，，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.