1. 一种改进的极限学习机的火灾种类识别方法,其特征在于:所述识别方法包括如下 步骤: 步骤1:用一氧化碳传感器、二氧化碳传感器、溫度传感器、烟雾传感器、电流传感器采 集各种可燃物在燃烧初期一些特征值;一个样本集合表示为P = {pi, P2 , P3,P4,P日,yi },P1,P2, P3,P4,P5分别表示各传感器检ii到的数据,yi,1 = 1,2.. .η表示可燃物种类; 步骤2:将每个样本的特征值都归一化到[-1,1 ]区间,同时对可燃物类型进行编码,过 程如下:• · ·,5,Xh为归一化后的值,Pmax为5个传感器中最大的值, Pmin为5个传感器中最小的值; 不同可燃物表示为:Υι=[1,〇,〇...,〇],Υ2 = [0,1,0,...,0],......,Υη= [0,0,0,...,1] 分别表示第一类可燃物,第二类可燃物,.......,第η类可燃物; 步骤3:初始化ELM网络模型和POS粒子群参数,过程如下: 3.1. 确定ELM网络输入层、隐含层、输出层节点个数和隐含层的传输函数,输入层节点 数为样本特征数,隐含层节点个数为L = 2*m+l,m为输入层节点数,输出层节点数为待区分 的可燃物类型数; 3.2. 初始化粒子群算法各类参数,包括种群大小K,加速因子C1,C2,惯性权重W,随机数 , Γ2,私子位置捜索氾围[amin ,amax],速度捜索氾围[Vmin , Vmax]; 3.3. 初始化输入层与隐含层之间的连接权值ω,隐含层的阔值b; 步骤4:根据训练样本和步骤3确定的初始参数计算每个种群的适应度值,过程如下: 4.1. 由训练样本和设定的网络参数得至化LM网络的输出为:其中,X徒示第j个样本的输入值,j = l,2-N,N表示样本总数,t功第j个样本的输出 值,扣表示隐含层第i个节点与输出层之间的连接权值,ωι表示输入层与隐含层第i个节点 之间的连接权值,bi为隐含层第i个节点的阔值,当激励函数为g(x),含一个隐含层神经元 节点的前馈神经网络W零误差逼近N个训练样本时,存在β,ω,b使得简化得地=Υ,从而解得输出权值β =化Y,H为隐含层输出矩阵,Υ为期望输出矩阵,化为 隐含层输出矩阵的Moore-Penrose广义逆; 4. 2.计算Ηβ = Τ,然后比较计算所得T与期望输出Y,统计分类错误总个数 MisClassication,则适应度步骤5:确定最大迭代数,用粒子群算法寻找使fitness最小的β,过程如下: 5.1. 对粒子速度和位置进行更新:
其中W = Wmax- ( Wmax-Wmin ) · t/ tmax,t为当前迭代次数,Wmax为最大惯性权重,Wmin为最小惯 性权重,tmax为最大迭代次数,保,的为个体最优值,化为种群最优值,故d(t)为当前粒子 值,下标k表示第k个粒子,k = 1,2 · · ·Κ,d表示粒子的第d维; 故d(t+l)=ft«i(t)+Vkd(t+l) 5.2 .判断更新后的Vkd,故d是否超过规定的范围,若Vkd > Vmax,则Vkd = Vmax,若Vkd < Vmin,则 Vkd = Vmin; 右,贝!Jftid 二技nax ,右故d<0min ,贝!Jftid 二 finin ; 5.3. 把目前得到的新位置化d根据步骤4.2计算得到新的fitness,然后进行个体最优更 新,如果当自U适应度f kd
2. 如权利要求1所述的一种改进的极限学习机的火灾种类识别方法,其特征在于:所述 步骤4.1中,激励函数g(x)为Sigmoid函数。
3. 如权利要求1或2所述的一种改进的极限学习机的火灾种类识别方法,其特征在于: 所述步骤4.1中,求解β的方法为最小二乘法。