[发明专利]一种基于小样本学习的烟雾检测算法

权利要求书

1.一种基于小样本学习的烟雾检测算法，其特征在于，包括如下步骤：

步骤S1、采用改进的生成对抗网络生成真实烟雾的伪图像，修改改进的生成对抗网络中的判别器，将判别器模型的输出层替换成softmax分类器，对真实数据进行分类，生成半监督生成对抗网络；

记训练数据类别有K个，softmax分类器数量则为K+1类，其中第K+1类就代表生成器生成的假数据，其余则对应训练数据中的K类，即形成半监督生成对抗网络；

判别器D结构改变，半监督生成对抗网络的损失函数L_G也发生了相应的变化如下：

其中代表生成器生成数据；是的概率分布函数；表示生成数据被判别器D判别为第K+1类的概率；

判别器D的损失函数L_D分为有监督损失部分和无监督损失部分，具体如下：

其中x是真实数据，y是x的类别标签，p(x,y)是(x,y)服从的概率分布，是生成器生成数据，是其服从的概率分布，E表示数学期望；

步骤S2、在生成器网络的损失函数中增加特征匹配和紧密度计算，提升半监督生成对抗网络模型的收敛；

步骤S3、利用小样本图像，通过改进的生成对抗网络生产大量的样本数据，将数据输入至卷积神经网络进行学习训练，调整神经网络参数，实现精确监测火灾。

2.根据权利要求1所述的一种基于小样本学习的烟雾检测算法，其特征在于，所述步骤S2中增加特征匹配和紧密度计算的具体步骤如下：

采用嵌入式选择的方式进行特征匹配，通过L₁范数正则化，有利于帮助降低过拟合风险，更容易获得稀疏解；L₁正则化的求解采用近端梯度下降，对L_G进行最小化，则每一步梯度下降迭代实际上等价于最小化函数则每一步迭代为

在每一步进行梯度下降迭代的同时考虑L₁范数最小化；

令求解

xⁱ表示x的第i个分量，有闭式解

其中与zⁱ分别是x_k+1与z的第i个分量。