T-S型RBF神经网络在红外火焰探测系统中的应用

基于T-S(Takagi-Sugeno,高木-关野)模型RBF(Radial Basis Function,径向基函数)神经网络,提出了一种应用于三波段点型红外火焰探测器的识别算法,同时实现了硬件电路以及软件程序的设计。针对火焰探测器在检测过程中可能出现的数据丢失、失真、饱和等复杂情况,本文利用RBF网络较优的逼近精度和泛化能力,同时结合T-S模型用少量的模糊规则可生成较复杂的非线性函数的特点,实现了火焰与干扰源的准确识别。实验证实,T-S模型RBF神经网络相比于BP(Back Propagation,反向传播)网络在逼近精度、收敛速度、鲁棒性等多个方面都有所提升。     

基于改进型T-S模糊RBF神经网络的红外火焰探测器识别算法

针对三波段红外火焰探测器中可能出现的单一非火焰波段通道的数据丢失、失真、饱和3种对火焰特征数据的强干扰情况,本文提出了一种改进型T-S(Takagi-Sugeno,高木-关野)模型RBF(Radial Basis Function,径向基函数)神经网络的火焰识别的鲁棒性融合算法.该算法通过聚类算法确定模型需要的模糊规则...     

基于LASSO回归的红外火焰探测器的设计与实现

基于LASSO回归,提出一种应用于三波段红外火焰探测器的具体识别算法,同时进行了硬件电路以及软件程序的设计。在火焰探测器在检测过程中可能出现数据不稳定、环境多样化的复杂情况,从而提取到的特征存在多样性和复杂性。本文利用LASSO回归良好的预测能力、系数压缩能力和特征选择能力,有效提升了对三波段红外火焰的精确度和灵敏度,同时LASSO回归还具有效率高、预测精度高、解释性强等特性。实验证明LASSO相比于传统火焰识别算法在逼近精度、收敛速度和鲁棒性等多个方面都有所提升。