基于支持向量機(jī)的火災(zāi)預(yù)測(cè)系統(tǒng)研究.pdf

1、開(kāi)展火災(zāi)早期預(yù)測(cè)是一個(gè)較為復(fù)雜且具有重要意義的研究課題。在目前火災(zāi)預(yù)測(cè)方法中，基于統(tǒng)計(jì)學(xué)的傳統(tǒng)火災(zāi)預(yù)測(cè)方法存在預(yù)測(cè)誤差較大，而基于神經(jīng)網(wǎng)絡(luò)的智能預(yù)測(cè)方法又存在“過(guò)擬合”和推廣能力不強(qiáng)等缺點(diǎn)。它們都可能出現(xiàn)誤報(bào)和漏報(bào)等嚴(yán)重后果。為此，本文提出一種基于支持向量機(jī)的火災(zāi)預(yù)測(cè)模型方法，并完成智能預(yù)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)。論文主要工作內(nèi)容和創(chuàng)新點(diǎn)如下：
　?。?）研究支持向量機(jī)（SVM）算法原理，提出基于加權(quán)支持向量回歸（WSVR）算法的火災(zāi)預(yù)測(cè)

2、方法。首先在描述BP算法神經(jīng)網(wǎng)絡(luò)、LM算法神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，指出其用于傳統(tǒng)火災(zāi)預(yù)測(cè)存在的不足；然后在討論支持向量機(jī)基本原理與方法基礎(chǔ)上，為克服標(biāo)準(zhǔn)SVR未考慮各樣本重要性的差異問(wèn)題，采用加權(quán)處理思想，提出采用WSVR算法用于火災(zāi)預(yù)測(cè)。
　?。?）設(shè)計(jì)出基于WSVR的火災(zāi)智能預(yù)測(cè)系統(tǒng)。主要包括樣本信息選取與預(yù)處理、預(yù)測(cè)模型訓(xùn)練及參數(shù)優(yōu)化設(shè)計(jì)、預(yù)測(cè)與輸出等模塊。選取英國(guó)Boreham-wood火災(zāi)研究所的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行仿