基于人工神经网络的城市火灾事故的预测方法

1、基于人工神经网络的城市火灾事故的猜测方法 1 引言    现代化城市具有建筑物集中、生产集中、财富集中、人口集中等特点，一旦发生火灾，热必造成庞大的经济损失和人员伤亡，甚至会引起社会动荡。特别近年来城市火灾发生呈上升趋势，给社会造成了不可忽视的损失。1998年3月22日，伦敦金融城中心发生火灾，一幢44层高塔楼的1/5化为灰烬。2001年8月27日，俄罗斯首都莫斯科的奥斯坦基诺电讯发射塔世界第二高的电视发射塔发生火灾，7人遇难。2002年6月16日，位于北京海淀区学院路20号的“蓝极速网吧发生火灾，造成25人死亡，12人受伤，烧毁建筑952，烧毁台式电脑

2、71台。因而对火灾发生次数及其分布特性进行准确、有效地猜测，有利于消防部门合理投入人力、物力，优化配置消防资源、设施等，也有利于消防队伍的科学培训和管理。应用神经网络猜测方法，掌握火灾事故发生次数的规律，成功的预防火灾的发生，对减少人员伤亡，财产损失，对社会经济发展，对坚持社会秩序的稳定，都具有非常重要意义。    2 BP神经网络模型及其算法步骤    人工神经网络是基于连接学说构造的智能仿生模型，它是由大量神经元组成的非线性动力学系统，是由大量的，同时也是很简单的处理单元神经元广泛地互相连接而形成的复杂网络系统

3、。人工神经网络模拟人的大脑活动，具有极深的非线性逼近、大规模并行处理、自训练学习、容错能力以及外部环境的活应能力。由于城市火灾的发生具有很大的突发性、复杂多样性及非线性，在很大程度上受外界环境的影响，因而利用神经网络的特点和功能，对城市火灾进行猜测预报，更符合火灾发生的特性。        BPBack Propagation网络是当前应用最为广泛的一种人工神经网络，有80%90%的人工神经网络模型是采纳BP网络或变形网络，是前向网络的核心部分。标准的Bp网络模型由3个神经元层次组成，如图1所示。其最下层称为输入层

4、，中间层称为隐含层，最上层称为输出层，各层次之间的神经元形成全互连接，各层次内的神经元之间没有连接。其中输入层n个节点分别对应n个输入分量，输入分量p=(p1，p2， p3pn)，输出层m个节点，其对应m个输出分量T=t 1，t 2，t 3t m。         图1 BP网络模型         给输入层单元到隐含层单元的连接权值w ij1，i=1，2，s1，j=1，2n，隐含层单元到输出层单元连接权值w mi2，m=1，2s2，i

5、=1，2，s1，隐含层阀值单元b i1，输出层的阀值b m2，并赋予权值、阀值-1+1区间的随机值。        1将样本值P输入，通过连接权值w ij1送到隐含层，产生隐含层单元的激活值：    At1=f1w ij1P+ b i1 1    式中，i，j同上，f1函数为对数s形函数，即f1x1+e -x-1 2    2计算输出层单元激活值：    A

6、m2=fw mi2 At1+ b m2    令c=w mi2 At1+ b m2 3    式中，f函数文中取饱和线性函数：             定义误差函数为         输出层的权值变化           同理可得

7、         输出层的权值变化         同理可得：         反向传播的一个主要问题是需要较长时间，为了加快网络的学习速度，采纳动量BP算法，加入动量系数，修正权值和阀值为              BP网络的学习算法框图

8、如图2所示。         图2 BP网络算法框图     3 BP网络在某城市火灾中的应用    笔者以某市19852001年火灾事故数据次数为例见表1，说明神经网络猜测模型在城市火灾猜测中的应用。    表1 某市火灾事故数据    见表     年份 高峰期春节 非高峰期 1985 42 335 1986 52 348 1987

9、56 369 1988 65 463 1989 79 528 1990 71 528 1991 92 616 1992 85 666 1993 112 718 1994 123 871 1995 161 1031 1996 206 1329 1997 235 1679 1998 256 1702 1999 273 1868 2000 335 265 2001 378 2196       1由于春节期间是火灾的高峰期，依据城市火灾发生时间或季节，采纳分时段的方法，马上每一年分为两个部分进行猜测：春节高峰期，非常高峰期除春节以外112月。由于在猜

10、测中数据处理较多，以Matlab中的人工神经网络工具箱为工具编程对城市火灾事故进行猜测。    2在BP网络模型中，神经元的变化函数是S形函数，其函数的特性要求其输入信息节点的数据必须转化为-1，1之间的数值。因而必须对原始样本进行数据的初始化，转化为分布在-1，1区间范围内的数值。初始化具体方法采纳参加训练的样本各指标原始值与参加训练的样本各指标原始值的最大值之比。即，Pij=xij/max(xij)为初始化后的网络输入数据，xij为原始数据，max(xij)为原始数据的最大。即必须对19851998年的数据作初始化。   

11、; 3初始权值确实定。取初始权值为-1，1之间的随机数，从而保证神经元的权值能够在S形函数变化最大处进行调节。    4对模型进行修正权值和阀值，然后把19992001年的数据作为猜测样本，将得到一个猜测误差，如果没有达到所要求的误差值，或者没有达到所要求的训练次数，持续训练，直到满足猜测误差。满足误差后，得到最优权重和阀值。    5期望误差值是通过不同期望误差的网络的对比训练来选取的。如果选取较小的期望误差值要通过增加隐含层的节点数和训练的时间。笔者经过多次训练比较，选取期望误差为0.001，最大训练

12、步数为20000，学习率为0.01，动量系数为0.1。按照误差要求，多次筛选，得到最优的BP神经网络结构。    高峰期的网络结构为7-7-1，非高峰期的网络结构为6-6-1，同时得到最优权值和阈值距阵。此时可以对19992001年火灾事故进行猜测，其结果及误差分析如表2所示。    表2 19992001年猜测值与实际值结果及误差分析    见表   年份 高峰期 非高峰期 实际值 猜测值 误差% 实际值 猜测值 误差% 1999 273 272 1868 186

13、1 2000 335 338 2065 2052 2001 378 379 2196 2203     6从上表可以看出误差结果最大误差不超过0.88%，猜测的精度较高，能够满足实际需要。因此，可以猜测将来3年的火灾事故，其结果如表3所示。    表3 20022004年猜测结果    见表   份 高峰期猜测值 非高峰期猜测值 2002 404 2330 2003 398 2417 2004 426 2463     4结论    1猜测城市将来火灾事故的发生次数是一项复杂的工作。笔者依据神经网络的特点，将其用于城市火灾的猜测。科学的猜测火灾事故发生的趋势，有利于防灾基础资源配置和城市应急安全预案的科学制订。    2神经网络猜测方法具有极深的非线性逼近，大