烟感检测模型的训练方法、烟雾检测方法及电子设备与流程

1.本发明涉及烟雾检测技术领域，尤其涉及一种烟感检测模型的训练方法、烟雾检测方法及电子设备。


背景技术：

2.厨房安全关系着人们日常的生命财产安全，目前市面上常用的烟雾检测技术多为光电式检测技术，通过光束发射器发射光束照射到烟雾颗粒上形成散射，由接收器接收产生电信号，从而计算当前烟雾浓度。在烟雾探测器中常用的为典型的点式烟雾探测器，这种探测器多通过阈值判断来认定是否需要报警，对于非火灾产生的烟雾不敏感，容易出现误报漏报的问题。并且，市面上的家用光电式烟雾探测器多通过结构、硬件提高抗干扰性，但是，该种方法对于烟雾检测的方法并不足够精确。
3.例如：方案一，通过吸气装置来判断当前烟雾是否大于阈值，但该方案容易在多油烟的环境下易产生误报；方案二，通过图像识别模块对火焰进行识别，但该方案在阴燃情况下容易漏报；方案三，采集感应到烟雾时的电流，但该方案并没有做出处理，且易于受到其他烟雾的干扰，产生误报。


技术实现要素：

4.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种基于bp神经网络的烟感检测模型的训练方法，通过优化、校正、测试烟感检测模型，提高了抗干扰性，使得烟感检测模型识别的烟雾类型更加精确。
5.本发明的第二个目的在于提出一种烟雾检测方法。
6.本发明的第三个目的在于提出一种电子设备。
7.为达到上述目的，本发明第一方面实施例提出了一种基于bp神经网络的烟感检测模型的训练方法，所述方法包括：通过烟雾传感器采集多种环境下的烟感数据，并根据所述烟感数据得到训练集、验证集和测试集；构建烟感检测模型，将所述训练集中的训练数据输入至所述烟感检测模型，得到各训练数据对应的预测烟雾类型，并根据所述预测烟雾类型和对应的真实烟雾类型得到损失函数，以及将所述损失函数作为麻雀搜索算法的适应度函数，并通过麻雀搜索算法进行优化求解得到优化后的烟感检测模型，其中，所述烟感检测模型采用反向传播bp神经网络；将所述验证集中的验证数据输入至优化后的烟感检测模型中进行校正，以得到校正后的烟感检测模型，并将所述测试集中的测试数据输入至所述校正后的烟感检测模型，得到最终的烟感检测模型。
8.根据本发明实施例的基于bp神经网络的烟感检测模型的训练方法，通过优化、校正、测试烟感检测模型，提高了抗干扰性，使得烟感检测模型识别的烟雾类型更加精确。
9.另外，本发明实施例的基于bp神经网络的烟感检测模型的训练方法还可以具有以下附加的技术特征：
10.根据本发明的一个实施例，所述多种环境包括无烟环境和有烟环境，所述根据所
述烟感数据得到训练集、验证集和测试集，包括：将所述无烟环境下的烟感数据作为基准数据；分别将各所述有烟环境下的烟感数据与所述基准数据进行比较，得到多组烟感数据的变化数据；对多组变化数据进行划分，得到所述训练集、所述验证集和所述测试集。
11.根据本发明的一个实施例，所述烟雾传感器包括蓝光发射器、红外发射器、全波段接收器、双层上下气道进烟的暗室，所述蓝光发射器与所述全波段接收器呈前向散射设置，所述红外发射器与所述全波段接收器呈后向散射设置，所述蓝光发射器、所述红外发射器和所述全波段接收器均置于暗室中，所述全波段接收器外部置有金属屏蔽罩，所述烟感数据包括所述蓝光发射器对应的第一电压值、所述红外发射器对应的第二电压值，每组所述变化数据包括所述第一电压值的变化量、所述第二电压值的变化量和两变化量的比值。
12.根据本发明的一个实施例，所述烟感检测模型包括输入层、隐藏层、输出层，所述隐藏层的激活函数为
13.进一步地，所述隐藏层的输出为：其中，hj为所述隐藏层第j个神经元的输出，n为所述输入层的神经元个数，ω
ij
为所述输入层第i个神经元到所述隐藏层第j个神经元的权重，aj为输入层到所述隐藏层第j个的偏置。
14.进一步地，所述输出层的输出为：其中，ok为所述输出层第k个神经元的输出，l为所述隐藏层的神经元个数，hj为所述隐藏层第j个神经元的输出，ω
jk
为所述隐藏层第j个神经元到所述输出层第k个神经元的权重，bk为所述隐藏层到所述输出层第k个神经元的偏置。
15.根据本发明的一个实施例，所述损失函数为：其中，e为所述损失函数，n为所述训练数据的数量，ti为第i个训练数据对应的预测烟雾类型的量化值，yi为第i个训练数据对应的真实烟雾类型的量化值。
16.根据本发明的一个实施例，所述通过麻雀搜索算法进行优化求解得到优化后的烟感检测模型，包括：
17.设置所述输入层、隐藏层、输出层中神经元的个数，以及麻雀种群的总数n、发现者数量、报警者数量和跟随者数量；
18.生成随机数，判断是否大于报警阈值，若是，则通过下式对发现者进行位置迭代：
[0019][0020]
其中，为在第t次迭代中第i个麻雀个体第j维变量的位置，α为区间[0,1]中的随机数，r2为区间[0,1]中的报警值，st为安全阈值，iter
max
为最大迭代次数，q为在区间[0,1]上服从正态分布的随机数，l为一行d列的矩阵，该矩阵内部元素均为1，d为损失函数中变量ti的维数；
[0021]
判断i是否小于n/2，若是，则通过下式对跟随者进行位置迭代：
[0022][0023]
其中，为在第t+1次迭代中当前发现者所处的个体最优位置，表示在第t次迭代中的全局最差位置，a为一行d列的矩阵，该矩阵的元素被随机分配为1或-1，a
+
＝a
t
(aa
t
)-1
；
[0024]
在每次迭代的最后步骤，通过下式对预警者进行位置变换：
[0025][0026]
其中，β为符合标准正态分布的随机数，用于控制步长，k为区间[-1,1]上的均匀随机数，ε为预设常数，fi、fg和fw分别为处在第i个、最优位置和最差位置的麻雀所代表的适应度值，x
bestt
为在第t次迭代中的全局最优位置；
[0027]
将最后一次迭代得到的全局最优位置作为所述优化后的神烟感检测模型的权值和阈值。
[0028]
为达到上述目的，本发明第二方面实施例提出了一种烟雾检测方法，所述方法包括：获取烟雾传感器采集的烟感数据；将所述烟感数据与基准数据进行比较，得到一组变化数据；利用所述的烟感检测模型的训练方法得到的烟感检测模型，根据所述变化数据得到烟雾类型。
[0029]
根据本发明实施例的烟雾检测方法，通过利用上述的烟感检测模型的训练方法得到的烟感检测模型，判断当前环境下的烟雾情况，使得识别的烟雾类型更加精确。
[0030]
为达到上述目的，本发明第三方面实施例提出了一种电子设备，包括存储器、处理器和存储在所述存储器上的计算机程序，所述计算机程序被所述处理器执行时，实现所述的基于bp神经网络的烟感检测模型的训练方法，或者，所述的烟雾检测方法。
[0031]
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0032]
图1是本发明一个实施例的基于bp神经网络的烟感检测模型的训练方法的流程示意图；
[0033]
图2是本发明一个实施例的烟雾检测方法的流程示意图。
具体实施方式
[0034]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附
图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0035]
下面参考附图1-2描述本发明实施例的烟感检测模型的训练方法、烟雾检测方法及电子设备。
[0036]
图1是本发明一个实施例的基于bp神经网络的烟感检测模型的训练方法的流程示意图。如图1所示，基于bp神经网络的烟感检测模型的训练方法包括以下步骤：
[0037]
s101、通过烟雾传感器采集多种环境下的烟感数据，并根据烟感数据得到训练集、验证集和测试集。
[0038]
具体地，多种环境包括无烟环境和有烟环境，烟雾传感器包括蓝光发射器、红外发射器、全波段接收器、双层上下气道进烟的暗室，蓝光发射器与全波段接收器呈前向散射设置，红外发射器与全波段接收器呈后向散射设置，蓝光发射器、红外发射器和全波段接收器均置于暗室中，全波段接收器外部置有金属屏蔽罩，烟感数据包括蓝光发射器对应的第一电压值、红外发射器对应的第二电压值。
[0039]
另外，根据烟感数据得到训练集、验证集和测试集包括：将无烟环境下的烟感数据作为基准数据；分别将各有烟环境下的烟感数据与基准数据进行比较，得到多组烟感数据的变化数据；对多组变化数据进行划分，得到训练集、验证集和测试集。其中，每组变化数据包括第一电压值的变化量、第二电压值的变化量和两变化量的比值。
[0040]
具体而言，获取烟雾传感器在无烟环境下的蓝光发射器以及红外发射器对应的电压值，记为基准数据，再获取各有烟环境(如：光照、明火、厨房等多种烟雾颗粒大小不同的环境、水汽以及自然老化的情况下)下的蓝光发射器对应的第一电压值、红外发射器对应的第二电压值，进而通过计算各组第一电压值、第二电压值与基准数据的差值(即电压变化量)，得到各组第一电压值的变化量和第二电压值的变化量，以及通过计算各组第一电压值的变化量和第二电压值的变化量的比值，得到两变化量的比值。由此，获得多组烟感数据的变化数据。最后，通过对多组变化数据进行划分，得到训练集、验证集和测试集。需要说明的是，各训练集、验证集和测试集中均包括环境温度。并且，由于计算的是相对值(即第一电压值的变化量、第二电压值的变化量和两变化量的比值)，且同一类烟雾传感器由硬件产生的电压波动对于后续计算产生的影响较小，提高了抗干扰性。
[0041]
s102、构建烟感检测模型，将训练集中的训练数据输入至烟感检测模型，得到各训练数据对应的预测烟雾类型，并根据预测烟雾类型和对应的真实烟雾类型得到损失函数，以及将损失函数作为麻雀搜索算法的适应度函数，并通过麻雀搜索算法进行优化求解得到优化后的烟感检测模型，其中，烟感检测模型采用反向传播bp神经网络。
[0042]
具体地，烟感检测模型可包括输入层、隐藏层、输出层。
[0043]
其中，隐藏层的激活函数为为sigmoid函数，其公式为隐藏层的输出为：其中，hj为隐藏层第j个神经元的输出，n为输入层的神经元个数，ω
ij
为输入层第i个神经元到隐藏层第j个神经元的权重，aj为输入层到隐藏层第j个的偏置；
[0044]
输出层的输出为：其中，ok为输出层第k个神经元的输出，l为隐藏层的神经元个数，hj为隐藏层第j个神经元的输出，ω
jk
为隐藏层第j个神经元到输出层第k个神经元的权重，bk为隐藏层到输出层第k个神经元的偏置。需要说明的是，输出层不使用激活函数。
[0045]
进一步地，将训练集中的第一电压值的变化量、第二电压值的变化量、两变化量的比值和环境温度作为输入神经网络中进行训练，得到各训练数据对应的预测烟雾类型，并根据预测烟雾类型和对应的真实烟雾类型得到损失函数其中，e为损失函数，n为训练数据的数量，ti为第i个训练数据对应的预测烟雾类型的量化值，yi为第i个训练数据对应的真实烟雾类型的量化值。
[0046]
进一步地，麻雀个体作为反向传播bp神经网络的初始权重和阈值，将损失函数作为麻雀搜索算法的适应度函数，利用麻雀搜索算法对权值和阈值的选择进行优化，选出权值与阈值最优解，使误差最小，得到优化后的烟感检测模型，其中，损失函数用于表示误差。
[0047]
具体而言，通过麻雀搜索算法进行优化求解得到优化后的烟感检测模型，可包括步骤s201-s205：
[0048]
s201、设置输入层、隐藏层、输出层中神经元的个数，以及麻雀种群的总数n、发现者数量、报警者数量和跟随者数量。
[0049]
具体地，输入层、隐藏层、输出层中神经元的个数，以及麻雀种群的总数n、发现者数量、报警者数量和跟随者数量均可自行设置，例如：设定输入层神经元个数为4，隐藏层神经元个数为10，输出层神经元个数为2。
[0050]
s202、生成随机数，判断是否大于报警阈值，若是，则通过下式对发现者进行位置迭代：
[0051][0052]
其中，为在第t次迭代中第i个麻雀个体第j维变量的位置，α为区间[0,1]中的随机数，r2为区间[0,1]中的报警值，st为安全阈值，iter
max
为最大迭代次数，q为在区间[0,1]上服从正态分布的随机数，l为一行d列的矩阵，该矩阵内部元素均为1，d为损失函数中变量ti的维数。需要说明的是，该损失函数中变量ti的维数为1。
[0053]
具体地，随机数为0-100内的任意整数，报警阈值可设为0-100内的某一整数，在每次迭代中都需要随机生成一个随机数，若该随机数大于报警阈值，则通过上式对发现者进行位置迭代。
[0054]
s203、判断i是否小于n/2，若是，则通过下式对跟随者进行位置迭代：
[0055][0056]
其中，为在第t+1次迭代中当前发现者所处的个体最优位置，表示在第t次迭代中的全局最差位置，a为一行d列的矩阵，该矩阵的元素被随机分配为1或-1，a
+
＝a
t
(aa
t
)-1
。
[0057]
具体地，若第i个麻雀个体小于麻雀种群的总数n的一半，则说明该适应度较低的加入者没有获得食物，通过上式对跟随者进行位置迭代。
[0058]
s204、在每次迭代的最后步骤，通过下式对预警者进行位置变换：
[0059][0060]
其中，β为符合标准正态分布的随机数，用于控制步长，k为区间[-1,1]上的均匀随机数，ε为预设常数，fi、fg和fw分别为处在第i个、最优位置和最差位置的麻雀所代表的适应度值，x
bestt
为在第t次迭代中的全局最优位置。
[0061]
具体地，由于将损失函数作为麻雀搜索算法的适应度函数，因此得到每个麻雀的适应度值，最优位置和最差位置均是通过比较麻雀的适应度值来体现。
[0062]
s205、将最后一次迭代得到的全局最优位置作为优化后的神烟感检测模型的权值和阈值。
[0063]
s103、将验证集中的验证数据输入至优化后的烟感检测模型中进行校正，以得到校正后的烟感检测模型，并将测试集中的测试数据输入至校正后的烟感检测模型，得到最终的烟感检测模型。
[0064]
具体地，将验证集中的第一电压值的变化量、第二电压值的变化量、两变化量的比值和环境温度作为输入，对优化后的烟感检测模型中进行校正，以得到校正后的烟感检测模型。并将测试集中的第一电压值的变化量、第二电压值的变化量、两变化量的比值和环境温度作为输入，对校正后的烟感检测模型进行测试，将通过测试的烟感检测模型作为最终的烟感检测模型。
[0065]
综上所述，该基于bp神经网络的烟感检测模型的训练方法，通过不为每一个烟雾传感器都单独建立模型，节省了时间、人力、物力；通过对以往数据的分析学习，找出火灾情况下烟雾的发生特征，排除了其他因素造成的传感器采集到的电压上升，提高了抗干扰性，使得烟感检测模型识别的烟雾类型更加精确。
[0066]
图2是本发明一个实施例的烟雾检测方法的流程示意图。如图2所示，烟雾检测方法包括以下步骤：
[0067]
s301、获取烟雾传感器采集的烟感数据；
[0068]
s302、将烟感数据与基准数据进行比较，得到一组变化数据；
[0069]
s303、利用上述的烟感检测模型的训练方法得到的烟感检测模型，根据变化数据
得到烟雾类型。
[0070]
由此，通过利用上述的烟感检测模型的训练方法得到的烟感检测模型，判断当前环境下的烟雾情况，使得识别的烟雾类型更加精确。
[0071]
本发明还提出一种电子设备，包括存储器、处理器和存储在存储器上的计算机程序，计算机程序被处理器执行时，实现上述的基于bp神经网络的烟感检测模型的训练方法，或者，上述的烟雾检测方法。
[0072]
本发明实施例的电子设备，在其存储器上的计算机程序被处理器执行时，能够使得识别的烟雾类型更加精确。
[0073]
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0074]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0075]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0076]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0077]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者
隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0078]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0079]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0080]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种基于bp神经网络的烟感检测模型的训练方法，其特征在于，所述方法包括：通过烟雾传感器采集多种环境下的烟感数据，并根据所述烟感数据得到训练集、验证集和测试集；构建烟感检测模型，将所述训练集中的训练数据输入至所述烟感检测模型，得到各训练数据对应的预测烟雾类型，并根据所述预测烟雾类型和对应的真实烟雾类型得到损失函数，以及将所述损失函数作为麻雀搜索算法的适应度函数，并通过麻雀搜索算法进行优化求解得到优化后的烟感检测模型，其中，所述烟感检测模型采用反向传播bp神经网络；将所述验证集中的验证数据输入至优化后的烟感检测模型中进行校正，以得到校正后的烟感检测模型，并将所述测试集中的测试数据输入至所述校正后的烟感检测模型，得到最终的烟感检测模型。2.根据权利要求1所述的基于bp神经网络的烟感检测模型的训练方法，其特征在于，所述多种环境包括无烟环境和有烟环境，所述根据所述烟感数据得到训练集、验证集和测试集，包括：将所述无烟环境下的烟感数据作为基准数据；分别将各所述有烟环境下的烟感数据与所述基准数据进行比较，得到多组烟感数据的变化数据；对多组变化数据进行划分，得到所述训练集、所述验证集和所述测试集。3.根据权利要求2所述的基于bp神经网络的烟感检测模型的训练方法，其特征在于，所述烟雾传感器包括蓝光发射器、红外发射器、全波段接收器、双层上下气道进烟的暗室，所述蓝光发射器与所述全波段接收器呈前向散射设置，所述红外发射器与所述全波段接收器呈后向散射设置，所述蓝光发射器、所述红外发射器和所述全波段接收器均置于暗室中，所述全波段接收器外部置有金属屏蔽罩，所述烟感数据包括所述蓝光发射器对应的第一电压值、所述红外发射器对应的第二电压值，每组所述变化数据包括所述第一电压值的变化量、所述第二电压值的变化量和两变化量的比值。4.如权利要求1所述的基于bp神经网络的烟感检测模型的训练方法，其特征在于，所述烟感检测模型包括输入层、隐藏层、输出层，所述隐藏层的激活函数为5.如权利要求4所述的基于bp神经网络的烟感检测模型的训练方法，其特征在于，所述隐藏层的输出为：其中，h
j
为所述隐藏层第j个神经元的输出，n为所述输入层的神经元个数，ω
ij
为所述输入层第i个神经元到所述隐藏层第j个神经元的权重，a
j
为输入层到所述隐藏层第j个的偏置。6.如权利要求4所述的基于bp神经网络的烟感检测模型的训练方法，其特征在于，所述输出层的输出为：
其中，o
k
为所述输出层第k个神经元的输出，l为所述隐藏层的神经元个数，h
j
为所述隐藏层第j个神经元的输出，ω
jk
为所述隐藏层第j个神经元到所述输出层第k个神经元的权重，b
k
为所述隐藏层到所述输出层第k个神经元的偏置。7.如权利要求4所述的基于bp神经网络的烟感检测模型的训练方法，其特征在于，所述损失函数为：其中，e为所述损失函数，n为所述训练数据的数量，t
i
为第i个训练数据对应的预测烟雾类型的量化值，y
i
为第i个训练数据对应的真实烟雾类型的量化值。8.如权利要求4所述的基于bp神经网络的烟感检测模型的训练方法，其特征在于，所述通过麻雀搜索算法进行优化求解得到优化后的烟感检测模型，包括：设置所述输入层、隐藏层、输出层中神经元的个数，以及麻雀种群的总数n、发现者数量、报警者数量和跟随者数量；生成随机数，判断是否大于报警阈值，若是，则通过下式对发现者进行位置迭代：其中，为在第t次迭代中第i个麻雀个体第j维变量的位置，α为区间[0,1]中的随机数，r2为区间[0,1]中的报警值，st为安全阈值，iter
max
为最大迭代次数，q为在区间[0,1]上服从正态分布的随机数，l为一行d列的矩阵，该矩阵内部元素均为1，d为损失函数中变量t
i
的维数；判断i是否小于n/2，若是，则通过下式对跟随者进行位置迭代：其中，为在第t+1次迭代中当前发现者所处的个体最优位置，表示在第t次迭代中的全局最差位置，a为一行d列的矩阵，该矩阵的元素被随机分配为1或-1，a
+
＝a
t
(aa
t
)-1
；在每次迭代的最后步骤，通过下式对预警者进行位置变换：其中，β为符合标准正态分布的随机数，用于控制步长，k为区间[-1,1]上的均匀随机数，ε为预设常数，f
i
、f
g
和f
w
分别为处在第i个、最优位置和最差位置的麻雀所代表的适应度值，x
bestt
为在第t次迭代中的全局最优位置；
将最后一次迭代得到的全局最优位置作为所述优化后的神烟感检测模型的权值和阈值。9.一种烟雾检测方法，其特征在于，所述方法包括：获取烟雾传感器采集的烟感数据；将所述烟感数据与基准数据进行比较，得到一组变化数据；利用如权利要求1-8中任一项所述的烟感检测模型的训练方法得到的烟感检测模型，根据所述变化数据得到烟雾类型。10.一种电子设备，包括存储器、处理器和存储在所述存储器上的计算机程序，其特征在于，所述计算机程序被所述处理器执行时，实现如权利要求1-8中任一项所述的基于bp神经网络的烟感检测模型的训练方法，或者，如权利要求9所述的烟雾检测方法。

技术总结
本发明公开了一种烟感检测模型的训练方法、烟雾检测方法及电子设备，训练方法包括：通过烟雾传感器采集多种环境下的烟感数据，并根据烟感数据得到训练集、验证集和测试集；将训练集中的训练数据输入至构建的烟感检测模型，得到各训练数据对应的预测烟雾类型，将根据预测烟雾类型和对应的真实烟雾类型得到损失函数作为麻雀搜索算法的适应度函数，并通过麻雀搜索算法进行优化求解得到优化后的烟感检测模型，其中，烟感检测模型采用反向传播BP神经网络；将验证集中的验证数据输入至优化后的烟感检测模型中进行校正，并将测试集中的测试数据输入至校正后的烟感检测模型，得到最终的烟感检测模型。由此，使得烟感检测模型识别的烟雾类型更加精确。雾类型更加精确。雾类型更加精确。


技术研发人员：代云志 王海粟 周扬 王大军 杨广
受保护的技术使用者：合肥科大立安安全技术有限责任公司
技术研发日：2022.12.15
技术公布日：2023/7/19