基于BP神经网络和遗传算法的火灾等级评价模型

肖滟琳　吴昊

摘  要：一个国家或地区防止与减轻灾害的能力，已经成为其进步程度及社会保障力的重要标志。城市灾害已成为众多安全工作者研讨的重点与难题。与其他类型的城市災害相比，很多城市在消防安全布局上存在不合理性，本文则提出了合理的风险评价方案。对数据进行分析处理，通过线性规划，对所给定的指数进行预处理，由模糊评价模型对火灾等级进行评定，并可以准确地筛选出十大火灾编号。为进一步提高模型精度与计算效率，本文提出采用基于Levenberg-Marquardt算法求解。

关键词：BP神经网络、Levenberg-Marquardt算法、层次分析法、模糊综合评价

1、问题分析

问题的关键在于对火灾危害等级进行评价。要探究火灾等级的影响因素，可以对相关数据进行初步的相关性分析，比如pearson相关性分析、灰色关联度分析等。但是相关性分析只是表示指标之间的一种相关变化关系，是较为初步的分析，因此，应该进一步采用一种研究准确性更高的分析模型，比如回归模型、因子分析等，以探究火灾等级的主要影响因素。

2、模型的建立与求解

问题主要是根据数据，对火灾等级以及火灾位置进行研究。因此本文在本部分应用神经网络模型，将处理并整理后的80%的数据带入神经网络模型，用于探究影响火灾等级的因素，并采用剩下的20%的数据用于验证神经网络模型对的准确性。而为了提高模型的精度与测算速度，应对模型算法进行改进，本题的模型采用了一种更为精确的Levenberg-Marquardt算法进行算法改进。

2.1 BP神经网络模型的构建

在神经网络模型中，根据神经元网络互联方式的区分，可以将神经网络分为前馈神经网络、反馈神经网络和自组织神将网络。本题采用的是BP神经网络，因为在神经元网络模型中，有反馈的神经元网络模型具有更强的修正性，为提高本模型精度，本题选用前馈神经网络作为模构建基础。

2.2 基于遗传算法的模型求解

Step 1：神经元输入输出的计算

将各输入层与输出层的数据分别定义，过对各层神经元输入和输出的计算，可以得出：

在判断中，需要对精度与预算最大次数进行比较，当精度和预算次数未达到要求时，需要进行上文步骤的循环，直至满足要求为止。

3 模型评价

本文采用了相关性分析与描述性统计，一定程度上使数据集更具有科学性与系统性。使用了精确度更高的神经网络，并在此基础上，选用了Levenberg-Marquardt算法。

但是，本文在模型中使用的数据都是附件二提供的历史数据，根据模型做的简单预测和规划。未来科技的进步将会从多方面计算火灾风险评估，所以，在模型建立中加入多方面数据及影响因子将显著提高模型评估的准确性。

参考文献

[1]  张源雪. 基于多目标模糊理论的重大危险源区域消防规划研究[D]. 天津大学，2007.

[2]  张金锋. 矿井瓦斯风险的综合评价及应用研究[D]. 中国矿业大学，2002.

[3]  张仁兵. 基于火灾风险评价的火灾保险模型研究[D]. 中南大学，2011.

[4]  王明辉. 大型商场火灾风险评价的研究[D]. 沈阳航空工业学院，2007.

[5]  赵海燕，傅珺. 基于灰色模糊理论大型商场火灾风险可靠性的评价研究[J]. 安防科技，2009（4）：17-20.

[6]  石冬喜. 基于模糊灰色理论的35CrMo阀门轴质量可靠性评价与研究[D]. 苏州大学，2014.

[7]  马嘉. 大型商场火灾公众责任风险评估研究[D].

[8]  李梨. 基于火灾公众责任险的大型商业建筑火灾风险评估[D]. 2015.

[9]  叶阮继锋，杨帆，李振明，et al. 城市大型商场火灾风险辨识及人员疏散模拟[C]// 2014浙江省安全科学与工程技术研讨会. 0.

[10]  李伟，刘松涛. 建筑火灾风险评价现状及展望[C]// 中国消防协会科学技术年会. 2010.