馮宏偉，劉媛媛，溫子騰，譚 勇

（1.無錫職業(yè)技術(shù)學(xué)院，江蘇 無錫 214121；2.無錫科技職業(yè)學(xué)院，江蘇 無錫 214028；3.江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無錫 214122）

0 引言

火災(zāi)發(fā)生初期的陰燃階段，人們雖無法用肉眼觀察識別，但在火焰中卻存在著多種波長的紅外線紫外線[1]。三波段紅外火焰探測器就是利用了3 個對紅外線敏感的紅外傳感器，對特定范圍內(nèi)的火災(zāi)紅外輻射波長進(jìn)行探測。為確保探測器能夠在高低溫、高濕、震動等最苛刻的環(huán)境下，具備對誤報警極高的免疫力，必需借助有效的檢測算法將采集到的3 個傳感器數(shù)據(jù)進(jìn)行優(yōu)化處理[2]。。

雖然T-S 型模糊推理具備運用少量的模糊規(guī)則可生成復(fù)雜的非線性函數(shù)的特點，能夠相對有效地解決高維系統(tǒng)中的規(guī)則難題[3]?？墒?，由于T-S 型模糊模型推理出的結(jié)論參數(shù)是線性函數(shù)并非模糊數(shù)，這將無法從實際應(yīng)用中的經(jīng)驗值和數(shù)據(jù)來直接利用，只能通過對其特定的算法訓(xùn)練來獲取。然而，神經(jīng)網(wǎng)絡(luò)的出現(xiàn)解決了T-S 模型參數(shù)難辨識的問題[4]。RBF 神經(jīng)網(wǎng)絡(luò)擁有的局部響應(yīng)特性，使其擁有網(wǎng)絡(luò)訓(xùn)練速度快，不存在局部最優(yōu)問題等優(yōu)點[5]。由于融合T-S 模型的標(biāo)準(zhǔn)RBF 神經(jīng)網(wǎng)絡(luò)隱含層接受區(qū)域的局部性，導(dǎo)致網(wǎng)絡(luò)在測試中表現(xiàn)往往較差，即泛化能力不理想[6]。

本文借助文獻(xiàn)[7]中提及的一種RBF 網(wǎng)絡(luò)結(jié)構(gòu)歸一化的加強模型，和其提出的一種先對訓(xùn)練數(shù)據(jù)聚類產(chǎn)生模糊規(guī)則數(shù)及節(jié)點中心的方法，同時結(jié)合三波段紅外火焰探測中可能出現(xiàn)的單一非火焰通道發(fā)生數(shù)據(jù)丟失、失真、飽和3 種強干擾的情況，對融合T-S模型的RBF 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了以下改進(jìn)：

1）為了使模型具有較強的魯棒性抵抗數(shù)據(jù)干擾，對模糊后件中模糊規(guī)則的輸出的計算中加入了特征分量的隸屬度，使得模型能夠有效抑制特征分量的波動對于模型的影響。

2）為了進(jìn)一步提升模型的魯棒性，對模型中所需的隱含層節(jié)點數(shù)目進(jìn)行減少，將模糊前件中模糊規(guī)則適用度（RBF 中馬氏距離）的生成公式修改為加權(quán)平均的形式生成加權(quán)模糊節(jié)點激活度，從而充分考慮到不同特征對于不同種類樣本的表征程度不同。

3）為了提升模型規(guī)則的解釋性、模型泛化能力，根據(jù)不同種類樣本中不同特征的離散程度不同確定加權(quán)模糊節(jié)點激活度中的特征表征系數(shù)θji的初值。

1 紅外火焰探測器整體結(jié)構(gòu)

本文選用三波段紅外火焰探測器作為測試平臺，其硬件結(jié)構(gòu)主要由紅外傳感器檢測模塊、前置放大及信號采集模塊、模數(shù)轉(zhuǎn)換模塊、微處理器模塊和信號輸出模塊等構(gòu)成。系統(tǒng)硬件結(jié)構(gòu)如圖1所示。

圖1 三波段火焰探測器結(jié)構(gòu)框圖Fig.1 Structure diagram of three-band flame detector

傳感器檢測模塊選用3 個中心波長分別為3.8μm、4.3 μm 和5.0 μm 窄帶帶寬均為150 nm 的紅外熱釋電傳感器。前置放大及信號采集模塊主要由微信號預(yù)處理電路、運算放大電路和濾波電路組成。模數(shù)轉(zhuǎn)換模塊選用內(nèi)置可編程增益調(diào)節(jié)（Programmable Gain Amplifier，PGA）的18 位模數(shù)轉(zhuǎn)換芯片ADS8694，可根據(jù)信號的強弱自適應(yīng)調(diào)節(jié)增益以確保采集信號的完整。微處理器模塊是以STM32F429 為核心構(gòu)建的電路，為火焰識別算法得以實現(xiàn)搭建了測試平臺，其信號輸出模塊可與遠(yuǎn)控端的上位機連接，收發(fā)與上位機的監(jiān)控、配置等相關(guān)參數(shù)，可組建一套完整的火災(zāi)報警集總控制系統(tǒng)。

2 改進(jìn)型T-S模糊RBF神經(jīng)網(wǎng)絡(luò)

本文擬采用的改進(jìn)型融合T-S模型的RBF模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)兩部分組成，其結(jié)構(gòu)圖如圖2所示。

圖2 改進(jìn)型融合T-S 模型的RBF 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Structural diagram of RBF fuzzy neural network based on improved T-S model

2.1 前件網(wǎng)絡(luò)

模型的前件網(wǎng)絡(luò)包含3 個部分，分別是輸入層、隱含層、歸一化層。

1）輸入層

2）隱含層

首先對參與訓(xùn)練的樣本數(shù)據(jù)采用k-means 聚類算法將數(shù)據(jù)聚為h類，即隱含層也稱為模糊規(guī)則層含有h個節(jié)點，每個節(jié)點均具有n個高斯隸屬度函數(shù)。之后將這h類樣本的樣本聚類中心作為隱含層各高斯隸屬度函數(shù)的初始中心參數(shù)。

基于上述思想將馬氏距離產(chǎn)生激活強度的做法改為一種加權(quán)平均算子：

將wj定義為加權(quán)模糊節(jié)點激活度，式(2)中的定義為特征表征系數(shù)。初始值的設(shè)定，是由該聚類結(jié)果中第j類第i維特征數(shù)據(jù)相對于其它特征數(shù)據(jù)的相對離散程度而確定的。具體操作如下：

①將所有樣本數(shù)據(jù)中的特征歸一化處理；

②將屬于聚類結(jié)果中第j類的所有k個樣本取出計算數(shù)據(jù)中不同特征的標(biāo)準(zhǔn)差，如下：

③通過計算得到的聚類結(jié)果中第j類數(shù)據(jù)不同特征分量的標(biāo)準(zhǔn)差來確定的初值：

3）歸一化層

2.2 后件網(wǎng)絡(luò)

在后件網(wǎng)絡(luò)中，包含了與前件網(wǎng)絡(luò)中的h個隱含層節(jié)點一一對應(yīng)的h條模糊規(guī)則，每條產(chǎn)生的輸出記為yj。傳統(tǒng)RBF 神經(jīng)網(wǎng)絡(luò)中的輸出僅由輸入值和后件網(wǎng)絡(luò)中輸入層與隱含層的連接權(quán)值決定，若輸入數(shù)據(jù)中發(fā)生若干特征分量數(shù)據(jù)丟失、失真、飽和的情況時，傳統(tǒng)的后件網(wǎng)絡(luò)隱含層節(jié)點的輸出值就有可能發(fā)生較大波動，導(dǎo)致網(wǎng)絡(luò)失去判別的能力。

本系統(tǒng)在輸出yj的生成規(guī)則中加入各特征分量模糊隸屬度的影響，如下式(9)所示，就可在干擾發(fā)生時降低甚至是忽略干擾特征對于輸出的影響，在聚類結(jié)果各類樣本集所對應(yīng)的模糊規(guī)則中，使輸出值不至于有較大的變化。

式(9)可以看到，該類模糊規(guī)則能起到對非屬于該類樣本中的特征分量進(jìn)行抑制和剔除，可大大加強模型的魯棒性。同時若在錯誤樣本訓(xùn)練網(wǎng)絡(luò)時，傳統(tǒng)的融合T-S 模型的RBF 模糊神經(jīng)網(wǎng)絡(luò)，歸一化后僅選擇一條或幾條數(shù)值非常小且為最大的規(guī)則wj來激活節(jié)點產(chǎn)生輸出。將導(dǎo)致傳統(tǒng)網(wǎng)絡(luò)并不能很好地保留RBF網(wǎng)絡(luò)的局部響應(yīng)特性，存在文獻(xiàn)[8-9]提出的網(wǎng)絡(luò)收斂慢、有可能存在局部最優(yōu)情況。改進(jìn)后的融合T-S 模型的RBF 模糊神經(jīng)網(wǎng)絡(luò)，盡管也采取了歸一化提升模型泛化能力的做法，但在模糊規(guī)則對應(yīng)的模糊節(jié)點輸出yj的產(chǎn)生過程中通過式(9)能夠有效抑制錯誤樣本的輸出，很大程度上增加了模型的局部響應(yīng)能力。

輸出層的輸入yn1為yj與前件網(wǎng)絡(luò)中歸一化適用度的線性組合，如式(10)所示：

因本文將探討的是二分類問題，所以輸出層的激活函數(shù)選用雙曲正切函數(shù)，如式(11)所示：

2.3 模型參數(shù)學(xué)習(xí)

在改進(jìn)的模型中，因pj0、w0的調(diào)整不受隸屬度函數(shù)的制約，所以在代價函數(shù)中引入正則項的懲罰因子λ/n。定義的代價函數(shù)為：

式中：E為代價函數(shù)；e為樣本誤差；yd為網(wǎng)絡(luò)的期望輸出；yn是網(wǎng)絡(luò)的實際輸出。

3 數(shù)據(jù)采集及實驗驗證

本文依據(jù)不同波段波形時域信號之間的關(guān)系、頻域信號中火焰閃動頻率集中在3～25 Hz的理論條件[10]，來提取特征訓(xùn)練網(wǎng)絡(luò)并進(jìn)行判別測試。

3.1 數(shù)據(jù)采集及處理

本實驗的時域信號的實時采集頻率為5 kHz，經(jīng)過濾波去噪處理后，可直接用于分析的數(shù)據(jù)頻率為144 Hz。同時將采集數(shù)據(jù)進(jìn)行如下處理：

1）將時域信號減去基準(zhǔn)電壓幅值2 V，之后200點截斷信號加入漢寧窗處理。

2）將漢寧窗處理后的信號補0 后，進(jìn)行快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT），以獲取信號頻譜。

圖3～圖5 分別給出了正庚烷、太陽光和電烙鐵3 種物體的采集波形和處理波形。

圖3 正庚烷燃燒數(shù)據(jù)圖Fig.3 Data chart of n-heptane combustion

圖3(a)為正庚烷在1 平方英尺容器中燃燒時，離火源35 m 正對方位采集的時域圖，圖3(b)為4.3 μm火焰通道經(jīng)加窗FFT 變換后的頻譜。

圖4 電烙鐵采集數(shù)據(jù)圖Fig.4 Data chart of electric iron collection

圖4(a)為220VAC100 W 交流電烙鐵工作時，正對方位3.0 m 處采集的時域圖，圖4(b)為4.3 μm 火焰通道經(jīng)加窗FFT 變換后的頻譜。

圖5 太陽光采集數(shù)據(jù)圖Fig.5 Data chart of natural light collection

圖5(a)為探測器水平方向采集太陽光的時域圖，圖5(b)為4.3 μm火焰通道經(jīng)加窗FFT變換后的頻譜。

3.2 火焰探測器的魯棒性實驗

本實驗主要是針對火焰探測中可能出現(xiàn)的3 種強干擾問題展開討論。

1）數(shù)據(jù)丟失

若單一非火焰?zhèn)鞲衅鞴收?、通道?shù)據(jù)傳輸問題、硬件老化引起的單一非火焰探測通道數(shù)據(jù)丟失，則表現(xiàn)為單一通道信號在電壓0 V 附近，其它通道和火焰通道頻譜基本不受影響。圖6 和圖7 分別為在3.8 μm通道、5.0 μm 通道中存在數(shù)據(jù)丟失時的正庚烷火焰采集圖。

圖6 正庚烷火焰下3.8 μm 通道數(shù)據(jù)丟失圖Fig.6 Data loss of 3.8 μm channel in N-heptane flame

圖7 正庚烷火焰下5.0 μm 通道數(shù)據(jù)丟失圖Fig.7 Data loss of 5.0 μm channel in N-heptane flame

2）數(shù)據(jù)失真

若單一非火焰探測通道多級放大器故障、單一非火焰探測傳感器失靈引起的數(shù)據(jù)失真表現(xiàn)為單一通道信號在基準(zhǔn)電壓2 V 附近，其它通道和火焰通道頻譜不受影響。圖8 和圖9 分別為在3.8 μm 通道、5.0 μm通道中存在數(shù)據(jù)失真時的正庚烷火焰采集圖。

圖8 正庚烷火焰下3.8 μm 通道數(shù)據(jù)失真圖Fig.8 Data distortion of 3.8 μm channel in N-heptane flame

圖9 正庚烷火焰下5.0 μm 通道數(shù)據(jù)丟失圖Fig.9 Data distortion of 5.0 μm channel in N-heptane flame

3）數(shù)據(jù)飽和

在單一強干擾源如：強背景光照射、高溫物體距離過近將會引起對應(yīng)的背景光源干擾通道、人工熱源干擾通道數(shù)據(jù)飽和，其它通道數(shù)據(jù)、頻譜變化不大。圖10 和圖11 分別為在3.8 μm 通道、5.0 μm 通道中存在數(shù)據(jù)飽和時的正庚烷火焰采集圖。

圖10 正庚烷火焰下3.8 μm 通道數(shù)據(jù)飽和圖Fig.10 Data saturation of 3.8 μm in N-heptane flame

圖11 正庚烷火焰下5.0 μm 通道數(shù)據(jù)飽和圖Fig.11 Data saturation of 5.0 μm in N-heptane flame

表1 部分樣本示意表Table 1 Schematic table of some samples

3.3 特征提取

從上述實驗中采集的數(shù)據(jù)中每200 點提取一個樣本，每個樣本由下述12 個特征組成：

式中：x1～x3分別代表3.8 μm、4.3 μm 和5.0 μm 通道的電壓峰值；x4代表x1與x2的比值；x5代表x3與x2的比值；x6代表波形中存在的極值點個數(shù)，一定程度上可以表征火焰的閃動現(xiàn)象；x7代表頻譜中1～10 Hz信號幅值之和；x8代表頻譜中11～25 Hz 幅值之和；x9代表頻譜中26～45 Hz 幅值之和；x10代表頻譜中46～72 Hz 幅值之和；x11代表頻譜組成中幅值最高的頻率值；x12代表頻譜中頻率最高的幅值。表1 為部分樣本示意表。

4 算法驗證

4.1 模型訓(xùn)練及測試

本文取實驗樣本共606 組，對改進(jìn)T-S-RBF 模型、傳統(tǒng)T-S-RBF 模型、GA-BP 模型進(jìn)行訓(xùn)練，其中正樣本300 組和負(fù)樣本306 組，樣本輸出標(biāo)簽1 代表“有火”，標(biāo)簽－1 代表“無火”。隨后用實驗采集的另外176 組測試樣本對上述得到的3 種模型進(jìn)行測試。在火焰的判斷中模型輸出值大于0 認(rèn)為存在火焰，模型輸出值小于0 認(rèn)為不存在火焰。

定義歸一化誤差為：

式(14)中訓(xùn)練時N＝606，測試時N＝176，ek代表第k個樣本的誤差。從圖12 中可看到，改進(jìn)后的模型因在模糊后件中模糊規(guī)則中加入了各特征分量的隸屬度關(guān)系，使得模型的局部響應(yīng)能力有較大的提升。表2 中可以看到，改進(jìn)后TS-RBF 模型不管是訓(xùn)練時的擬合程度，還是模型的泛化能力相較傳統(tǒng)的TS-RBF 模型、GA-BP 模型都有較大的提升，并且在對于火焰的判斷中的正確率也是達(dá)到了100%。

圖12 模型歸一化訓(xùn)練誤差比較圖Fig.12 Comparison of normalized training errors of models

表2 網(wǎng)絡(luò)效果比較Table 2 Comparison of network effects

4.2 模型魯棒性測試

上述3 種模型在常態(tài)工作情況下均能滿足應(yīng)用需求，但在數(shù)據(jù)發(fā)生一定程度損失，模型在可靠性方面存在較大差異。

本文針對3.8 μm 通道和5.0 μm 通道中分別出現(xiàn)的數(shù)據(jù)丟失、數(shù)據(jù)失真、數(shù)據(jù)飽和共6 種情況進(jìn)行魯棒性實驗。各情況分別提取了100 組測試樣本，其中正、負(fù)樣本各50 組對上述3 種正常數(shù)據(jù)訓(xùn)練完成的模型進(jìn)行測試。

1）數(shù)據(jù)丟失

從表3 可知，在單一非火焰通道發(fā)生數(shù)據(jù)丟失的情況下，改進(jìn)T-S-RBF 模型可較好地判斷火焰具有極高的魯棒性，傳統(tǒng)T-S-RBF 模型和GA-BP 模型都不能夠達(dá)到需求的判斷正確率，且分別在5.0 μm 和3.8μm 通道發(fā)生數(shù)據(jù)丟失的情況下模型基本失效。

表3 數(shù)據(jù)丟失模型效果比價Table 3 Comparison of data loss models

2）數(shù)據(jù)失真

從表4 可知，在單一非火焰通道發(fā)生數(shù)據(jù)失真的情況下，改進(jìn)T-S-RBF 模型可較好地判斷火焰具有極高的魯棒性。GA-BP 模型也在5.0 μm 通道發(fā)生數(shù)據(jù)失真時，表現(xiàn)出較好的預(yù)測能力，而傳統(tǒng)T-S-RBF 模型在5.0 μm 通道發(fā)生數(shù)據(jù)失真的情況下模型的預(yù)測能力極低無法達(dá)到要求。

表4 數(shù)據(jù)失真模型效果比價Table 4 Comparison of data distortion models

3）數(shù)據(jù)飽和

從表5 可以知道，在單一非火焰通道發(fā)生數(shù)據(jù)飽和的情況下，改進(jìn)T-S-RBF 模型表現(xiàn)出較強的火焰識別能力，具有極高的魯棒性。GA-BP 模型雖然也具有一定的預(yù)測能力，但遠(yuǎn)遠(yuǎn)達(dá)不到預(yù)測要求且輸出波動嚴(yán)重。傳統(tǒng)T-S-RBF 模型在單一非火焰通道發(fā)生數(shù)據(jù)飽和的情況下，模型完全失效失去判斷火焰的能力。

表5 數(shù)據(jù)飽和模型效果比價Table 5 Comparison of data saturation models

5 結(jié)論

本文提出的改進(jìn)T-S-RBF 算法，通過在模糊后件模糊規(guī)則輸出的計算中加入了特征分量的隸屬度，使得模型能夠有效抑制特征分量的波動所帶來的影響，同時在模糊規(guī)則適用度的生成規(guī)則中，充分考慮到不同特征對于不同種類樣本的表征程度。

結(jié)合三波段火焰探測器的設(shè)計和相關(guān)采集實驗數(shù)據(jù)的處理，實現(xiàn)了對模型的收斂速度、收斂精度、泛化能力、魯棒性等均進(jìn)行了驗證，并與傳統(tǒng)TS-RBF模型和GA-BP 模型進(jìn)行了同向比較，各項性能指標(biāo)上均有明顯的提升。同時，在模型訓(xùn)練復(fù)雜度、時間上較傳統(tǒng)的模型稍有增加，并且在如何快速確定最優(yōu)模糊規(guī)則數(shù)目上還有進(jìn)一步優(yōu)化空間。