火灾是威胁人民生命财产安全的重要因素之一, 每年造成的直接经济损失都是巨大的^[1]。因此, 提前对火灾进行预测, 有效的把损失降到最低是极其重要的。传统的火灾检测方法是以单一的火灾信息作为特征对象, 通过阈值判别法对信息进行处理, 检测火灾情况^[2]。但由于外界的干扰条件会出现误报、漏报的问题, 而且对不同表现形式的火灾不能做出及时而准确的判断^[3], 因此, 一种智能高效的火灾预测方法可以有效地降低火灾带来的损失。国内外许多专家和学者为此做过相关的研究。李伟山等^[4]提出一种基于LSTM(Long Short Time Memory, 长短时记忆网络)的煤矿瓦斯预测预警系统, LSTM实现对瓦斯浓度的预测。赵爱蓉^[5]提出一种基于小波分析及BP(Back Propagation, 反向传播)神经网络的瓦斯浓度预测方法, 发挥小波函数强大的降噪滤波作用和BP神经网络可以拟合任何线性和非线性关系的能力, 实现瓦斯浓度预测。张昭昭等^[6]提出一种基于动态神经网络的瓦斯浓度实时预测模型, 该模型在实时预测瓦斯浓度的过程中, 能够根据矿井中瓦斯浓度的实时变化动态修正神经网络预测模型, 以提高瓦斯浓度实时预测精度。汤群芳^[7]提出一种基于模糊神经网络的火灾数据处理方法, 将模糊控制处理问题的模糊性优势应用到火灾预测中, 降低了火灾检测系统的误报、漏报率。以上方法在解决火灾预测和检测方面具有一定的效果, 但采用了较为简单的神经网络类型，仅仅利用单一的火灾信息特征, 其效果并不突出, 故分析火灾数据之间的关系, 进一步降低火灾检测系统的误报、漏报率仍是一个有待解决的问题。

针对以上问题, 结合现有的神经网络模型, 提出一种基于LSTM和RBF-BP(Radial Basis Function and Back Propagation, 径向基反向传播网络)神经网络的多源信息融合火灾预测算法, 以烟雾浓度、CO浓度、温度多个信息源作为提取特征, 将LSTM和混合RBF-BP神经网络对提取特征进行训练, 生成火灾预测模型。通过仿真实验证明, 此方法要优于现有的火灾预测模型, 具有更好的预测性能。

1 系统结构

为提高火灾预测的性能, 需考虑两个问题:哪些环境信息作为特征量; 如何获取信息。针对这两个问题设计火灾预测模型, 图 1所示为模型结构。

由图 1可知, 采用三组信号送入到信息层进行预处理, 比如滤波、去噪、归一化等。在进行局部决策的过程中设定阈值, 利用速率检测算法判断每种信号是否在一定时间里存在异常, 当超过设定阈值时, 将三组特征信号传送到神经网络模型中。此时, 首先是借助LSTM的优势对特征信号进行训练学习, 然后再进入到RBF-BP混合神经网络对各个特征信号自适应学习, 得到三种火灾概率。决策层得到三种火灾概率的估计信息, 进入模糊控制模型, 按照定义的模糊推理规则进一步分析, 从而得到待观测环境火灾发生的概率, 将其作为最终的火灾检测概率, 本文的研究主要针对特征层的改进。

火灾的发生具有随机性, 传感器实时监视和收集现场的环境信息, 如果将收集到的所有数据上传至特征层的神经网络模型, 将会增加毫无意义的工作量^[8]。故除滤波、整形外, 还需对每种传感器有无异常信号进行局部决策, 局部决策采用的是前面提到的速率检测算法^[9]。算法的具体步骤为:

1) 在一段时间t(t=1, 2, …, n)内, 三种传感器分别采用N组信号x_c(CO浓度信号), x_s(烟雾浓度信号), x_t(温度信号)。

2) 在此时间段内, 每种传感器采集的N组烟雾浓度信号中每两个相邻信号差的总和为:

$ Y = \mathop \sum \limits_{t = 1}^{N - 1} [x(t + 1) - x(t)] $

(1)

3) 对每种传感器在此时间段的局部决策为:

$ B = f(Y - {Y_\tau }) $

(2)

其中, Y_τ为每种传感器的报警门限。

当三种传感器在此时间段的局部决策(B_c, B_s, B_t)有一个值为1时, 说明此时间段内有一个信号为异常状态, 当前检测环境可能发生火灾。此时, 将三种传感器采集到的信号提交给神经网络模型, 否则, 取消上传采集到的信号, 继续进行信号采集和局部决策。

2 算法 2.1 LSTM神经网络算法

LSTM神经网络作为循环神经网络的一种特殊形式, 克服了普通RNN(Recurrent Neural Network, 循环神经网络)不能进行长时记忆信息的缺点, 并且对时间序列具有良好的分析能力, 能够分析时间序列隐藏的数据关系^[10]。原始的RNN神经网络只有H一个状态, 能够对短期的输入信息进行准确判断, 而LSTM神经网络在原始RNN的基础上增加了单元状态C, 可以用来存储长期的信息, 它是LSTM网络模型的关键, 将信息从一个单元传输到下一个单元, 以此循环, 从而实现长短时数据信息的保存。根据LSTM神经网络以上特点, 火灾特征信号正是一串时间序列, 完全符合LSTM神经网络的要求, LSTM的基本结构图按时间序列展开如图 2所示。

设火灾特征信号为X(t₁), X(t₂), X(t₃)分别代表CO浓度信号、烟雾浓度信号和温度信号, LSTM神经网络算法通过网络中的“门”来实现, “门”可以用来选择信息是否有效地通过, 可由Sigmoid函数和一个点乘运算来完成, Sigmoid函数的输出区间为[0, 1]。当取0时, 输入信息与0进行点乘完成数据的完全遗忘, 当取1时, 输入数据与1进行点乘完成数据的完全记忆保存。一个LSTM单元包括遗忘门、输入门和输出门三部分, 每部分都有各自的功能。

遗忘门主要通过一个Sigmoid函数来完成, 它以上一个单元的输出数据信号H(t-1)和该时刻的输入的火灾信号X(t)作为输入, 通过产生(0, 1)值来确定C(t-1)单元状态信息被遗忘的程度, 其计算公式如下:

$ {f_t} = \sigma ({W_f} \cdot [{H_{(t - 1)}},{X_t}] + {b_f}) $

(3)

其中, W_f为遗忘门的权重矩阵, b_f为遗忘门的偏置项, σ为Sigmoid函数。

输入门是通过与一个Tanh函数的配合来确定哪些新的火灾信号输入信息可以被输入到网络。Tanh函数经运算得到新的变量C(t)^*, 输入门会产生一个(0, 1)的值并将其赋给C(t)^*, 从而控制新输入信息的输入网络的多少, 结合遗忘门所得到的输出f_t以及输入门所得到的输出i_t, 就得到了新的记忆单元的单元状态信息C(t), 其公式如下所示:

$ {{i_t} = \sigma ({W_i} \cdot [{H_{(t - 1)}},{X_t}] + {b_i})} $

(4)

$ {C{{(t)}^ * } = Tanh ({W_c} \cdot [{H_{(t - 1)}},{X_t}] + {b_c})} $

(5)

$ {C(t) = {f_t} * C(t - 1) + {i_t} * C{{(t)}^ * }} $

(6)

其中, W_i为输入门的权重矩阵, b_i为输入门的偏置项, W_c为单元状态的权重矩阵, b_c为单元状态的偏置项, σ为Sigmoid函数。

输出门控制当前单元的状态信息丢失量的多少, 输出门通过产生一个(0, 1)的值并将其赋予单元状态的每一项, 从而控制单元状态的过滤程度, 其公式如下:

$ {{O_t} = \sigma ({W_o} \cdot [{H_{(t - 1)}},{X_t}] + {b_o})} $

(7)

$ {H(t) = {O_t} * tanh (C(t))} $

(8)

其中, W_o为单元状态的权重矩阵, b_o为单元状态的偏置项, σ为Sigmoid函数。

2.2 RBF-BP神经网络算法

BP神经网络作为传统的前馈全连接神经网络, 通过设定学习率和损失函数, 经过反向误差传播算法不断更新权值和阈值, 激活函数一般选用S型函数, 它能有效地训练网络, 但收敛速度慢, 存在局部最小值的问题^[11]; 而RBF神经网络只包含三层网络结构, 激活函数一般采用高斯函数, 它有BP神经网络不能及的泛化能力, 训练精确度也优于BP神经网络, 但对于测试数据的预测在准确率上存在不足。

为了得到更加准确高效的网络结构实现对火灾高效性的预测, 将BP神经网络与RBF神经网络结合, 使该网络同时获得这两种网络的优点。把BP神经网络与RBF神经网络分别作为两个子网络, 前者设定隐含层为两层, 激活函数选用Sigmoid函数; 后者隐含层数为一层, 激活函数选用高斯函数, 通过将BP神经网络的输出作为RBF神经网络的输入实现两个子网络的融合。RBF-BP神经网络模型如图 3所示。

火灾特征信号经LSTM神经网络训练后进入RBF-BP神经网络, RBF-BP神经网络的算法实现主要包括前向传播和误差反向传播两部分。前向传播是将每一个神经元的输入值与权值矩阵相乘后再加上偏置项, 经激活函数后得到该神经元的输出, 其公式如下所示:

$ ou{t_i} = \sigma ({w_i} * {x_i} + {b_i}) $

(9)

其中, w_i为输入门的权重矩阵, b_i为输入门的偏置项, σ为Sigmoid函数。

误差反向传播是一个不断更新权值和偏置值的过程, 通过设定损失函数, 选择一个优化器不断降低损失函数值, 这里优化器选用梯度下降法, 损失函数选用均方根误差函数, 其公式如下:

$ {\mu _{mse}} = \frac{1}{N}\sum\limits_{i = 1}^N {{{({y_{tar}} - {y_{pre}})}^2}} $

(10)

其中, N为数据个数, y_tar为真实值, y_pre为预测值。

3 仿真实验

为了验证所提方法的有效性, 设计了两组实验。实验1:LSTM火灾特征信息预测实验; 实验2:LSTM和RBF-BP深度学习模型火灾预测实验。实验采用的数据集选用国家标准试验火的标准数据, 实验数据进行打乱与重新排列的预处理, 增强实验的可靠性。训练集400组, 测试集80组。

3.1 LSTM火灾特征信息预测实验

该实验在TensorFlow深度学习框架下完成, 将三种火灾特征信号作为LSTM的输入, 第一层隐藏层采用50个神经元节点, 第二层隐藏层设置100个神经元节点, 激活函数选用sigmoid函数, 损失函数为μ_mse, 将其作为评价网络性能的指标, 输出为三种火灾特征信号的预测值。

将烟雾浓度的训练集和测试集先后输入LSTM神经网络, 由图 4(a)可知, 随着迭代次数的增加, 网络模型均方误差值逐渐减小并最后趋于稳定。由图 4(b)可知, 在时间序列上LSTM神经网络对烟雾浓度的预测值只有少部分数据与真实值产生偏差, 总体的拟合度是一样的。因此, LSTM神经网络对烟雾浓度的预测是可行的。

将CO浓度的训练集和测试集先后输入LSTM神经网络得到网络运行时的loss曲线如图 5(a)所示, 损失函数值在前150个周期内迅速下降, 大约在第300个周期时趋于稳定。由图 5(b)的测试数据预测输出值和真实值对比可以清楚的看出该网络模型较好的拟合性能。

将温度的训练集和测试集先后输入神经网络模型进行测试, 如图 6(a)所示, 经过400次迭代周期, 损失函数曲线逐渐趋于平缓。由图 6(b)可知, 真实值与预测值的曲线走势大致重合, 说明预测值的准确率高, 能够达到预期的效果。

根据3个变量的实验结果可以得出LSTM神经网络对于时间序列上数据预测的高效准确性, 通过LSTM神经网络随火灾特征信息处理可以提高火灾预测网络整体的预测性能。

3.2 LSTM和RBF-BP深度学习模型火灾预测实验

将LSTM预测的火灾特征信息分别通过BP神经网络、RBF神经网络以及RBF-BP神经网络进行预测, 将输出变量的均方根误差作为比较条件来比较三种网络的性能, 其结果如图 7所示。从图中可以看出RBF-BP神经网络相比于文中提到的另外两种神经网络具有较低的均方根误差, 说明RBF-BP神经网络对有火概率、无火概率以及阴燃火概率的预测准确率要高于BP神经网络和RBF神经网络, 进而说明该网络在火灾预测性能上要优于另外两种神经网络。

对三种火型的每一种火型概率预测结果随机选取10个样本点的值, 并对其取平均值作为均方根误差比较指标, 其公式如下:

$ A{v_{mse}} = \frac{{\sum\limits_{i = 0}^{10} {{\mu _{mse}}} }}{{10}} $

(11)

其中, μ_mse是随机取的十个样本点的均方根误差值, Av_mse是均方根误差值的平均值。同时记录每一种网络测试的测试时长作为时间性能的对比指标, 表 1是三种网络在不同性能指标上三种输出变量的预测结果对比。

由表 1的对比分析结果可以得出, RBF-BP神经网络无论是在预测准确率还是在测试速度上都要优于本文所提及的另外两个神经网络模型, 因此使用RBF-BP神经网络对火灾预测是更加高效的。

4 结论

本文提出了一种基于LSTM和RBF-BP深度学习模型的多源信息融合火灾预测方法, 将深度学习理论和多源信息融合方法应用到火灾检测系统中, 来优化火灾预测过程, 提高火灾检测系统识别的精度。该方法通过LSTM和RBF-BP神经网络在多源信息融合的特征层对火灾特征信号进行训练学习, 降低了火灾检测系统的误报率和漏报率, 提高了火灾检测系统的性能。仿真实验表明, 该方法有效的完成火灾检测, 较传统的和单一神经网络方法具有更快的收敛速度和更小的误差, 使火灾检测系统更具智能性和准确性, 更加满足对于火灾预测的要求。