亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        智能家居火災(zāi)預(yù)警系統(tǒng)建模與分析

        2018-07-04 02:56:06桂娟
        關(guān)鍵詞:智能家居種群概率

        ,,桂娟,

        (安徽師范大學(xué) 物電學(xué)院,安徽 蕪湖 241000)

        0 引言

        傳統(tǒng)的火災(zāi)預(yù)警主要采用的是單一傳感器式的火災(zāi)預(yù)警方式,以環(huán)境當(dāng)中某一種傳感器信號(hào)作為依據(jù),通過(guò)和設(shè)定的閥值參數(shù)比較,從而判斷當(dāng)前是否有火災(zāi)發(fā)生,但是存在嚴(yán)重的漏報(bào)和誤報(bào)的情況,這種單一簡(jiǎn)便、低成本、低智能化的火災(zāi)預(yù)警已經(jīng)不能滿足人們對(duì)智能家居防火需求了。隨著人工智能的不斷發(fā)展,以機(jī)器學(xué)習(xí)為代表的算法逐步應(yīng)用于實(shí)踐,將機(jī)器學(xué)習(xí)和火災(zāi)預(yù)警相結(jié)合,通過(guò)在智能家居火災(zāi)預(yù)警系統(tǒng)中引入BP神經(jīng)網(wǎng)絡(luò)[1]建立火災(zāi)預(yù)測(cè)模型,并對(duì)火災(zāi)預(yù)測(cè)模型進(jìn)行優(yōu)化。摒棄傳統(tǒng)火災(zāi)預(yù)警以單一傳感器信號(hào)作為依據(jù),聯(lián)合采用溫度、煙霧濃度、一氧化碳?xì)怏w濃度多火災(zāi)信息[2]作為BP模型輸入?yún)?shù),火災(zāi)發(fā)生概率作為期望輸出,大幅度提高了火災(zāi)預(yù)警的準(zhǔn)確性和可靠性,讓智能家居火災(zāi)預(yù)警系統(tǒng)展現(xiàn)出比傳統(tǒng)火災(zāi)預(yù)警系統(tǒng)更高的智能化。因此,本文設(shè)計(jì)出了一種智能家居火災(zāi)預(yù)警系統(tǒng)并且在系統(tǒng)中引入BP模型對(duì)火災(zāi)信息進(jìn)行處理和預(yù)測(cè)。

        1 系統(tǒng)結(jié)構(gòu)

        系統(tǒng)結(jié)構(gòu)框架如圖1所示,系統(tǒng)是由數(shù)據(jù)采集節(jié)點(diǎn)、智能家居服務(wù)器、智能手機(jī)、室內(nèi)報(bào)警設(shè)備等模塊組成。系統(tǒng)首先采用國(guó)家標(biāo)準(zhǔn)實(shí)驗(yàn)中部分典型火災(zāi)數(shù)據(jù)參數(shù)作為模式樣本對(duì)BP模型進(jìn)行訓(xùn)練和優(yōu)化從而建立火災(zāi)預(yù)測(cè)模型。系統(tǒng)當(dāng)中的智能家居服務(wù)器通過(guò)實(shí)時(shí)調(diào)用火災(zāi)預(yù)測(cè)模型,將當(dāng)前室內(nèi)數(shù)據(jù)采集節(jié)點(diǎn)采集到的溫度、煙霧濃度、一氧化碳?xì)怏w濃度多火災(zāi)信息數(shù)據(jù)作為火災(zāi)預(yù)測(cè)模型的輸入,火災(zāi)預(yù)測(cè)模型輸出即為當(dāng)前家居火災(zāi)發(fā)生概率。系統(tǒng)通過(guò)當(dāng)前獲得的家居火災(zāi)發(fā)生概率[3]和設(shè)定閥值進(jìn)行比對(duì),從而判斷當(dāng)前家居環(huán)境是否有火災(zāi)發(fā)生,當(dāng)家居火災(zāi)發(fā)生概率超過(guò)設(shè)定的閥值時(shí)表明有火災(zāi)險(xiǎn)情發(fā)生時(shí),智能家居服務(wù)器立刻通過(guò)發(fā)生短信的方式通知屋主并且觸發(fā)報(bào)警設(shè)備,從而有效及時(shí)的排除險(xiǎn)情。

        圖1 系統(tǒng)結(jié)構(gòu)框架圖

        2 BP模型的建立與優(yōu)化

        2.1 BP模型

        結(jié)合圖2,一般情況下簡(jiǎn)單的BP模型都是由輸入層(i)、隱層(j) 、輸出層(k)三層組建而成,本文使用三層即可。BP模型分為輸入樣本的前向傳播和輸出誤差的逆向傳播兩個(gè)過(guò)程組成。輸入樣本前向傳播時(shí),首先輸入樣本通過(guò)輸入層進(jìn)行傳遞,然后經(jīng)隱層進(jìn)行非線性轉(zhuǎn)換,最后到達(dá)輸出層進(jìn)行線性疊加,如果輸出層的輸出的實(shí)際值與期望值之間不符,在以梯度下降法對(duì)輸出誤差進(jìn)行逆向傳遞,兩個(gè)過(guò)程不停的循環(huán),直到BP模型誤差達(dá)到設(shè)定的精度或者達(dá)到設(shè)定的迭代次數(shù)退出循環(huán)。理論上BP模型能無(wú)限逼近于任意非線性函數(shù),但是未經(jīng)優(yōu)化的BP模型在運(yùn)用過(guò)程中存在嚴(yán)重缺陷,主要存在迭代次數(shù)多、網(wǎng)絡(luò)收斂速度慢、網(wǎng)絡(luò)不穩(wěn)定、易陷入局部極小等問(wèn)題[4],針對(duì)以上出現(xiàn)的問(wèn)題,本文優(yōu)化方法如下:

        1)采用LM算法對(duì)BP模型的訓(xùn)練函數(shù)進(jìn)行優(yōu)化[5],可以大幅度提高BP模型的收斂速度和精確度;

        2)在(1)方法的基礎(chǔ)上,在使用遺傳算法使BP模型獲得更優(yōu)的初始權(quán)值和閥值[6],這樣可有效避免BP模型陷入局部極小值并且還可以進(jìn)一步加快其收斂速度;

        圖2 BP神經(jīng)網(wǎng)絡(luò)模型

        2.2 LM算法優(yōu)化BP模型

        LM算法是優(yōu)化方式的一種,同時(shí)具備高斯牛頓法和梯度法的優(yōu)勢(shì)。其優(yōu)化BP模型可以使網(wǎng)絡(luò)具有更快的收斂速度以及更短訓(xùn)練時(shí)間,其修正BP模型權(quán)值公式如下所示:

        w(n+1)=w(n)-(JTJ+μI)-1JTe

        (1)

        式中,e是網(wǎng)絡(luò)誤差向量;J是雅可比矩陣;u是可變學(xué)習(xí)速率;I是單位矩陣。 當(dāng)u很小時(shí),式中權(quán)值的迭代更新方式近似等于高斯牛頓梯度下降,當(dāng)u很大時(shí),式中權(quán)值的迭代更新方式近似等于梯度下降。u作為可變學(xué)習(xí)速率,在BP模型訓(xùn)練過(guò)程中不斷發(fā)生變化進(jìn)行自我調(diào)整,如果BP模型輸出誤差增大,則u也增大,如果BP模型輸出誤差變小,則u也變小,這種調(diào)整方式可以大幅度提高BP模型收斂速度和精確度。誤差指標(biāo)函數(shù)公式如下所示:

        (2)

        式中,Yi為BP模型期望輸出;Yi′為BP模型實(shí)際輸出;p為輸入模式樣本的數(shù)目;ei為某個(gè)模式樣本的訓(xùn)練誤差。具體優(yōu)化BP模型方式如下所示:

        1)設(shè)定初始BP模型學(xué)習(xí)速率u=u0,隨機(jī)設(shè)定初始BP模型權(quán)值,設(shè)定調(diào)整常數(shù)β(0<β<1)。

        2)將模式樣本輸入到初始BP模型中,按照公式(2)計(jì)算初始BP模型輸出誤差平方和。

        3)計(jì)算雅可比矩陣J,按照公式(1)更新BP模型權(quán)值,重新按照公式(2)計(jì)算BP模型輸出誤差平方和,當(dāng)En+1=En時(shí),更新u=u/β。不斷的重復(fù)步驟3,直到滿足設(shè)定的誤差或者設(shè)定的迭代次數(shù),則退出循環(huán)。

        2.3 遺傳算法優(yōu)化BP模型

        遺傳算法采用達(dá)爾文的“優(yōu)勝劣汰,適者生存”的生物進(jìn)化理論進(jìn)行種群逐代演化從而讓子代產(chǎn)生出接近所求問(wèn)題的近似解。在每一代種群當(dāng)中,按照適應(yīng)度函數(shù)值的大小對(duì)種群個(gè)體進(jìn)行篩選,使適應(yīng)度函數(shù)值比較高的種群個(gè)體有更大的概率被保留下來(lái),然后在進(jìn)行遺傳學(xué)的交叉和變異操作,使其產(chǎn)生出比上一代更優(yōu)的種群。不斷地周而復(fù)始,在整個(gè)循環(huán)過(guò)程中使種群個(gè)體的適應(yīng)度函數(shù)值不斷提高,直到滿足設(shè)置的進(jìn)化代數(shù)條件退出循環(huán),此時(shí)種群當(dāng)中適應(yīng)度函數(shù)值最大的個(gè)體就是所求問(wèn)題的最優(yōu)解。具體優(yōu)化BP模型方式如下所示:

        1)初始化種群數(shù)目和個(gè)體二進(jìn)制編碼,編碼長(zhǎng)度公式為S=R*S1+S1*S2+S1+S2,式中R為BP模型輸入神經(jīng)元的數(shù)量,本文R設(shè)置為3,式中S1為BP模型隱層神經(jīng)元的數(shù)量,本文S1設(shè)置為13,式中S2為BP模型輸出神經(jīng)元數(shù)量,本文S2設(shè)置為3,本文種群規(guī)模設(shè)置為50,本文遺傳代數(shù)設(shè)置為100次;

        3)選擇運(yùn)算,主要采用與種群個(gè)體適應(yīng)度函數(shù)值成正比的方式來(lái)逐一確定每代種群個(gè)體復(fù)制到下一代種群中的概率大小,使其適應(yīng)度函數(shù)值越高個(gè)體復(fù)制到下一代的概率也就越高,選擇公式如下所示:

        4)交叉運(yùn)算,首先對(duì)種群個(gè)體隨機(jī)的進(jìn)行配對(duì),然后隨機(jī)的設(shè)置交叉點(diǎn)的位置,最后按照某種較大的交叉概率和某種交叉方法讓每?jī)蓚€(gè)配對(duì)種群個(gè)體之間相互交換部分二進(jìn)制編碼,本文采用0.7的交叉概率以及單點(diǎn)交叉的方法;

        5)變異運(yùn)算,首先隨機(jī)產(chǎn)生出每一個(gè)種群個(gè)體變異點(diǎn)位置,然后按照某種較小的變異概率將變異點(diǎn)種群個(gè)體的二進(jìn)制編碼做某種變動(dòng),本文采用0.07的變異概率以及對(duì)原二進(jìn)制編碼取反的方式;

        6)循環(huán)運(yùn)算操作,循環(huán)上述2)~5)步,直至遺傳代數(shù)100次時(shí)退出循環(huán)。

        3 算法仿真與對(duì)比分析

        3.1 BP模型初始參數(shù)選定

        為了驗(yàn)證模型的性能,本文通過(guò)Matlab7.0平臺(tái)進(jìn)行模型仿真。選用國(guó)家標(biāo)準(zhǔn)實(shí)驗(yàn)火災(zāi)數(shù)據(jù)中的部分典型36個(gè)模式樣本對(duì)BP模型進(jìn)行訓(xùn)練仿真從而建立火災(zāi)預(yù)測(cè)模型,同時(shí)隨機(jī)選取火災(zāi)數(shù)據(jù)中10個(gè)樣本對(duì)火災(zāi)預(yù)測(cè)模型進(jìn)行測(cè)試分析。BP模型輸入層設(shè)置為3個(gè)神經(jīng)元,分別代表的是溫度、煙霧濃度、一氧化碳?xì)怏w濃度多火災(zāi)信息參數(shù)的輸入,隱含層經(jīng)過(guò)同一模式樣本集多次反復(fù)試驗(yàn)后,當(dāng)隱含層設(shè)置為13個(gè)神經(jīng)元時(shí)收斂速度最快,輸出層設(shè)置為3個(gè)神經(jīng)元,分別代表的是明火發(fā)生概率輸出、陰燃火發(fā)生概率輸出、無(wú)火發(fā)生概率的輸出。當(dāng)BP模型輸出的火災(zāi)發(fā)生概率(明火發(fā)生概率+陰燃火發(fā)生概率)大于等于0.7時(shí),系統(tǒng)立即判斷當(dāng)前家居環(huán)境有火災(zāi)發(fā)生,智能家居預(yù)警系統(tǒng)立即觸發(fā)報(bào)警模塊和發(fā)送短信通知屋主。當(dāng)BP模型輸出的火災(zāi)發(fā)生概率(明火發(fā)生概率+陰燃火發(fā)生概率)小于等于0.3時(shí),系統(tǒng)判斷當(dāng)前家居環(huán)境無(wú)火災(zāi)發(fā)生。當(dāng)BP模型輸出的火災(zāi)發(fā)生概率(明火發(fā)生概率+陰燃火發(fā)生概率)介于0.3和0.7之間時(shí)系統(tǒng)要保持高度警戒狀態(tài),智能家居預(yù)警系統(tǒng)要持續(xù)對(duì)家居環(huán)境煙霧濃度數(shù)據(jù)進(jìn)行監(jiān)控,如果煙霧濃度繼續(xù)30秒以上或者有上升趨勢(shì)可判斷有火災(zāi)發(fā)生。本文中BP模型隱含層用Tansig作為激活函數(shù),輸出層用Purelin作為激活函數(shù),采用梯度下降算法作為其訓(xùn)練函數(shù),學(xué)習(xí)速率設(shè)置為0.001,最大訓(xùn)練迭代次數(shù)設(shè)置為500,目標(biāo)誤差設(shè)置為0.000001。為了使BP模型訓(xùn)練更有效,故將輸入的模式樣本全部歸一化到[0,1]。部分歸一化的數(shù)據(jù)樣本如表1所示,初始BP模型訓(xùn)練誤差函數(shù)如圖3所示。

        表1 部分歸一化的數(shù)據(jù)樣本

        圖3 初始BP模型訓(xùn)練誤差函數(shù)

        在圖3中的誤差性能曲線可以看出,經(jīng)過(guò)500次訓(xùn)練仍未達(dá)到要求的目標(biāo)誤差0.00001,說(shuō)明采用梯度下降法進(jìn)行訓(xùn)練的收斂速度很慢的。

        3.2 LM算法優(yōu)化BP模型仿真分析

        當(dāng)對(duì)BP模型采用LM算法作為其訓(xùn)練函數(shù),其余參數(shù)保持不變。結(jié)合圖4,與圖3相比收斂速度明顯加快,但是仍然沒(méi)有達(dá)到目標(biāo)0.000001的要求。

        圖4 LM-BP模型訓(xùn)練誤差函數(shù)

        3.3 遺傳算法優(yōu)化BP模型仿真分析

        本文首先采用遺傳算法獲取BP模型更優(yōu)的初始權(quán)值以及閥值。結(jié)合圖5,當(dāng)種群迭代次數(shù)接近100時(shí),圖中適應(yīng)度函數(shù)值逐步趨于穩(wěn)定不在發(fā)生變化,將此時(shí)獲得的適應(yīng)度函數(shù)值最大的種群個(gè)體作為BP模型的初始權(quán)值以及閥值,訓(xùn)練函數(shù)采用LM算法,其余參數(shù)不變。結(jié)合圖6,可以看出BP模型經(jīng)遺傳算法優(yōu)化后收斂速度明顯比圖4進(jìn)一步加快,迭代到386步時(shí)達(dá)到訓(xùn)練目標(biāo)要求。隨機(jī)選取10個(gè)樣本作為測(cè)試樣本,結(jié)合圖7,可以看出預(yù)測(cè)結(jié)果與期望輸出誤差也較小, 最大誤差不超過(guò)2%。

        圖5 適應(yīng)度函數(shù)

        圖7 測(cè)試樣本誤差百分比

        4 結(jié)束語(yǔ)

        實(shí)驗(yàn)結(jié)果表明,把家居溫度、煙霧濃度、一氧化碳?xì)怏w濃度多火災(zāi)信息作為輸入?yún)?shù),明火發(fā)生概率、陰燃火發(fā)生概率、無(wú)火發(fā)生概率作為輸出參數(shù)構(gòu)造的基于LM算法和遺傳算法的BP神經(jīng)網(wǎng)絡(luò)火災(zāi)預(yù)測(cè)模型,該火災(zāi)預(yù)測(cè)模型預(yù)測(cè)的各個(gè)火災(zāi)發(fā)生概率與實(shí)際期望值最大誤差不超過(guò)2%,具有較高的準(zhǔn)確性和穩(wěn)定性, 而且對(duì)于整個(gè)智能家居系統(tǒng)而言所增加的成本也比較低以及耗費(fèi)的時(shí)間也比較少。該火災(zāi)預(yù)測(cè)模型能夠很好的反映出溫度、煙霧濃度、一氧化碳?xì)怏w濃度多火災(zāi)信息與各個(gè)火災(zāi)發(fā)生概率之間的非線性關(guān)系,具有可行性,為智能家居火災(zāi)預(yù)警提供一種實(shí)用便捷智能化的新思路。

        參考文獻(xiàn):

        [1] 程相君,春 寧,陳生潭.神經(jīng)網(wǎng)絡(luò)原理與應(yīng)用[M].北京:國(guó)防工業(yè)出版社,1995.

        [2] 周曉琳.基于神經(jīng)網(wǎng)絡(luò)的多傳感器數(shù)據(jù)融合火災(zāi)預(yù)警系統(tǒng)研究[D] .長(zhǎng)春: 長(zhǎng)春理工大學(xué),2012.

        [3] 王德民. 基于智能信息處理方法的火災(zāi)探測(cè)算法研究[D] .合肥: 中國(guó)科學(xué)技術(shù)大學(xué), 2003.

        [4] 王 私,郁其一,李癱剛. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型及其應(yīng)用[D] .計(jì)算機(jī)測(cè)量與控制,2005,13(1).

        [5] 黃豪彩,黃宜堅(jiān),楊冠魯.基于 LM 算法的神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)[J] .組合機(jī)床與自動(dòng)化加工技術(shù),2003,1(2):6-11.

        [6] 楊曉紅,劉樂(lè)善. 用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[J] .計(jì)算機(jī)應(yīng)用與軟件,1997, 14(3): 59-65.

        猜你喜歡
        智能家居種群概率
        邢氏水蕨成功繁衍并建立種群 等
        山西省發(fā)現(xiàn)刺五加種群分布
        第6講 “統(tǒng)計(jì)與概率”復(fù)習(xí)精講
        第6講 “統(tǒng)計(jì)與概率”復(fù)習(xí)精講
        概率與統(tǒng)計(jì)(一)
        概率與統(tǒng)計(jì)(二)
        基于Zigbee的無(wú)線通信技術(shù)在智能家居中的應(yīng)用
        電子制作(2018年1期)2018-04-04 01:48:28
        關(guān)于智能家居真正需求的探討
        智能家居更貼心
        基于LD3320的智能家居控制
        河南科技(2014年7期)2014-02-27 14:11:13
        边喂奶边中出的人妻| 日本大胆人体亚裔一区二区| 国内精品久久人妻互换| 丰满少妇被啪啪到高潮迷轩| 国产成人精品999视频| 亚洲av无码一区二区二三区 | 国产丝袜一区二区三区在线不卡| 精品亚洲一区二区视频| 日本一区二区三区视频免费在线 | 邻居人妻的肉欲满足中文字幕| 专干老熟女视频在线观看| 国产成人精品一区二区视频| 国产成人精品cao在线| 国产91精品自拍视频| 肉色丝袜足j视频国产| 乱人伦中文无码视频| 国产成人免费高清激情明星| 人妻少妇激情久久综合| 我和隔壁的少妇人妻hd| 亚洲av天天做在线观看| 日本污视频| 97久久久一区二区少妇| 人妻夜夜爽天天爽三区丁香花| 久久久久人妻精品一区蜜桃| 无码 制服 丝袜 国产 另类| 亚洲一区有码在线观看| 欧美白人战黑吊| 精品无码国产自产野外拍在线| 国内视频一区| 日韩精品免费在线视频一区| 国产色欲av一区二区三区| 无码夜色一区二区三区| 色偷偷av一区二区三区人妖| 一本色道久久88—综合亚洲精品| 被黑人猛躁10次高潮视频| 亚洲爆乳大丰满无码专区| 青青草视频免费在线播放| 一本色道久久88加勒比—综合| 国产精品后入内射日本在线观看| 亚洲av套图一区二区| 精品国产一区二区三区三|