[發明專利]基于遺傳算法優化的深度學習林火異常檢測方法

在審

• 申請號: 202110390330.6
• 申請日: 2021-04-12
• 公開（公告）號: CN113065601A
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 蔣媛;魏瑞;盧超;王桂寶
• 申請（專利權）人: 陜西理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G08B17/12
• 代理公司: 北京中仟知識產權代理事務所(普通合伙) 11825
• 代理人: 田江飛

1.一種基于遺傳算法優化的深度學習林火異常檢測方法，其特征在于：基于森林火災圖像的特點用遺傳算法優化的CNN的分類器分別對火焰和煙霧，對森林火災進行異常檢測初步判斷，將GA遺傳算法和基于時間序列的卷積神經網絡相結合，將兩者結合得到全局優化的深度學習卷積神經網絡，隨后，通過檢測圖像數據集里的火災部分和煙霧部分，從而對優化的時間序列卷積神經網絡進行分析和實驗驗證。

2.根據權利要求1所述的基于遺傳算法優化的深度學習林火異常檢測方法，其特征在于：所述CNN由卷積層、池化層和全連接層三個部分組成，卷積層和全連接層包含神經元，且卷積層和全連接層權重被學習和調整，基于時間序列的CNN模型在輸入層后面包含兩個連續的卷積層，池化操作后，將特征擴展為一維，然后輸入到完全連接的層以輸出結果。

3.根據權利要求2所述的基于遺傳算法優化的深度學習林火異常檢測方法，其特征在于：所述卷積層參數選擇如下：

根據卷積輸出特征公式2.1可知，其中m為輸出特征的大小，i為輸入的特征大小，k為卷積核的大小，l為移動的步長，n為填充數。

4.根據權利要求2所述的基于遺傳算法優化的深度學習林火異常檢測方法，其特征在于：池化層輸出特征的大小由公式2.2確定，其中Pn為采樣的，l為移動的步長；

5.根據權利要求2所述的基于遺傳算法優化的深度學習林火異常檢測方法，其特征在于：所述全連接層中含有神經元個數，激活函數，dropout，初始權重閾值的參數。

6.根據權利要求1所述的基于遺傳算法優化的深度學習林火異常檢測方法，其特征在于：所述遺傳算法優化具體為：通過遺傳算法的選擇、交叉和變異操作，選擇使得卷積神經網絡驗證誤差最小的個體適應度值作為卷積神經網絡卷積核數量、卷積核和池化核的尺寸、訓練的最大迭代次數及正則化因子等參數確定的依據，從而獲得性能最好的參數組合。

7.根據權利要求6所述的基于遺傳算法優化的深度學習林火異常檢測方法，其特征在于：所述遺傳算法應用到優化卷積神經網絡的參數上，具體操作流程如下：

S1：確定種群的大小參數；式3.1是用集合M表示初代種群，Xn是種群的一個個體；

M＝{X₁，X₂，X₃...X_n} (3.1)

S2：初始化種群，將網絡參數賦值于個體，每個個體的基因串由初始權重閾值，一組網絡參數和訓練參數組成，同時將損失函數值及準確率函數值設置為0；式3.2是用集合表示個體基因序列，其中K代表初始權重閾值，N代表卷積核的數量，X代表卷積核或池化層的大小，λ代表正則化因子，η代表訓練迭代次數；

S3：對個體進行遺傳操作優化，計算染色體的適應度值，優化標準包括確定交叉概率P_c和變異概率Pm的方法，其中f_avg為目標種群的平均適應度，f_max為目標種群的最大適應度，f`為即將進行交叉運算的操作中較大的適應度個體，f為突變中的個體適應度；優化參數值依照下面公式：

S4：查看產生的新個體是否滿足最優標準，若滿足繼續下一步；否則返回步驟S3；

S5：使用遺傳算法得到的最優初始權重，閾值，網絡結構參數，優化器及全連接層神經元數等，更新卷積神經網絡作為新的網絡訓練模型。