国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx

原始數(shù)據(jù)動(dòng)態(tài)觀察窗法在火災(zāi)特征信號(hào)融合提取中的應(yīng)用研究

2022-05-06 08:31:52李衛(wèi)高丁文婷趙望達(dá)
關(guān)鍵詞:誤報(bào)率步長(zhǎng)分類(lèi)器

李衛(wèi)高,丁文婷,趙望達(dá)

(1.清遠(yuǎn)市人防(民防)工程管理中心,廣東 清遠(yuǎn),511500;2.沈陽(yáng)建筑大學(xué) 土木工程學(xué)院,遼寧 沈陽(yáng),110168;3.中南大學(xué) 土木工程學(xué)院,湖南 長(zhǎng)沙,410075)

火災(zāi)發(fā)生過(guò)程是一個(gè)復(fù)雜多變的過(guò)程,信號(hào)特征有時(shí)波動(dòng)性較大,單一信號(hào)探測(cè)技術(shù)很難滿足火災(zāi)的復(fù)雜性和多特征性[1-2]。將多源信息融合、神經(jīng)網(wǎng)絡(luò)、模糊邏輯技術(shù)應(yīng)用于火災(zāi)探測(cè)及報(bào)警技術(shù)中,提出基于多源信息融合的火災(zāi)探測(cè)報(bào)警系統(tǒng)[3]。同時(shí)火災(zāi)特征信號(hào)融合提取算法的優(yōu)劣顯對(duì)火災(zāi)探測(cè)結(jié)果影響較大[4]。

多特征信號(hào)融合提取算法有線性方法特征提取和非線性方法特征提取[5],主要有原始數(shù)據(jù)動(dòng)態(tài)觀察窗法、主元成分分析(PCA)、獨(dú)立成分分析(ICA)、局部性嵌入(LLE)[6]、拉普拉斯特征映射[7]、等距映射[8]、神經(jīng)網(wǎng)絡(luò)、主曲線和表面等多種方法。Derbel F[9]提出原始數(shù)據(jù)動(dòng)態(tài)觀察窗測(cè)量一段時(shí)間內(nèi)參量變化的方法,該方法可以很好的解決局部波動(dòng)較大的信號(hào)的提取,對(duì)于火災(zāi)特征信號(hào)波動(dòng)下較大這一特性具有較好的適應(yīng)性。王學(xué)貴[10]提出若將全部數(shù)據(jù)采樣提取,會(huì)增加信息融合的維度。王殊[11]在提出的復(fù)合特定趨勢(shì)檢測(cè)算法基礎(chǔ)上進(jìn)一步改進(jìn),采用了長(zhǎng)度自動(dòng)變化的計(jì)算窗應(yīng)用于火災(zāi)自動(dòng)探測(cè)中能及時(shí)識(shí)別火災(zāi)。

利用創(chuàng)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)器,研究不同步長(zhǎng)、窗長(zhǎng)算法提取的訓(xùn)練樣本對(duì)于神經(jīng)網(wǎng)絡(luò)分類(lèi)器訓(xùn)練的影響,期待找到最優(yōu)的步長(zhǎng)和窗長(zhǎng)提取訓(xùn)練樣本。

1 火災(zāi)特征信號(hào)融合提取算法

1.1 神經(jīng)網(wǎng)絡(luò)分類(lèi)器訓(xùn)練樣本的建立

神經(jīng)網(wǎng)絡(luò)分類(lèi)器訓(xùn)練時(shí)的輸入端為火災(zāi)數(shù)據(jù),原始數(shù)據(jù)采樣間隔短,數(shù)據(jù)龐大,如果全部直接輸入會(huì)造成很大無(wú)用功。采用原始數(shù)據(jù)動(dòng)態(tài)觀察窗法對(duì)原始數(shù)據(jù)提取,該方法的主要兩個(gè)影響因素是窗長(zhǎng)和步長(zhǎng)。窗長(zhǎng)過(guò)小會(huì)導(dǎo)致局部錯(cuò)誤突變數(shù)據(jù)對(duì)探測(cè)結(jié)果造成影響,窗長(zhǎng)過(guò)長(zhǎng)又會(huì)導(dǎo)致某些突變趨勢(shì)無(wú)法及時(shí)體現(xiàn)[12]。步長(zhǎng)過(guò)小會(huì)導(dǎo)致數(shù)據(jù)處理量加大,步長(zhǎng)過(guò)長(zhǎng)也無(wú)法及時(shí)探測(cè)到火災(zāi)。另外窗長(zhǎng)與步長(zhǎng)之間還存在耦合問(wèn)題,如果兩者耦合好,會(huì)得到更好地訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。動(dòng)態(tài)觀察窗窗長(zhǎng)含義如圖1所示。

圖1 動(dòng)態(tài)觀察窗示意圖

神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本采用窗長(zhǎng)為5、10、15、20 s, 步長(zhǎng)為 5、10、15、20、25、30、35、40 s提取NIST FR系列試驗(yàn)中試驗(yàn)6的原始數(shù)據(jù)得到32個(gè)訓(xùn)練樣本。

FR 4016系列試驗(yàn)是由美國(guó)國(guó)家標(biāo)準(zhǔn)與技術(shù)研究院(NIST)開(kāi)展,目的是為了研究不同類(lèi)型傳感器在火災(zāi)探測(cè)及報(bào)警系統(tǒng)的性能,該試驗(yàn)在居民建筑內(nèi)開(kāi)展了一系列實(shí)體實(shí)際尺寸的試驗(yàn)。該建筑的建筑面積是84.7 m2,由臥室、浴室、廚房、客廳和餐廳等組成,FR 4016試驗(yàn)詳細(xì)情況及數(shù)據(jù)結(jié)果詳見(jiàn)試驗(yàn)報(bào)告[12]。

1.2 神經(jīng)網(wǎng)絡(luò)分類(lèi)器測(cè)試樣本的選取

數(shù)據(jù)測(cè)試樣本采用同為陰燃火的試驗(yàn)6的原始數(shù)據(jù),由于本次研究與火災(zāi)具體含義無(wú)關(guān),前邊陰燃階段各參數(shù)變化較小,僅截取6 500 s以后數(shù)據(jù),每5 s采樣一次最為最終測(cè)試樣本。

數(shù)據(jù)融合時(shí),需要對(duì)各參數(shù)進(jìn)行歸一化,然后再輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行分析。歸一化采用式(1)計(jì)算,計(jì)算后的數(shù)據(jù)位于0到1之間。由于只考慮網(wǎng)絡(luò)性能,歸一化時(shí)為了更為精確,不再考慮各種參數(shù)最大可能區(qū)間,

其中xmax為數(shù)據(jù)中最大數(shù)值,xmin為最小數(shù)值。本文選用試驗(yàn)6作為測(cè)試樣本,試驗(yàn)6截取試驗(yàn)數(shù)據(jù)曲線如圖2所示,歸一化結(jié)果如圖3所示。

圖2 試驗(yàn)6截取試驗(yàn)數(shù)據(jù)曲線圖

圖3 試驗(yàn)6數(shù)據(jù)歸一化結(jié)果

由圖3可知,160 s時(shí)發(fā)生了顯然的火災(zāi)特征,確定160 s為火災(zāi)臨界點(diǎn)。在分析火災(zāi)探測(cè)器性能時(shí),常采用靈敏度和錯(cuò)報(bào)率來(lái)評(píng)價(jià)探測(cè)器的性能。靈敏度為第一次輸出火災(zāi)信號(hào)的時(shí)間點(diǎn),錯(cuò)報(bào)率為非火災(zāi)時(shí)輸出火災(zāi)信號(hào)和火災(zāi)時(shí)輸出非火災(zāi)信號(hào)。本次試驗(yàn)中,網(wǎng)絡(luò)輸出值在160 s之后(含)第一次為火災(zāi)信號(hào)的時(shí)間,響應(yīng)時(shí)間越短,說(shuō)明探測(cè)器靈敏度越高;160 s之前為非火災(zāi)信號(hào),160 s之后(含)為火災(zāi)信號(hào),160 s之前網(wǎng)絡(luò)輸出為火災(zāi)的概率和160 s之后網(wǎng)絡(luò)輸出為非火災(zāi)的概率之和為誤報(bào)率。

1.3 神經(jīng)網(wǎng)絡(luò)分類(lèi)器建立

本文對(duì)神經(jīng)網(wǎng)絡(luò)分類(lèi)器本身性能不作研究,簡(jiǎn)單選用Matlab中默認(rèn)的BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練和仿真。其隱含層節(jié)點(diǎn)數(shù)為7。設(shè)定網(wǎng)絡(luò)輸出0.6以上(含)為火災(zāi),0.6以下為非火災(zāi)。

Matlab中數(shù)據(jù)讀取及仿真部分代碼如下:

2 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和測(cè)試結(jié)果

利用32個(gè)訓(xùn)練樣本對(duì)建立的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練學(xué)習(xí),再利用測(cè)試樣本進(jìn)行仿真實(shí)驗(yàn),測(cè)試結(jié)果如下(其中訓(xùn)練步長(zhǎng)表示神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步長(zhǎng))。

(1) 5 s窗長(zhǎng)

5 s步長(zhǎng),訓(xùn)練次數(shù)21次,探測(cè)點(diǎn)160,誤報(bào)率0%;10 s步長(zhǎng),訓(xùn)練次數(shù)10次,探測(cè)點(diǎn)165,誤報(bào)率1.39%;15 s步長(zhǎng),訓(xùn)練次數(shù)10次,探測(cè)點(diǎn)165,誤報(bào)率1.39%;20 s步長(zhǎng),訓(xùn)練次數(shù)30次,探測(cè)點(diǎn)160,誤報(bào)率4.17%;25 s步長(zhǎng),訓(xùn)練次數(shù)6次,探測(cè)點(diǎn)195,誤報(bào)率9.72%;30 s步長(zhǎng),訓(xùn)練次數(shù)7次,探測(cè)點(diǎn)175,誤報(bào)率4.17%;35 s步長(zhǎng),訓(xùn)練次數(shù)8次,探測(cè)點(diǎn)175,誤報(bào)率8.33%;40 s步長(zhǎng),訓(xùn)練次數(shù)36次,探測(cè)點(diǎn)140,誤報(bào)率12.5%。

(2) 10 s窗長(zhǎng)

5 s步長(zhǎng),訓(xùn)練次數(shù)19次,探測(cè)點(diǎn)165,誤報(bào)率1.39%;10 s步長(zhǎng),訓(xùn)練次數(shù)13次,探測(cè)點(diǎn)165,誤報(bào)率1.39%;15 s步長(zhǎng),訓(xùn)練次數(shù)8次,探測(cè)點(diǎn)170,誤報(bào)率2.78%;20 s步長(zhǎng),訓(xùn)練次數(shù)9次,探測(cè)點(diǎn)165,誤報(bào)率2.78%;25 s步長(zhǎng),訓(xùn)練次數(shù)21次,探測(cè)點(diǎn)175,誤報(bào)率4.17%;30 s步長(zhǎng),訓(xùn)練次數(shù)8次,探測(cè)點(diǎn)170,誤報(bào)率2.78%;35 s步長(zhǎng),訓(xùn)練次數(shù)9次,探測(cè)點(diǎn)195,誤報(bào)率9.72%;40 s步長(zhǎng),訓(xùn)練次數(shù)8次,探測(cè)點(diǎn)160,誤報(bào)率5.56%。

(3) 15 s窗長(zhǎng)

5s步長(zhǎng),訓(xùn)練次數(shù)21次,探測(cè)點(diǎn)160,誤報(bào)率0%;10 s步長(zhǎng),訓(xùn)練次數(shù)11次,探測(cè)點(diǎn)160,誤報(bào)率0%;15 s步長(zhǎng),訓(xùn)練次數(shù)8次,探測(cè)點(diǎn)170,誤報(bào)率2.78%;20 s步長(zhǎng),訓(xùn)練次數(shù)8次,探測(cè)點(diǎn)170,誤報(bào)率2.78%;25 s步長(zhǎng),訓(xùn)練次數(shù)12次,探測(cè)點(diǎn)170,誤報(bào)率6.94%;30 s步長(zhǎng),訓(xùn)練次數(shù)17次,探測(cè)點(diǎn)180,誤報(bào)率5.56%;35 s步長(zhǎng),訓(xùn)練次數(shù)7次,探測(cè)點(diǎn)165,誤報(bào)率1.39%;40 s步長(zhǎng),訓(xùn)練次數(shù)18次,探測(cè)點(diǎn)165,誤報(bào)率2.78%。

(4) 20 s窗長(zhǎng)

5 s步長(zhǎng),訓(xùn)練次數(shù)11次,探測(cè)點(diǎn)160,誤報(bào)率0%;10 s步長(zhǎng),訓(xùn)練次數(shù)22次,探測(cè)點(diǎn)160,誤報(bào)率0%;15 s步長(zhǎng),訓(xùn)練次數(shù)9次,探測(cè)點(diǎn)160,誤報(bào)率4.17%;20 s步長(zhǎng),訓(xùn)練次數(shù)5次,探測(cè)點(diǎn)170,誤報(bào)率2.78%;25 s步長(zhǎng),訓(xùn)練次數(shù)9次,探測(cè)點(diǎn)165,誤報(bào)率4.17%;30 s步長(zhǎng),訓(xùn)練次數(shù)5次,探測(cè)點(diǎn)160,誤報(bào)率0%;35 s步長(zhǎng),訓(xùn)練次數(shù)8次,探測(cè)點(diǎn)170,誤報(bào)率2.78%;40 s步長(zhǎng),訓(xùn)練次數(shù)7次,探測(cè)點(diǎn)170,誤報(bào)率2.78%。

在此僅給出10 s窗長(zhǎng)、不同步長(zhǎng)提取訓(xùn)練樣本訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)測(cè)試結(jié)果(圖4)。

圖4 10s窗長(zhǎng)下不同步長(zhǎng)測(cè)試結(jié)果描點(diǎn)圖

3 結(jié)果分析

3.1 步長(zhǎng)對(duì)測(cè)試結(jié)果的影響

在設(shè)定相同窗長(zhǎng)情況下,研究不同步長(zhǎng)對(duì)探測(cè)性能的影響。以步長(zhǎng)為橫坐標(biāo)作圖,可以得到不同步長(zhǎng)下訓(xùn)練得到的BP網(wǎng)絡(luò)訓(xùn)練分類(lèi)器的響應(yīng)時(shí)間和錯(cuò)報(bào)率曲線圖(見(jiàn)圖5和圖6)。

圖5 分類(lèi)器響應(yīng)時(shí)間曲線

圖6 分類(lèi)器錯(cuò)報(bào)率曲線

從響應(yīng)時(shí)間曲線上可以看出,在較小窗長(zhǎng)下,響應(yīng)時(shí)間隨著步長(zhǎng)增加變大,且整體波動(dòng)較大,在較大窗長(zhǎng)下,響應(yīng)時(shí)間隨著步長(zhǎng)增加略有增加,且整體波動(dòng)較小。

從錯(cuò)報(bào)率曲線上可以看出,在較小窗長(zhǎng)下,錯(cuò)報(bào)率時(shí)間隨著步長(zhǎng)增加變大,且變化幅度較大,在較大窗長(zhǎng)下,錯(cuò)報(bào)率隨著步長(zhǎng)增加略有增加,且增幅較小。

綜上,步長(zhǎng)越短,探測(cè)性能越好,但是過(guò)短的步長(zhǎng)會(huì)增加神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)。5 s較10 s各參數(shù)變化較小,所以建議采用10 s步長(zhǎng),且采用3種特征分類(lèi)器時(shí),對(duì)訓(xùn)練數(shù)據(jù)的提取步長(zhǎng)不應(yīng)超過(guò)20 s。

3.2 窗長(zhǎng)對(duì)測(cè)試結(jié)果的影響

在設(shè)定相同步長(zhǎng)情況下,研究不同窗長(zhǎng)對(duì)探測(cè)性能的影響。以窗長(zhǎng)為橫坐標(biāo)作圖,可以得到不同窗長(zhǎng)下訓(xùn)練得到的BP網(wǎng)絡(luò)訓(xùn)練分類(lèi)器的響應(yīng)時(shí)間和錯(cuò)報(bào)率曲線圖(見(jiàn)圖7和圖8)。

圖7 分類(lèi)器響應(yīng)時(shí)間曲線

圖8 分類(lèi)器錯(cuò)報(bào)率曲線

由圖7和圖8可知,響應(yīng)時(shí)間隨著窗長(zhǎng)增加變小,錯(cuò)報(bào)率隨著窗長(zhǎng)增加變小。

綜上,窗長(zhǎng)越長(zhǎng),探測(cè)性能越好,窗長(zhǎng)過(guò)長(zhǎng)會(huì)導(dǎo)致部分突變火災(zāi)信號(hào)無(wú)法捕捉,10 s步長(zhǎng)情況下,15 s窗長(zhǎng)和20 s窗長(zhǎng)性能一樣,建議采用15 s窗長(zhǎng),且采用3種特征分類(lèi)器時(shí),對(duì)訓(xùn)練數(shù)據(jù)的提取窗長(zhǎng)不應(yīng)低于15 s。

4 結(jié)論

(1)動(dòng)態(tài)觀察窗融合提取火災(zāi)特性信號(hào)時(shí),采用步長(zhǎng)越短,窗長(zhǎng)越長(zhǎng),探測(cè)性能越好,反之,性能越差。

(2)5 s窗長(zhǎng),40 s步長(zhǎng)響應(yīng)時(shí)間小于160 s,產(chǎn)生非火災(zāi)信號(hào)作為火災(zāi)信號(hào)誤報(bào),這是因?yàn)榛馂?zāi)特征信號(hào)波形性較大,過(guò)于小的窗長(zhǎng)與過(guò)于大的步長(zhǎng),會(huì)使神經(jīng)網(wǎng)絡(luò)捕捉到環(huán)境的影響信號(hào)而產(chǎn)生誤判。

(3)步長(zhǎng)過(guò)短會(huì)增加訓(xùn)練對(duì)于硬件資源的要求,窗長(zhǎng)過(guò)長(zhǎng)會(huì)導(dǎo)致某些突變火災(zāi)信號(hào)探測(cè)不靈敏,建議選用10 s步長(zhǎng)和15 s窗長(zhǎng)。

猜你喜歡
誤報(bào)率步長(zhǎng)分類(lèi)器
基于GRU-LSTM算法的物聯(lián)網(wǎng)數(shù)據(jù)入侵檢測(cè)分析
基于SSA-SVM的網(wǎng)絡(luò)入侵檢測(cè)研究
基于Armijo搜索步長(zhǎng)的BFGS與DFP擬牛頓法的比較研究
家用燃?xì)鈭?bào)警器誤報(bào)原因及降低誤報(bào)率的方法
煤氣與熱力(2021年6期)2021-07-28 07:21:40
BP-GA光照分類(lèi)器在車(chē)道線識(shí)別中的應(yīng)用
加權(quán)空-譜與最近鄰分類(lèi)器相結(jié)合的高光譜圖像分類(lèi)
結(jié)合模糊(C+P)均值聚類(lèi)和SP-V-支持向量機(jī)的TSK分類(lèi)器
神經(jīng)網(wǎng)絡(luò)技術(shù)在網(wǎng)絡(luò)入侵檢測(cè)模型及系統(tǒng)中的應(yīng)用
基于逐維改進(jìn)的自適應(yīng)步長(zhǎng)布谷鳥(niǎo)搜索算法
基于LLE降維和BP_Adaboost分類(lèi)器的GIS局部放電模式識(shí)別
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
竹山县| 清河县| 南平市| 滁州市| 石河子市| 仁寿县| 泰兴市| 惠水县| 盘锦市| 泗阳县| 益阳市| 富民县| 静宁县| 尉犁县| 佛教| 哈巴河县| 庆安县| 常山县| 含山县| 乌兰浩特市| 汉源县| 红原县| 武穴市| 南京市| 隆尧县| 红河县| 建瓯市| 贡山| 纳雍县| 永安市| 桃园市| 平和县| 万山特区| 林西县| 嫩江县| 浏阳市| 柳江县| 乐山市| 巴南区| 福泉市| 周口市|