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LG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LD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、在所述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LG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xk+1与z的第i个分量。