一种基于模型超参数协同优化的火焰燃烧状态识别方法

本发明涉及城市固废焚烧，特别是涉及一种基于模型超参数协同优化的火焰燃烧状态识别方法。

背景技术：

1、由于城市固体废物焚烧厂运行的差异性、焚烧装置维护的不确定性和城市固体废物成分的不缺性波动，导致城市固体废物焚烧过程的火焰燃烧状态难以稳定。而现场多依赖领域专家对火焰燃烧状态的识别结果进行“布风布料”控制，这使得mswi企业的运行效益和污染成本无法得到准确保障。构建基于机器视觉的智能化燃烧状态识别模型，能够有效解决以上难题。

2、但是在已有的针对mswi过程的火焰燃烧状态识别研究中，所构建模型的超参数多基于重复实验所得经验进行确定，对时间、精力和计算资源等均有较大消耗，同时并不能保证模型具有最佳识别性能。因此，设计一种基于模型超参数协同优化的火焰燃烧状态识别方法是十分有必要的。

技术实现思路

1、本发明的目的是提供一种基于模型超参数协同优化的火焰燃烧状态识别方法，以实现对识别模型的效果优化，并使得识别模型能够自适应图像数据集的分布变化。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于模型超参数协同优化的火焰燃烧状态识别方法，包括如下步骤：

4、采集火焰的燃烧图像数据集；

5、构建vit-idfc识别模型，并将火焰的燃烧图像数据集输入至vit-idfc识别模型进行识别，得到识别结果；

6、根据火焰的燃烧图像数据集，对vit-idfc识别模型进行优化，得到优化后的识别模型；vit-idfc识别模型包括：vit模型和idfc模型；

7、利用优化后的识别模型，识别火焰的燃烧状态。

8、可选地，将火焰的燃烧图像数据集输入至vit-idfc识别模型进行识别，包括：

9、基于imagenet数据集对vit模型进行预训练，并对vit模型进行迭代优化，并得到优化后的权重和偏置参数；

10、基于迭代优化后的vit模型，对燃烧图像数据集进行迁移特征提取，得到深度特征；

11、对深度特征进行迁移特征选择，得到选择结果，并将选择结果与燃烧图像进行拼接，得到拼接特征，并将拼接特征输入idfc模型。

12、可选地，深度特征为：

13、

14、其中，为深度特征，fvit(·)为由嵌入层和编码层构成的vit深度特征提取模型，为燃烧图像数据集。

15、可选地，识别结果为：

16、

17、其中，fidfc(·)为idfc模型，为拼接特征，为火焰燃烧状态。

18、可选地，对vit-idfc识别模型进行优化，包括：

19、构建基于并行差分进化算法的vit-idfc超参数优化模块；

20、构建基于长短期记忆网络的并行差分进化算法参数优化模块；

21、构建基于强化学习的长短期记忆网络参数学习模块；

22、对基于并行差分进化算法的vit-idfc超参数优化模块、基于长短期记忆网络的并行差分进化算法参数优化模块和基于强化学习的长短期记忆网络参数学习模块进行超参数优化。

23、可选地，并行差分进化算法的具体步骤包括：

24、改变深度特征的参数；

25、对种群的规模、子种群数量、子种群变异因子和子种群交叉概率进行初始化；具体过程为：fitnessnp＝faccuracy(np)；其中，fitness为适应度值，np为子种群，faccuracy(·)为适应度评估操作；

26、通过并行差分进化算法对子种群数量进行随机划分，得到划分结果；具体过程为：f(np,α)＝{sub_np1,···,sub_npα,···,sub_npα}；其中，a为子种群数量，sub_npα为第α个子种群的大小；

27、根据并行算法和划分结果，在并行池中对子种群进行计算。

28、可选地，构建基于长短期记忆网络的并行差分进化算法参数优化模块，包括：

29、将并行差分进化算法的变异因子和交叉因子输入长短期记忆网络进行预测，得到各时间步长输出的集合，并基于各时间步长输出的集合，得到长短期记忆网络；长短期记忆网络为：

30、

31、其中，ct为长期记忆，ht为短期记忆，w为网络输出隐含层权重，lstm为长短期记忆网络形式，为时间步长，at为并行差分进化算法参数的取值。

32、可选地，超参数优化的具体步骤为：

33、对并行差分进化算法的种群、长短期记忆网络的初始长期记忆和长短期记忆网络的初始短期记忆进行初始化操作，并评估并行差分进化算法的的种群适应度，得到种群适应度的统计量；

34、将种群适应度的统计量、长短期记忆网络的初始长期记忆和长短期记忆网络的初始短期记忆输入至长短期记忆网络，得到并行差分进化算法的适应度值和交叉操作的参数；

35、根据并行差分进化算法的适应度值和交叉操作的参数，对vit-idfc识别模型进行优化，得到优化后的识别模型。

36、可选地，优化后的识别模型为：

37、

38、其中，znflame为拼接特征，为改变后的深度特征的参数，mbest为叶子节点最小样本数，jbest为决策树数量的最优值。

39、根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于模型超参数协同优化的火焰燃烧状态识别方法，该方法包括：采集火焰的燃烧图像数据集；构建vit-idfc识别模型，并将火焰的燃烧图像数据集输入至vit-idfc识别模型进行识别，得到识别结果；根据火焰的燃烧图像数据集，对vit-idfc识别模型进行优化，得到优化后的识别模型；vit-idfc识别模型包括：vit模型和idfc模型。利用优化后的识别模型，识别火焰的燃烧状态。该方法实现了对识别模型的效果优化，并使得识别模型能够自适应图像数据集的分布变化。

技术特征：

1.一种基于模型超参数协同优化的火焰燃烧状态识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于模型超参数协同优化的火焰燃烧状态识别方法，其特征在于，将火焰的所述燃烧图像数据集输入至所述vit-idfc识别模型进行识别，包括：

3.根据权利要求2所述的基于模型超参数协同优化的火焰燃烧状态识别方法，其特征在于，所述深度特征为：

4.根据权利要求2所述的基于模型超参数协同优化的火焰燃烧状态识别方法，其特征在于，所述识别结果为：

5.根据权利要求4所述的基于模型超参数协同优化的火焰燃烧状态识别方法，其特征在于，对所述vit-idfc识别模型进行优化，包括：

6.根据权利要求5所述的基于模型超参数协同优化的火焰燃烧状态识别方法，其特征在于，所述并行差分进化算法的具体步骤包括：

7.根据权利要求5所述的基于模型超参数协同优化的火焰燃烧状态识别方法，其特征在于，构建基于长短期记忆网络的并行差分进化算法参数优化模块，包括：

8.根据权利要求5所述的基于模型超参数协同优化的火焰燃烧状态识别方法，其特征在于，所述超参数优化的具体步骤为：

9.根据权利要求8所述的基于模型超参数协同优化的火焰燃烧状态识别方法，其特征在于，优化后的识别模型为：

技术总结本发明提供了一种基于模型超参数协同优化的火焰燃烧状态识别方法，该方法包括：采集火焰的燃烧图像数据集；构建ViT‑IDFC识别模型，并将火焰的燃烧图像数据集输入至ViT‑IDFC识别模型进行识别，得到识别结果；根据火焰的燃烧图像数据集，对ViT‑IDFC识别模型进行优化，得到优化后的识别模型；ViT‑IDFC识别模型包括：ViT模型和IDFC模型；利用优化后的识别模型，识别火焰的燃烧状态。该方法实现了对识别模型的效果优化，并使得识别模型能够自适应图像数据集的分布变化。技术研发人员：汤健,潘晓彤,夏恒,王天峥,乔俊飞受保护的技术使用者：北京工业大学技术研发日：技术公布日：2024/10/17