基于BP神經網絡和遺傳算法的火災等級評價模型

肖滟琳　吳昊

摘? 要：一個國家或地區防止與減輕災害的能力，已經成為其進步程度及社會保障力的重要標志。城市災害已成為眾多安全工作者研討的重點與難題。與其他類型的城市災害相比，很多城市在消防安全布局上存在不合理性，本文則提出了合理的風險評價方案。對數據進行分析處理，通過線性規劃，對所給定的指數進行預處理，由模糊評價模型對火災等級進行評定，并可以準確地篩選出十大火災編號。為進一步提高模型精度與計算效率，本文提出采用基于Levenberg-Marquardt算法求解。

關鍵詞：BP神經網絡、Levenberg-Marquardt算法、層次分析法、模糊綜合評價

1、問題分析

問題的關鍵在于對火災危害等級進行評價。要探究火災等級的影響因素，可以對相關數據進行初步的相關性分析，比如pearson相關性分析、灰色關聯度分析等。但是相關性分析只是表示指標之間的一種相關變化關系，是較為初步的分析，因此，應該進一步采用一種研究準確性更高的分析模型，比如回歸模型、因子分析等，以探究火災等級的主要影響因素。

2、模型的建立與求解

問題主要是根據數據，對火災等級以及火災位置進行研究。因此本文在本部分應用神經網絡模型，將處理并整理后的80%的數據帶入神經網絡模型，用于探究影響火災等級的因素，并采用剩下的20%的數據用于驗證神經網絡模型對的準確性。而為了提高模型的精度與測算速度，應對模型算法進行改進，本題的模型采用了一種更為精確的Levenberg-Marquardt算法進行算法改進。

2.1 BP神經網絡模型的構建

在神經網絡模型中，根據神經元網絡互聯方式的區分，可以將神經網絡分為前饋神經網絡、反饋神經網絡和自組織神將網絡。本題采用的是BP神經網絡，因為在神經元網絡模型中，有反饋的神經元網絡模型具有更強的修正性，為提高本模型精度，本題選用前饋神經網絡作為模構建基礎。

2.2 基于遺傳算法的模型求解

Step 1：神經元輸入輸出的計算

將各輸入層與輸出層的數據分別定義，過對各層神經元輸入和輸出的計算，可以得出：

在判斷中，需要對精度與預算最大次數進行比較，當精度和預算次數未達到要求時，需要進行上文步驟的循環，直至滿足要求為止。

3 模型評價

本文采用了相關性分析與描述性統計，一定程度上使數據集更具有科學性與系統性。使用了精確度更高的神經網絡，并在此基礎上，選用了Levenberg-Marquardt算法。

但是，本文在模型中使用的數據都是附件二提供的歷史數據，根據模型做的簡單預測和規劃。未來科技的進步將會從多方面計算火災風險評估，所以，在模型建立中加入多方面數據及影響因子將顯著提高模型評估的準確性。

參考文獻

[1]? 張源雪. 基于多目標模糊理論的重大危險源區域消防規劃研究[D]. 天津大學，2007.

[2]? 張金鋒. 礦井瓦斯風險的綜合評價及應用研究[D]. 中國礦業大學，2002.

[3]? 張仁兵. 基于火災風險評價的火災保險模型研究[D]. 中南大學，2011.

[4]? 王明輝. 大型商場火災風險評價的研究[D]. 沈陽航空工業學院，2007.

[5]? 趙海燕，傅珺. 基于灰色模糊理論大型商場火災風險可靠性的評價研究[J]. 安防科技，2009（4）：17-20.

[6]? 石冬喜. 基于模糊灰色理論的35CrMo閥門軸質量可靠性評價與研究[D]. 蘇州大學，2014.

[7]? 馬嘉. 大型商場火災公眾責任風險評估研究[D].

[8]? 李梨. 基于火災公眾責任險的大型商業建筑火災風險評估[D]. 2015.

[9]? 葉阮繼鋒，楊帆，李振明，et al. 城市大型商場火災風險辨識及人員疏散模擬[C]// 2014浙江省安全科學與工程技術研討會. 0.

[10]? 李偉，劉松濤. 建筑火災風險評價現狀及展望[C]// 中國消防協會科學技術年會. 2010.