[發明專利]一種應用于紅外火焰識別的TS-RBF模糊神經網絡魯棒融合算法

有效

• 申請號: 201810761360.1
• 申請日: 2018-07-12
• 公開（公告）號: CN109165670B
• 公開（公告）日: 2021-05-14
• 發明（設計）人: 謝林柏;溫子騰;彭力
• 申請（專利權）人: 江南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06K9/00
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 梅洪玉;劉秋彤

1.一種應用于紅外火焰識別的TS-RBF模糊神經網絡魯棒融合算法，步驟如下：

步驟一、采集不同火焰和干擾源的時域信號數據，并對時域信號數據進行預處理，得到頻域信號數據；

步驟二、對波形的時域、頻域信號數據進行特征信息的提取，獲得樣本的特征向量，組成樣本集；

步驟三、將樣本集劃分為訓練集、驗證集和測試集；

步驟四、搭建TS-RBF模糊神經網絡；

搭建TS-RBF模糊神經網絡時，TS模型和RBF神經網絡融合的前提條件有以下三點：

A.RBF神經網絡中歸一化層采用的方法與TS模型中去模糊化的方式相同，且RBF神經網絡計算隱含層節點輸出的方式與模糊規則適應度的生成方式相同；

B.隱含層的節點數等于模糊規則的數目；

C.RBF神經網絡中的高斯型激活函數對應和模糊系統中的隸屬度函數相同；

基于上述條件，搭建并改進TS-RBF模糊神經網絡，過程如下：

(1)構建TS-RBF模糊神經網絡的前件網絡

1)設輸入層的輸入向量為X＝[x¹ x² … xⁿ]^T，其中n為輸入特征的維數，xⁿ表述樣本中的第n維特征；

2)對TS-RBF神經網絡的訓練集利用K-means進行聚類，得到h類模糊聚類集群，以確保隱含層具有h個節點，且每個節點具有n維高斯隸屬度函數對應著n個模糊集；將第j類模糊聚類中心作為第j個隱含層節點的高斯隸屬度函數的初始中心，如下所示

其中，是輸入樣本中第i個特征對于模糊系統中第i個特征的第j個模糊集的隸屬度，和分別是高斯隸屬度函數的中心和寬度；

在前件網絡的隱含層中，第j條模糊規則的模糊規則適應度w_j把馬氏距離作為評價尺度的方法改為如下：

其中，為特征表示系數，i＝1,2,…,n，j＝1,2,…,h；

所述第j類聚類樣本的第i個特征所對應的的初始值確定方式為：

1.1)先將第j類聚類樣本的特征歸一化到[-1,1]；

1.2)通過第j類聚類樣本中包含的M個樣本計算不同特征的標準差；

其中，和分別代表第j類聚類樣本的第i個特征所對應平均值和標準差，代表第j類聚類樣本的第t個樣本的第i個特征，i＝1,2,…,n,j＝1,2,…,h,t＝1,2,…,M；

1.3)通過標準差來確定的初始值；

3)在歸一化層中，采取重心法式(6)進行去模糊化，并且加入正數w₀作為偏置，用于平衡方程和抑制離群點輸出的情況；

且

其中，W₀是一個訓練得到的正數；

(2)構建TS-RBF模糊神經網絡的后件網絡

1)將作為后件網絡中隱含層和輸出層輸入的連接權值，將作為后件網絡中隱含層偏置和輸出層輸入的連接權值；

2)在多傳感器的紅外火焰檢測過程中，當某些特征分量發生數據丟失、失真或信號飽和時，后件網絡中隱藏層節點的輸出就會發生劇烈波動，導致模糊規則輸出異常進而導致火焰識別檢測失敗，因此，在后件網絡中，隱含層中的h條模糊規則對應h個節點，其中第j條模糊規則的輸出y_j通過如下修改的規則計算：

規則

其中，是第i個特征的第j個模糊集，是實數j＝1,2,…,h，為相應特征分量的隸屬度；

輸出層的輸入y_n1是和y_j的線性組合：

3)采用如下的雙曲正切函數作為輸出層的激活函數:

y_n＝tanh(y_n1) (9)

步驟五、設定TS-RBF模糊神經網絡參數初始值，利用訓練集的樣本對TS-RBF模糊神經網絡進行訓練，具體過程為：

(1)對TS-RBF模糊神經網絡參數初始化，包括β、α、h_d、h_i、p⁰和w⁰；其中，α為學習率；β為動量因子；h_d和h_i分別是減少和增加因子；

(2)利用自適應的梯度下降的學習方式，對建立的TS-RBF模糊神經網絡進行訓練；

1)設定代價函數如下：

其中，k＝1,2,…,N,N是訓練集樣本的總數；y_d(k)是樣本標簽值，y_n(k)是網絡的實際輸出，e(k)＝y_d(k)-y_n(k)是誤差，λ是懲罰項系數；由于w₀和的調整不受具體隸屬度函數的制約，所以改進后的代價函數中加入懲罰項

2)定義性能指標PI如下：

3)調整具體參數如下：

其中，α、β代表學習率和動量因子，h是模糊規則數，n是特征維數；學習率自適應調整取決于性能指標PI，具體如下：

(A)當PI(t+1)≥PI(t)時，那么

α(t+1)＝h_dα(t),β(t+1)＝0 (17)

(B)當PI(t+1)＜PI(t)并且時，那么

α(t+1)＝h_iα(t),β(t+1)＝β₀ (18)

(C)當PI(t+1)＜PI(t)并且時，那么

α(t+1)＝h_iα(t),β(t+1)＝β(t) (19)

其中，t是迭代次數，h_d和h_i分別是減少和增加因子；δ是基于均方根誤差RMSE的相對指標的閾值；因此，需要滿足如下條件(20)：

0＜h_d＜1,h_i＞1 (20)

其中，

步驟六、利用驗證集對訓練好的TS-RBF模糊神經網絡進行驗證及模型選擇；

步驟七、將測試集輸入選擇好的TS-RBF模糊神經網絡中，其結果作為對模型的最終評價。