尹春杰，趙 欽，王光旭，宋其征，王 強

（1.山東建筑大學(xué)信息與電氣工程學(xué)院，山東濟南 250101；2.濰坊職業(yè)學(xué)院機電工程學(xué)院，山東濰坊 261041；3.山東中科先進技術(shù)研究院有限公司，山東濟南 250101）

傳統(tǒng)倉庫火災(zāi)預(yù)警方法由各種傳感器檢測環(huán)境變量，設(shè)定一個或者多個環(huán)境變量的閾值，通過環(huán)境變量是否超出閾值來判斷是否進行火災(zāi)預(yù)警[1-5]。根據(jù)GB50116-2013《火災(zāi)自動報警系統(tǒng)設(shè)計規(guī)范》[6]中對探測器多樣的安裝場景和安裝位置的規(guī)定，增加了預(yù)警裝置閾值設(shè)定的難度，且倉庫內(nèi)粉塵、噪聲等外界干擾強，使得預(yù)警系統(tǒng)產(chǎn)生誤報漏報的可能性更高[7-11]。

為了提高火災(zāi)預(yù)警的準(zhǔn)確率，該文對傳統(tǒng)基于BP 神經(jīng)網(wǎng)絡(luò)的火災(zāi)數(shù)據(jù)融合方法進行改良，從而提高火災(zāi)預(yù)警的精度。

1 傳統(tǒng)PSO-BP數(shù)據(jù)融合火災(zāi)預(yù)警方法

1.1 基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合火災(zāi)預(yù)警方法

基于BP 神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合火災(zāi)預(yù)警方法的網(wǎng)絡(luò)為前饋神經(jīng)網(wǎng)絡(luò)，核心是利用誤差反向傳遞的原理[12]，基本訓(xùn)練流程：在正向傳播過程中將傳感器采集到的火災(zāi)環(huán)境特征量X={x1,x2,…,xj}作為輸入，由輸入層傳入網(wǎng)絡(luò)，通過網(wǎng)絡(luò)隱藏層的處理后再傳向輸出層，輸出量為該環(huán)境下起火的可能性，再將誤差反向傳遞分派給各層，經(jīng)過反復(fù)迭代，最終達到預(yù)期。

1.2 標(biāo)準(zhǔn)粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

粒子群優(yōu)化算法(Particle Swarm Optimization)源于鳥類捕食的行為[13]，通過個體在全局內(nèi)搜索，不斷改變個體的位置和速度，利用群體信息共享，最終確定最優(yōu)解。

其過程如下：設(shè)置種群規(guī)模為N，N個粒子隨機散布在BP 神經(jīng)網(wǎng)絡(luò)閾值和連接權(quán)重組成的m維解空間中尋找最優(yōu)解，粒子i的隨機初始位置分量和速度分量分別為Xi=粒子通過計算所在位置的適應(yīng)度值比較進行移動，通過粒子的移動過程中得到全局最優(yōu)和局部最優(yōu)。

粒子i第d+1 次的位置分量更新公式如式（1），速度分量更新公式如式（2）：

其中，w是粒子的慣性權(quán)重，w∈[0,1]，c1、c2是學(xué)習(xí)因子，c1、c2∈[0,2]，r1、r2是隨機數(shù)，r1、r2∈[0,1]是粒子i所在維度中搜尋到的個體最優(yōu)值，是在所有解空間中的全局最優(yōu)值。

2 改進PSO-BP數(shù)據(jù)融合火災(zāi)預(yù)警方法

在標(biāo)準(zhǔn)粒子群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的過程中，由式（2）知慣性權(quán)重w為定值，使得粒子尋優(yōu)前期的全局尋優(yōu)能力和粒子尋優(yōu)后期的局部尋優(yōu)能力差，不能使預(yù)警方法快速收斂。對于式（2）的更新中，隨機數(shù)r1、r2的選擇不能保證速度的多樣性，容易使結(jié)果陷入局部最優(yōu)，對此進行了進一步優(yōu)化。

2.1 非線性遞減函數(shù)改進權(quán)重

在標(biāo)準(zhǔn)粒子群使用過程中，通常將慣性權(quán)重w設(shè)為定值，由式（2）可知，慣性權(quán)重w的數(shù)值影響著粒子尋優(yōu)的速度分量，由式（1）可知，速度分量影響著位置分量，進而慣性權(quán)重w影響最優(yōu)值的選擇。在粒子尋優(yōu)過程中前期w數(shù)值需要較大以增加粒子群的全局尋優(yōu)能力，尋優(yōu)過程后期需要w數(shù)值較小以增強粒子群局部尋優(yōu)能力。由此在權(quán)重線性遞減[14]基礎(chǔ)上采用非線性權(quán)重遞減公式豐富w的變化過程。改進權(quán)重變化函數(shù)如式（3）：

其中，wmax、wmin分別是預(yù)設(shè)權(quán)重上限和下限，i與imax分別是當(dāng)前迭代次數(shù)和最大迭代次數(shù)。

2.2 引入Tent映射改進隨機數(shù)r

由粒子群速度更新式（2）可知，r1、r2為取值范圍屬于[0,1]的偽隨機選取的數(shù)字，不能夠保證數(shù)值的豐富性，容易陷入局部最優(yōu)，因此，引入Tent 映射機制進行優(yōu)化。

Tent 映射是二維混沌映射，相較于偽隨機數(shù)生成，具有良好的均勻性和遍歷性[15]。將Tent 映射引入粒子群優(yōu)化可以增強粒子群搜索的多樣性，有效避免粒子陷入局部最優(yōu)的可能性。利用Tent 映射生成混沌序列公式表示為：

其中，混沌參數(shù)β取值為0.7。

通過Tent 映射生成的隨機序列替換式（2）中的隨機數(shù)r的更新方式，來實現(xiàn)對粒子群的優(yōu)化，加入Tent映射后的粒子速度更新公式為：

改進粒子群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法流程如圖1所示。

3 改進PSO-BP 數(shù)據(jù)融合火災(zāi)預(yù)警方法仿真與分析

該文數(shù)據(jù)分別從中國標(biāo)準(zhǔn)明火SH4、標(biāo)準(zhǔn)陰燃火SH1 和廚房環(huán)境下典型干擾信號（德國Duisdurg市立醫(yī)院廚房）三個典型火災(zāi)實驗中進行選取[16]。

3.1 數(shù)據(jù)歸一化處理

從實驗數(shù)據(jù)中選取70 組數(shù)據(jù)用于模型訓(xùn)練，30組數(shù)據(jù)用于模型驗證。由于數(shù)據(jù)量綱和數(shù)值范圍差距較大，為了減少其對數(shù)據(jù)分析的影響，對數(shù)據(jù)進行歸一化處置如式（6）：

表1 訓(xùn)練集部分?jǐn)?shù)據(jù)

表2 驗證集部分?jǐn)?shù)據(jù)

3.2 模型參數(shù)設(shè)計

由選取的輸入量和輸出量，選取三層BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，基于BP 神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合是通過BP 神經(jīng)網(wǎng)絡(luò)模擬腦神經(jīng)網(wǎng)絡(luò)對信息的智能處理機制進行的[17]。

倘若輸出結(jié)果并沒有滿足預(yù)期的誤差,則將模型輸出數(shù)據(jù)和訓(xùn)練集數(shù)據(jù)之間的偏差，采用不同的函數(shù)由輸出層向輸入層逐級傳輸,將偏差分派給各層,通過各層之間閾值和連接權(quán)重的反復(fù)調(diào)整,最后使實際輸出結(jié)果符合設(shè)計的目標(biāo)要求。

對于隱藏層數(shù)量Mh的選擇，借助經(jīng)驗公式進行確定[18]，即：

其中，Mi是輸入層的節(jié)點數(shù)，Mo是輸出層的節(jié)點數(shù)，B∈[1,10]且為整數(shù)。

結(jié)合式（7），經(jīng)過測試，當(dāng)隱藏層的節(jié)點數(shù)量配置為8 時，仿真能夠有較好的輸出結(jié)果。

模型結(jié)構(gòu)如圖2 所示，其中λij是輸入層和隱藏層之間的連接權(quán)重，θi是隱藏層的閾值，αLi是隱藏層和輸出層之間的連接權(quán)重，μk是輸出層的閾值。

圖2 BP神經(jīng)網(wǎng)絡(luò)火災(zāi)預(yù)警模型結(jié)構(gòu)

由上文火災(zāi)預(yù)警模型可知，網(wǎng)絡(luò)由輸入層到隱藏層到輸出層的連接權(quán)重數(shù)和閾值數(shù)總共為41，故與神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相對應(yīng)的粒子維度m設(shè)置為41，網(wǎng)絡(luò)初始化其他參數(shù)設(shè)置如下，包括輸入層和隱藏層之間的傳遞函數(shù)Φ選取Tansig 函數(shù)，隱藏層和輸出層之間的傳遞函數(shù)f選取Purelin 函數(shù)，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法選取梯度下降法，種群規(guī)模N設(shè)為100，最大更新次數(shù)imax設(shè)為400，所選取的適應(yīng)度計算函數(shù)如式（8）：

其中，yo為期望輸出，為訓(xùn)練輸出。

粒子速度范圍為[-0.01，0.01]，粒子位置范圍為[-1，1]，權(quán)重上限wmax=1，權(quán)重下限wmin=0.3，最小誤差設(shè)為0.000 1。

根據(jù)改進的PSO-BP 算法的速度分量迭代式（5）和位置分量迭代式（1）進行迭代，計算個體最佳適應(yīng)度值，比較粒子當(dāng)前和歷史最佳適應(yīng)度值，若當(dāng)前適應(yīng)度值更佳，則替換歷史最佳，否則保持原有歷史最佳，計算群體最佳適應(yīng)度，將得到的個體最佳適應(yīng)度與全局最佳相比較，選取適應(yīng)度最優(yōu)的個體最佳對全局最佳進行替換，若無，則保持原全局最佳。通過對粒子速度和位置不停迭代，尋求各粒子最優(yōu)適應(yīng)值。

由所設(shè)定的終止條件判斷是否結(jié)束迭代過程。最后利用尋優(yōu)得出的權(quán)重和閾值對BP 神經(jīng)網(wǎng)絡(luò)更新，從而完成迭代尋優(yōu)的過程。

3.3 評價指標(biāo)

該文使用平均絕對百分比誤差MAPE(Mean Absolute Percentage Error)，均方誤差MSE(Mean Square Error)及均方根誤差RMSE(Root Mean Square Error)作為預(yù)測精度的主要衡量指標(biāo)，如下：

其中，m為數(shù)據(jù)個數(shù)，yi表示預(yù)測輸出，xi表示實際輸出，評價指標(biāo)的數(shù)值越小，表明訓(xùn)練的模型越符合實際情況。

3.4 仿真實驗

圖3-6 分別為數(shù)據(jù)通過GRNN 神經(jīng)網(wǎng)絡(luò)、BP 神經(jīng)網(wǎng)絡(luò)、PSO-BP 神經(jīng)網(wǎng)絡(luò)、改進PSO-BP 神經(jīng)網(wǎng)絡(luò)得到的數(shù)據(jù)融合預(yù)測的結(jié)果。圖7 為標(biāo)準(zhǔn)PSO-BP神經(jīng)網(wǎng)絡(luò)與改進PSO-BP 神經(jīng)網(wǎng)絡(luò)之間的適應(yīng)度曲線對比。

圖3 GRNN神經(jīng)網(wǎng)絡(luò)仿真圖

圖4 BP神經(jīng)網(wǎng)絡(luò)算法仿真圖

圖5 PSO-BP神經(jīng)網(wǎng)絡(luò)仿真圖

圖6 改進PSO-BP神經(jīng)網(wǎng)絡(luò)仿真圖

圖7 適應(yīng)度曲線對比圖

不同神經(jīng)網(wǎng)絡(luò)的誤差指標(biāo)比較結(jié)果如表3所示。

表3 不同模型誤差指標(biāo)比較

通過圖3-6 和表3 可以看出，改進PSO-BP 神經(jīng)網(wǎng)絡(luò)得到的誤差小于其他三種算法，其預(yù)測值和實際值基本一致，通過圖7 可以看出PSO-BP 神經(jīng)網(wǎng)絡(luò)模型迭代100 次左右適應(yīng)度值趨于穩(wěn)定，而改進PSO-BP 神經(jīng)網(wǎng)絡(luò)模型迭代50 次左右適應(yīng)度值趨于穩(wěn)定，迭代次數(shù)降低50%，改進PSO-BP 神經(jīng)網(wǎng)絡(luò)迭代更新時間更短，速度更快，優(yōu)化效果比PSO-BP 神經(jīng)網(wǎng)絡(luò)優(yōu)化效果更佳。與單一環(huán)境變量超過閾值就報警的傳統(tǒng)方式相比，其具有更強的魯棒性，抗干擾的能力強，能夠較準(zhǔn)確地進行火災(zāi)預(yù)警，降低了火災(zāi)發(fā)生誤報漏報的可能性，大大提高了倉庫的消防安全性。

4 結(jié)論

根據(jù)倉庫的復(fù)雜條件和當(dāng)前火災(zāi)自動預(yù)警系統(tǒng)所面臨的困難，該文采用了一種基于改進粒子群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的火災(zāi)預(yù)警方法，以提升火災(zāi)預(yù)警的及時性和準(zhǔn)確性。通過傳統(tǒng)粒子群優(yōu)化算法的改進對BP 神經(jīng)網(wǎng)絡(luò)的連接權(quán)重和閾值進行優(yōu)化，進而提高了傳統(tǒng)粒子群優(yōu)化的精度和速度，避免神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)陷阱。通過Matlab 實驗仿真證明了該方法的準(zhǔn)確性和快速性。該方法能夠在所采用的傳統(tǒng)傳感器預(yù)警系統(tǒng)的基礎(chǔ)上實現(xiàn)信息綜合識別、智能判斷，進一步提升了預(yù)警系統(tǒng)的整體性能。