难对其进行正确配置,使其获得准确的采样数据,这可能导致数据丢失或信号饱和。此外,不同的传感器对火源和干扰源具有不同的敏感性,因此传感器信号很容易受随机运动、热空气流动、电弧焊接、热表面反射等非火焰的环境干扰,这可能会导致数据失真或信号饱和。最后,在信号采集和处理过程中,通常会出现设备老化使系统的性能下降,导致数据失真甚至数据丢失。在过去的几十年里,已经开发出了一些方法,如相关性、周期性检查、取比值、频率分析和阈值交叉等方式,以检测和辨别火焰和非火焰干扰。然而,火焰与非火焰干扰的分离是一个非常复杂的检测过程,尤其是使用多个探测波长不同的传感器,很难在样本数据中通过经验提取和建立变量之间的内在隐含联系。这导致了火焰与非火焰干扰线性分离的困难。为了解决这一问题,提高识别率,采用非线性模式识别方法,如应用模糊神经网络,对不精确、不完整的数据进行 ...
【技术保护点】
1.一种应用于红外火焰识别的TS‑RBF模糊神经网络鲁棒融合算法,步骤如下:步骤一、采集不同火焰和干扰源的时域信号数据,并对时域信号数据进行预处理,得到频域信号数据;步骤二、对波形的时域、频域信号数据进行特征信息的提取,获得样本的特征向量,组成样本集;步骤三、将样本集划分为训练集、验证集和测试集;步骤四、搭建TS‑RBF模糊神经网络;搭建TS‑RBF模糊神经网络时,TS模型和RBF神经网络融合的前提条件有以下三点:A.RBF神经网络中归一化层采用的方法与TS模型中去模糊化的方式相同,且RBF神经网络计算隐含层节点输出的方式与模糊规则适应度的生成方式相同;B.隐含层的节点数等于模糊规则的数目;C.RBF神经网络中的高斯型激活函数对应和模糊系统中的隶属度函数相同;基于上述条件,搭建并改进TS‑RBF模糊神经网络,过程如下:(1)构建TS‑RBF模糊神经网络的前件网络1)设输入层的输入向量为X=[x1 x2 … xn]T,其中n为输入特征的维数,xi表述样本中的第i维特征;2)对TS‑RBF神经网络的训练集利用K‑means进行聚类,得到h类模糊聚类集群,以确保隐含层具有h个节点,且每个节点 ...
【技术特征摘要】
1.一种应用于红外火焰识别的TS-RBF模糊神经网络鲁棒融合算法,步骤如下:步骤一、采集不同火焰和干扰源的时域信号数据,并对时域信号数据进行预处理,得到频域信号数据;步骤二、对波形的时域、频域信号数据进行特征信息的提取,获得样本的特征向量,组成样本集;步骤三、将样本集划分为训练集、验证集和测试集;步骤四、搭建TS-RBF模糊神经网络;搭建TS-RBF模糊神经网络时,TS模型和RBF神经网络融合的前提条件有以下三点:A.RBF神经网络中归一化层采用的方法与TS模型中去模糊化的方式相同,且RBF神经网络计算隐含层节点输出的方式与模糊规则适应度的生成方式相同;B.隐含层的节点数等于模糊规则的数目;C.RBF神经网络中的高斯型激活函数对应和模糊系统中的隶属度函数相同;基于上述条件,搭建并改进TS-RBF模糊神经网络,过程如下:(1)构建TS-RBF模糊神经网络的前件网络1)设输入层的输入向量为X=[x1x2…xn]T,其中n为输入特征的维数,xi表述样本中的第i维特征;2)对TS-RBF神经网络的训练集利用K-means进行聚类,得到h类模糊聚类集群,以确保隐含层具有h个节点,且每个节点具有n维高斯隶属度函数对应着n个模糊集;将第j类模糊聚类中心作为第j个隐含层节点的高斯隶属度函数的初始中心,如下所示其中,是输入样本中第i个特征对于模糊系统中第i个特征的第j个模糊集的隶属度,和分别是高斯隶属度函数的中心和宽度;在前件网络的隐含层中,第j条模糊规则的模糊规则适应度wj把马氏距离作为评价尺度的方法改为如下:其中,为特征表示系数,i=1,2,…,n,j=1,2,…,h;所述第j类聚类样本的第i个特征所对应的的初始值确定方式为:1.1)先将第j类聚类样本的特征归一化到[-1,1];1.2)通过第j类聚类样本中包含的M个样本计算不同特征的标准差;其中,和分别代表第j类聚类样本的第i个特征所对应平均值和标准差,代表第j类聚类样本的第t个样本的第i个特征,i=1,2,…,n,j=1,2,…,h,t=1,2,…,M;1.3)通过标准差来确定的初始值;3)在归一化层中,采取重心法式(6)进行去模糊化,并且加入正数w0作为偏置,用于平衡方程和抑制离群点输出的情况;其中,W0是一个训练得到的正数;(2)构建TS-RBF模糊神经网络的后件网络1)将作为后件网络中隐含层和输出层输入的连接权值,将作为后件网络中隐含层偏置和输出层输入的连接权值;2)在多传感器的红外火焰检测过程中,当某些特征分量发生数据丢失、失真或信号饱和时,后件网络中隐藏层节点的输出就会发生剧烈波动,导致模糊规则输出异常进而导致火焰识别检测失败,因此,在后件网络中,隐含层中的h条模糊规则对应h个节点,其中第j条模糊规则的输出yj通过如下修改的规则计算:规则其中,是第i个特征的第j个模糊集,是实数j=1,2,…,h,为相应特征分量的隶属度;输出层的输入yn1是和yj的线性组合:3)采用如下的双曲正切函数作为输出层的激活函数:yn=tanh(yn1)(9)步骤五、设定TS-RBF模糊神经网络参数初始值,利用...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。