一种应用于红外火焰识别的自组织TS型模糊网络建模方法技术

本申请公开了一种应用于红外火焰识别的自组织TS型模糊网络建模方法，包括如下步骤：(1)采集不同火焰、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；(2)对波形的时域、频域信号数据进行特征信息的提取，获得火焰的特征向量，组成样本集；(3)将样本集划分为训练集、验证集和测试集；(4)搭建TS‑RBF模糊神经网络；(5)设定TS‑RBF模糊神经网络参数初始值，利用训练集的样本对TS‑RBF模糊神经网络进行训练，进行结构、参数学习；(6)利用验证集对训练好的TS‑RBF模糊神经网络进行验证及模型选择；(7)将测试集输入训练好的TS‑RBF模糊神经网络中，其结果作为对模型的最终评价。

【技术实现步骤摘要】
一种应用于红外火焰识别的自组织TS型模糊网络建模方法
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自组织TS型模糊网络建模方法。
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。碳氢类火焰被二氧化碳吸收后辐射的红外光的波长在频谱中相对固定，但是相应的采样信号可能会受到其它干扰源的影响，这些干扰源的信号可以在频谱的其它波段被探测到。总体上说，火焰探测器中不同波段的传感器对于火源和干扰源的敏感度不同，所以可以通过多种方法可靠地区分火焰和干扰源。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段不同的传感器，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、不完整的数据进行分析。众所周知，模糊神经网络融合了模糊系统和神经网络这两种强大方法的优点，通过模糊规则为神经网络提供模型解释性，同时神经网络的训练方式也为模糊系统提供了有效的参数辨识方法。在现有的模糊建模方法中，TS模糊推理可以利用一系列模糊规则生成复杂的非线性关系，有效地解决了高维系统建模问题中时常发生的规则灾难。近年来，RBF神经网络融合TS模糊模型具有结构相对简单，较好的局部逼近能力、可解性和函数等价性等优点。然而，针对二分类问题，如果使用多传感器构建新一代火灾探测系统，传统融合TS模型的RBF神经网络存在以下不足之处：1.如何学习并确定TS-RBF模型的结构，传统的TS-RBF模型通常采用试错法来确定模型的结构，但是固定的模型结构很难在复杂多变的工业环境中取得理想的识别效果。因此，选择合适的模糊规则数目对整个模糊神经网络的性能尤为重要。如果模糊规则的数量过大，系统的逻辑关系就会过大，计算量就会呈指数增长。如果模糊规则的数量不足，网络表现力将极为有限的。2.仅仅通过梯度下降法学习模型参数，会导致代价函数容易陷入局部最优点，从而限制模型的拟合能力。3.在实际的工业应用中存在多种故障，例如：当出现设备老化导致的性能下降，在信号采样和处理的过程中导致数据失真甚至是数据丢失，这可能会导致采样数据中存在一些异常值。不幸的是，为了提高模型的泛化能力，大多数现有的方法都在RBF-NN中加入了去模糊化，这会导致在抑制离群点输出时出现困难。离群点是火焰探测器误报警的主要原因之一，除去故障因素在正常工作环境下也有可能产生少量离群点，但是其连续出现的频率大大低于故障引起的离群点。在目前的大多数方法中，故障不能与正常工作状态区分开来，换句话说，1型模糊集不能很好地处理不确定性问题。
技术实现思路
本专利技术旨在提供一种应用于红外火焰识别的自组织TS型模糊网络建模方法。首先，为了抑制由故障引起的离群点的输出，使其能够区别于正常工作状态，我们在模糊系统的前件网络的模糊规则适应度增加了一个偏置。其次，提出了一种不需要任何先验知识的自组织模型结构学习方法，能够有效增加、裁剪节点。最后，设计了一种自适应学习算法，用于克服梯度下降学习中的局部最优问题。本专利技术的技术方案：一种应用于红外火焰识别的自组织TS型模糊网络建模方法，步骤如下：(1)采集不同火焰的时域信号数据，并对信号数据进行预处理，得到频域信号数据；(2)对波形的时域、频域信号数据进行特征信息的提取，获得火焰的特征向量，组成样本集；(3)将样本集划分为训练集、验证集和测试集；(4)搭建TS-RBF模糊神经网络；(5)设定TS-RBF模糊神经网络参数初始值，利用训练集的样本对TS-RBF模糊神经网络进行训练，进行结构、参数学习；(6)利用验证集对训练好的TS-RBF模糊神经网络进行验证及模型选择；(7)将测试集输入训练好的TS-RBF模糊神经网络中，其结果作为对模型的最终评价。进一步的，所述步骤(1)中的时域信号数据变为频域信号，预处理的步骤为：(1.1)将采集到的时域信号减去基准电压，对采样信号加汉宁窗做周期性处理；(1.2)用FFT变换(快速傅里叶变换)提取步骤(1.1)处理后的信号的频谱信息。进一步的，所述步骤(2)中提取的特征信息为：不同微米通道的电压峰值、两个微米通道的电压峰值之比、波形中的极值点、频域中不同频率段的能量大小之和、频域中具有最高能量的频率、频域中具有最高能量的频率的幅值。进一步的，所述步骤(4)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均为点积。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，自组织TS-RBF模糊神经网络结构如附图1所示搭建过程如下：(4.1)构建TS-RBF模糊神经网络的前件网络(4.1.1)设输入层的输入向量为X＝[x1x2Lxn]T，其中n为输入特征的维数，xi表述样本中的第i维特征；(4.1.2)对TS-RBF神经网络的训练集利用K-means(欧式距离)进行聚类，得到h类模糊集群，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一般用马氏距离作为评价尺度如下：其中，代表输入样本与隐含层第j个节点的马氏距离，并且是一个对角矩阵，其中是第i个特征的第j个模糊集对应隶属度函数的宽度。(4.1.3)在归一化层中，采取重心法式(3)进行去模糊化得到归一化模糊规则适应度，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。(4.2)构建TS-RBF模糊神经网络的后件网络(4.2.1)将作为后件网络中隐含层和输出层输入的连接权值；(4.2.2)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,L,h；输出层的输入yn1是和yj的线性组合：(4.2.3)采用如下的双曲正切函数作为输出层的激活函数:yn＝tanh(yn1)(6)训练过程为：(5.1)自适应模型结构学习在模糊系统理论中，存在一个数学表述的常识就是一个模糊规则可以看作一个聚类集群，也就是说训练集中的每一个聚类集群都可以对应一个模糊规则。在训练前我们先将训练集的所有特征归一化到[-1,1],之后用K-means聚类算法将训练集聚类为h个模糊集群以加快模型结构学习。之后通过模糊系统中的所有模糊规则的模糊规则适应度与一个事先设定的阈值ε＞0进行比较，来确定是否需要构建一个新的模糊规则。在训本文档来自技高网...

【技术保护点】
1.一种应用于红外火焰识别的自组织TS型模糊网络建模方法,其特征在于，包括如下步骤：(1)采集不同火焰、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；(2)对波形的时域、频域信号数据进行特征信息的提取，获得火焰的特征向量，组成样本集；(3)将样本集划分为训练集、验证集和测试集；(4)搭建TS‑RBF模糊神经网络；(5)设定TS‑RBF模糊神经网络参数初始值，利用训练集的样本对TS‑RBF模糊神经网络进行训练，进行结构、参数学习；(6)利用验证集对训练好的TS‑RBF模糊神经网络进行验证及模型选择；(7)将测试集输入训练好的TS‑RBF模糊神经网络中，其结果作为对模型的最终评价。

【技术特征摘要】
1.一种应用于红外火焰识别的自组织TS型模糊网络建模方法,其特征在于，包括如下步骤：(1)采集不同火焰、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；(2)对波形的时域、频域信号数据进行特征信息的提取，获得火焰的特征向量，组成样本集；(3)将样本集划分为训练集、验证集和测试集；(4)搭建TS-RBF模糊神经网络；(5)设定TS-RBF模糊神经网络参数初始值，利用训练集的样本对TS-RBF模糊神经网络进行训练，进行结构、参数学习；(6)利用验证集对训练好的TS-RBF模糊神经网络进行验证及模型选择；(7)将测试集输入训练好的TS-RBF模糊神经网络中，其结果作为对模型的最终评价。2.如权利要求1所述的一种应用于红外火焰识别的自组织TS型模糊网络建模方法，其特征在于，所述步骤(1)中，预处理的步骤为：(1.1)将采集到的时域信号减去基准电压，对采样信号加汉宁窗做周期性处理；(1.2)用快速傅里叶变换提取步骤(1.1)处理后的信号的频谱信息。3.如权利要求1所述的一种应用于红外火焰识别的自组织TS型模糊网络建模方法，其特征在于，所述步骤(2)中提取的特征信息为：不同微米通道的电压峰值、两个微米通道的电压峰值之比、波形中的极值点、频域中不同频率段的能量大小之和、频域中具有最高能量的频率、频域中具有最高能量的频率的幅值。4.如权利要求1所述的一种应用于红外火焰识别的自组织TS型模糊网络建模方法，其特征在于，所述步骤(4)中，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为：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均为点积；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。5.如权利要求1所述的一种应用于红外火焰识别的自组织TS型模糊网络建模方法，其特征在于，在步骤(4)中，搭建过程包括：(4.1)构建TS-RBF模糊神经网络的前件网络，(4.1.1)设输入层的输入向量为X＝[x1x2Lxn]T，其中n为输入特征的维数，xi表述样本中的第i维特征；(4.1.2)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用马氏距离作为评价尺度如下：或wj＝exp[-md2(j)](2)其中，代表输入样本与隐含层第j个节点的马氏距离，并且是一个对角矩阵，其中是第i个特征的第j个模糊集对应隶属度函数的宽度；(4.1.3)在归一化层中，采取重心法式(3)进行去模糊化得到归一化模糊规则适应度，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；(4.2)构建TS-RBF模糊神经网络的后件网络，(4.2.1)将作为后件网络中隐含层和输出层输入的连接权值；(4.2.2)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通过如下规则计算：规则j:其中，是第i个特征的第j个模糊集，是实数j＝1,2,L,h；输出层的输入yn1是和yj的线性组合：(4.2.3)采用如下的双曲正切函数作为...

【专利技术属性】
技术研发人员：谢林柏，温子腾，谭勇，冯宏伟，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32