[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

本發明提供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，屬于紅外火焰識別技術領域。具體過程為：采集不同火焰和干擾源的時域信號數據，并對其進行預處理，得到頻域信號數據；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；將樣本集劃分為訓練集、驗證集和測試集；搭建TS?RBF模糊神經網絡；設定模糊神經網絡參數初始值，利用訓練集對模糊神經網絡進行訓練；利用驗證集對訓練好的模糊神經網絡進行驗證及模型選擇；將測試集輸入訓練好的模糊神經網絡中，其結果作為對模型的最終評價。本方法能夠有效抵御火焰探測中非火焰探測通道采樣數據發生數據丟失、數據失真、信號飽和的情況。

技術領域

本發明屬于紅外火焰識別技術領域，具體涉及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。

背景技術

基于紅外熱釋電傳感器的火焰探測器廣泛應用于現代工業碳氫化合物的火焰檢測中，是工業生產系統自動運行的重要組成部分和必要的安全裝置。碳氫類火焰和大多數非火焰干擾在紅外光譜中具有固定的波長范圍，因此可以用多種方法進行分析、識別。眾所周知，在處理來自真實工業環境的傳感器數據時，火焰識別變得更加復雜和困難，特別是使用多個傳感器，每個傳感器的工作波長都不相同。傳統的多通道紅外傳感器信號處理方案中存在著一些普遍的困難。首先，在工業環境中安裝紅外探測系統時，通常很難對其進行正確配置，使其獲得準確的采樣數據，這可能導致數據丟失或信號飽和。此外,不同的傳感器對火源和干擾源具有不同的敏感性,因此傳感器信號很容易受隨機運動、熱空氣流動、電弧焊接、熱表面反射等非火焰的環境干擾，這可能會導致數據失真或信號飽和。最后，在信號采集和處理過程中，通常會出現設備老化使系統的性能下降，導致數據失真甚至數據丟失。

在過去的幾十年里，已經開發出了一些方法，如相關性、周期性檢查、取比值、頻率分析和閾值交叉等方式，以檢測和辨別火焰和非火焰干擾。然而，火焰與非火焰干擾的分離是一個非常復雜的檢測過程，尤其是使用多個探測波長不同的傳感器，很難在樣本數據中通過經驗提取和建立變量之間的內在隱含聯系。這導致了火焰與非火焰干擾線性分離的困難。為了解決這一問題，提高識別率，采用非線性模式識別方法，如應用模糊神經網絡，對不精確、不完整的數據進行分析。眾所周知，模糊神經網絡融合了模糊系統和神經網絡這兩種強大方法的優點，通過模糊規則為神經網絡系統提供模型解釋性，同時神經網絡的訓練方式也為模糊系統提供了有效的參數辨識方法。在現有的模糊建模方法中，TS模糊推理可以利用一系列模糊規則生成復雜的非線性關系，有效地解決了高維系統建模問題中時常發生的規則災難。近年來，RBF神經網絡融合TS模糊模型具有結構相對簡單，較好的局部逼近能力、可解釋性和函數等價性等優點。然而，針對二分類問題，如果使用多傳感器構建新一代火災探測系統，傳統融合TS模型的RBF神經網絡存在以下不足之處：

1.傳統的TS-RBF模糊神經網絡為了優良的局部逼近性能往往需要數量龐大的隱含層節點(模糊規則)數目。

2.在紅外火焰探測的傳統TS-RBF建模中，可能存在對于一些離散度較大且不滿足高斯特性的特征也采取了高斯隸屬度函數計算其隸屬度，這顯然不準確。

3.在RBF模糊神經網絡中為了提升模型泛化能力加入去模糊化后，使得模型無法抑制離群點的輸出，模型對于不確定性處理效果不佳，無法將離群點聚為一類。

4.在紅外火焰探測中，非火焰探測通道采樣數據由于硬件問題、系統老化、傳輸故障、強外界干擾等因素，發生數據丟失、數據失真、信號飽和時，因為部分特征變化劇烈，會引發整個模糊體系崩潰。

因此，本發明提供了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，能夠使得系統在環境干擾、非火焰通道數據異常的情況下，依然能夠有效地識別火焰。

發明內容