基于Mind-Linked连续耦合神经网络的火灾检测方法

《Biomimetics》：A Fire Detection Method Based on a Mind-Linked Continuous-Coupled Neural Network

　　

随着物联网（IoT）技术的发展，基于多传感器融合的火灾检测系统已成为确保公共安全的关键基础设施。由于环境噪声和传感器异质性，这些系统经常遭受高误报率和漏报率。尽管现有的机器学习方法部分提高了分类精度，但其整体性能仍然有限。受人类大脑认知机制的启发，研究人员基于现有的连续耦合神经网络（CCNN）开发了一种改进的心智链接连续耦合神经网络（ML-CCNN）。研究人员提出了一种参数自适应机制，通过全局阈值调节神经激活。研究人员利用合成少数类过采样技术（SMOTE）缓解数据不平衡，并将样本特征向量转换为矩阵进行训练。该模型在自有数据集上达到了99.96%的准确率，在公开的烟雾检测数据集（SDD）上达到了99.97%，突显了ML-CCNN^?在火灾检测中的潜力。

火灾是最具突发性和破坏性的灾害之一，严重威胁人类生命财产安全。统计证据表明，火灾损失与检测的及时性成反比，因此准确性和响应速度成为火灾检测技术的核心。传统火灾检测系统依赖单一物理参数（如烟雾、温度）的阈值决策，但在实际场景中，灰尘积累、烹饪蒸汽、人群环境中二氧化碳浓度波动等干扰会导致高误报率。随着物联网（IoT）技术与传感器融合的推进，多传感器火灾检测通过同时采集温度、湿度、CO₂、PM1.0和PM2.5等多维数据，成为一种有前景的方法。然而，传统机器学习模型（如支持向量机SVM、逻辑回归LR、朴素贝叶斯NB）受限于火灾数据的复杂特征，性能有限；深度学习模型（如EIF-LSTM、BiLSTM-LN-SA）虽有改进，但在复杂环境干扰下对微弱火灾信号的敏感性仍然不足。神经科学是人工智能发展的重要驱动力，脉冲耦合神经网络（PCNN）和连续耦合神经网络（CCNN）等脑启发模型近年来取得进展，但CCNN依赖人工预定义静态参数，限制了对复杂数据集的适应性。为解决这一问题，研究人员提出了一种基于心智链接连续耦合神经网络（ML-CCNN）的火灾检测框架，发表在《Biomimetics》期刊。

该研究的主要贡献包括：(1) 在CCNN基础上引入可学习的全局阈值γ，通过参数自适应机制动态调控神经激活的关键参数（如衰减因子、链接强度、动态活动幅度），增强网络在复杂环境中的表征能力；(2) 采用合成少数类过采样技术（SMOTE）平衡数据集中正常样本与火灾样本的类别不平衡；(3) 将一维特征向量转换为二维矩阵，使模型能够利用卷积操作提取空间细节并捕捉时序演化特征。在自建火灾报警数据集（FAD）和公开的烟雾检测数据集（SDD）上，ML-CCNN均取得了极高准确率，分别达到99.96%和99.97%，显著优于传统机器学习及现有脑启发基线模型，验证了其在火灾检测任务中的优越性和鲁棒性。

**关键方法**（不超过250字）：
研究的主要技术方法包括：(1) **ML-CCNN模型**：基于CCNN改进，引入可学习全局阈值γ（范围0.01–0.99），通过公式动态计算衰减因子α_f、α_L、α_E、链接强度β及动态活动幅度参数V_E，实现参数自适应。神经网络结构包含两个无偏卷积连接矩阵W和M，用于捕获空间与时间特征；使用交叉熵损失函数和Adam优化器训练，初始学习率设为0.001。(2) **数据平衡**：使用SMOTE在特征空间中通过K近邻随机线性插值合成少数类样本，平衡FAD（原始16.08%火灾样本增至50%）和SDD（原始71.46%火灾样本平衡为50%）。(3) **数据格式转换**：将一维特征向量按行填充为二维单通道矩阵（FAD：3×3，SDD：4×4），剩余位置补零，适配视觉模型输入。(4) **性能评估**：使用准确率、精确率、召回率、F1-分数四个指标，并采用十折交叉验证评估泛化能力。样本来源：FAD来自ZB-SMK-III标准烟雾探测器隧道（木、海绵、正庚烷燃烧），SDD来自Kaggle公开数据集。

**研究结果**（保留每个小标题）：
**4.1. Dataset**：研究人员使用ZB-SMK-III标准烟雾探测器隧道构建了自建火灾报警数据集（FAD），包含21,856个样本，其中正常样本18,342个（83.92%），火灾样本3,514个（16.08%）。传感器包括离子传感器（ION）、光衰减率传感器（LOR）、三个温度传感器（Temp1–Temp3）、恒温器读数（Temp4）及三个湿度传感器（Humi1–Humi3）。此外，使用Kaggle公开的烟雾检测数据集（SDD），包含62,630个样本（火灾44,757个，正常17,873个）。

**4.2. Data Preprocessing**：应用SMOTE平衡数据，FAD火灾样本增至18,342个，SDD正常样本增至44,757个，实现类别平衡。平衡后数据集按7:3比例划分为训练集和测试集。

**4.3. Data Input**：将FAD的9个特征向量填充为3×3矩阵，SDD的16个特征向量填充为4×4矩阵，剩余位置补零，转换为单通道图像输入。

**4.4. Performance Metrics**：采用准确率、精确率、召回率、F1-分数四个指标评估模型性能，并解释各指标在高风险场景中的意义。

**4.5. Experimental Results**：ML-CCNN在不同时间步长T（1,2,3,4）下均快速收敛，训练准确率稳定接近100%。T=2时性能最优：在FAD上准确率0.9996、精确率0.9993、召回率1.0000、F1-分数0.9996；在SDD上准确率0.9997、精确率0.9997、召回率0.9996、F1-分数0.9997。与常规模型（SVM、LR、NB）及脑启发基线（SNN、CCNN）对比，ML-CCNN在两项数据集上的所有指标均最佳，表明其有效提取多传感器数据复杂特征。

**4.6. Cross-Validation**：十折交叉验证显示，ML-CCNN在FAD上验证准确率范围0.9989–0.9997（均值0.9993），在SDD上范围0.9951–0.9999（均值0.9987），证明模型性能稳定、泛化能力强。

**4.7. Comparison with Other Fire Detection Models**：与近年前沿火灾检测模型对比，ML-CCNN以99.96%准确率表现出竞争力，优于所列其他方法。

**4.8. γ Sensitivity Analysis**：测试不同γ初始值（0.05,0.1,0.3,0.5,0.7,0.9）对性能的影响。在FAD上性能稳定；在SDD上γ增大会导致性能轻微下降。模型对γ初始化具有高鲁棒性，中等偏低初始值更优。

**4.9. Ablation Study**：消融实验在FAD和SDD上分别移除M、W、全局阈值γ、耦合调制或动态活动组件，完整ML-CCNN均取得最佳性能。移除任何组件均导致误报和漏报增加，验证各组件共同提升了模型的鲁棒性。

**总结讨论与结论**：
讨论部分（原文未设独立章节，但消融和敏感性分析隐含了对模型组件的探讨）：通过消融实验证实了全局阈值γ、耦合调制、动态活动等组件对减少误报和漏报的关键作用；γ敏感性分析表明模型对超参数初始化稳健，为实际部署提供了灵活性。
结论部分翻译：本研究提出了一种基于ML-CCNN的火灾检测框架。该模型引入参数自适应机制，利用全局阈值动态调控关键参数以增强网络表征能力。结合SMOTE数据集平衡方法和向量到矩阵的转换策略，模型在FAD上达到99.96%准确率，在SDD上达到99.97%。实验结果表明，所提模型在准确率方面优于其他模型，展示了其在火灾检测中的强竞争力。