LVQ神经网络算法流程

《LVQ神经网络算法流程》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、LVQ神经网络算法流程针对火灾火焰视频图像特征分析，结合线性分类功能更强的学习向量量化(LVQ）神经网络，本文提出了一种基于偏心率、放射性、整体移动性和面积变化等特征信息融合的火焰识别LVQ神经网络模型，图5-4为LVQ神经网络火焰特征识别模型，算法识别步骤如下：图5-4LVQ神经网络火焰特征识别模型算法步骤：步骤1：提取实验场景中可疑区域的火焰样本图像序列的特征参数（偏心率、放射性值、整体移动自相关、面积自相关），建立样本数据库，对数据进行预处理。步骤2：对LVQ神经网络竞争层的各神经元权值向量，j=1,2，…m赋与小随机数进行初始化，输入初始学习速率和火焰识别的训练次数。步骤3：获

2、取可疑火焰的动态特征向量，设置参考目标向量。步骤4：将输入向量送入输入层，并根据式（1）计算竞争层神经元与输入向量的距离。（1）式中，为输入层神经元j与竞争层的神经元i之间的权值。步骤5：选择与输入向量距离最小的竞争层神经元，若最小，则标记与之连接的线性输出层神经元的类标签为。步骤6：标记输入向量对应的类标签为，若，根据式（2）调整权值；否则，根据式（3)进行权值更新：（2）（3）步骤7：返回步骤2进行权值调整，直到达到预设的训练次数和和精度要求。步骤8：将可疑火焰样本图像的测试样本集输入到训练好的LVQ神经网络中，进行分类。表1火焰识别系统判定情况分布判定算法系统判为火焰个数系统判为

3、干扰个数真实火焰个数AB真实干扰个数CD步骤9：输出测试结果并分析，得到真实火焰和干扰物检测的识别率，识别方法见表1。其中，待测样本中，真实火焰的个数为A+B,干扰物个数为C+D，火焰识别率为H=A/（A+B）；干扰物识别率为G=D/(C+D)。为了验证提出算法的有效性，实验采用的样本图像分为两类，1）室内监控录像系统,其中干扰源是人为设置的包括灯光、手电光、蜡烛光以及蜡烛体等，单帧如图5-5所示；2）真实火灾火焰的视频图像片断，单帧如图5-6所示。通过分别提取每类样本各25帧火焰图像，对样本图像预处理及偏心率、放射性、整体移动性和面积变化等动态特征提取，采取人工输入方式将每类图像序列

4、可疑区域的多特征信息输入到LVQ神经网络进行训练，利用训练好的LVQ神经网络对待测可疑火焰样本进行测试。实验过程中，针对可疑火焰数据库中的75组数据，随机选取50组作为训练样本，25组作为待测试样本。数据库文件中每组数据共5个字段，1～4为可疑火焰特征（偏心率、放射性、整体移动自相关、面积自相关），第5字段为参考目标值，设置1为火焰，2为干扰物。图5-5室内火灾现场图5-6室外真实火灾对上述两类视频序列利用LVQ神经网络仿真进行火焰识别，实验结果见文件夹：实验1和实验2。