一种基于类内交互约束分层单分类的复合烟感监测方法技术

本发明专利技术公开了一种基于类内交互约束分层单分类的复合烟感监测方法。本发明专利技术步骤：采集只包含正常类的训练数据样本集并进行预处理；训练多个类内交互距离约束随机自编码器WID‑RAE进行特征学习，得到重构的特征值；计算分类学习的输出权重β，将重构的编码特征Y

【技术实现步骤摘要】
一种基于类内交互约束分层单分类的复合烟感监测方法
本专利技术涉及信号装置或呼叫装置，特别涉及一种基于类内交互约束分层单分类的复合烟感监测方法。
技术介绍
烟雾报警器是通过探测火灾初期产生的烟雾粒子来实现火灾防范的报警装置。然而在烟感安装之后，由于缺少及时的维护，使得内部积灰过多，导致被误认为是烟气而引起误报。类似地，水蒸气的气雾也可能引起烟感误报。为了解决上述问题，现有的技术中，复合式感烟感温火灾探测器采用烟雾传感器件和半导体温度传感器件构成的多元复合探测器作为烟感进行探测，这在一定程度上降低了烟感的误报率，但是依然需要人工进行判别，效率低下。
技术实现思路
本专利技术的目的是针对现有技术的不足，提供一种基于类内交互约束分层单分类的复合烟感监测方法。本专利技术解决其技术问题所采用的技术方案如下：本专利技术主要包括如下步骤：步骤1、通过在新安装、短期内安装或者进行维护过的正常工作的复合烟感器上，采集多传感器的物理量，组成只包含正常类的训练数据样本集，并对训练数据样本进行分帧加窗、去噪和特征归一化的预处理本文档来自技高网...

【技术保护点】
1.一种基于类内交互约束分层单分类的复合烟感监测方法，其特征在于包括如下步骤：/n步骤1、通过在新安装、短期内安装或者进行维护过的正常工作的复合烟感器上，采集多传感器的物理量，组成只包含正常类的训练数据样本集，并对训练数据样本进行分帧加窗、去噪和特征归一化的预处理；/n步骤2、根据预处理后的训练数据样本集训练多个类内交互距离约束随机自编码器WID-RAE进行特征学习，得到重构的特征值；/n步骤3、计算分类学习的输出权重β，将重构的编码特征Y

【技术特征摘要】
1.一种基于类内交互约束分层单分类的复合烟感监测方法，其特征在于包括如下步骤：
步骤1、通过在新安装、短期内安装或者进行维护过的正常工作的复合烟感器上，采集多传感器的物理量，组成只包含正常类的训练数据样本集，并对训练数据样本进行分帧加窗、去噪和特征归一化的预处理；
步骤2、根据预处理后的训练数据样本集训练多个类内交互距离约束随机自编码器WID-RAE进行特征学习，得到重构的特征值；
步骤3、计算分类学习的输出权重β，将重构的编码特征Yk输入ELM分类层，并得到实际输出：
步骤4、计算单分类器决策阈值θ，将实际输出和期望输出的误差距离进行从大到小排序，根据预定义的阈值参数，确定正常类和异常类的阈值；
步骤5、输入测试数据进行测试，将包含正常类和异常类的测试数据输入到基于WID-RAE的分层单分类器模型中，测试该模型的识别效果。


2.根据权利要求1所述的.一种基于类内交互约束分层单分类的复合烟感监测方法，其特征在于步骤2具体实现如下：
2-1、记归一化后的训练数据样本集为X＝[x1,x2,...,xN],即WID-RAE的输入和输出矩阵；
2-2、随机生成隐藏层输入权值矩阵和正交化偏置向量矩阵并计算隐藏层输出矩阵[H]N×L＝g(WX+b·1T)T；将输入的训练数据样本集X映射到相同或不同的数据维度空间：hk＝g(wkxi+bk),(wk)Twk＝I,(bk)Tbk＝1，其中：g(·)表示激活函数，k＝1,2,...,K是WID-RAE的个数，I是单位向量；
2-3、求解WID-RAE的编码特征Yk，具体实现如下：
首先计算WID-RAE的损失函数：



其中C是正则化参数，是第i个样本和第j个样本之间的相似度，D是一个对角矩阵，其对角元素为
通过基于动量的随机梯度下降法对β进行求解，其关于β梯度为：



设WID-RAE个数为K，初始化Y0＝X，第(k-1)层的输出为Yk-...

【专利技术属性】
技术研发人员：曹九稳，张轩铭，崔小南，梁昆，钱伟，王利强，
申请(专利权)人：杭州拓深科技有限公司，
类型：发明
国别省市：浙江;33