一种基于神经网络的单位动态火灾风险评估方法

摘要

本发明公开了一种基于神经网络的单位动态火灾风险评估方法，包括以下步骤：S1：识别建筑物火灾风险评价的基本要素，按照建筑物类型。本发明通过将层次分析法AHP和BP神经网络相结合的方法，可同时应用于多种类型的社会单位火灾风险实时评估，这种方法不但保持了专家在主观认识和判断上对定量和非定量评估因素进行量化，也保持了BPNN神经网络的非线性映射能力，通过自动确定复杂的火灾风险评价系统的输入维数，提高了神经网络的学习速率，加快了神经网络的收敛速度，使评估结果更加准确可信，使火灾自动风险预测成为可能，进而为预防及控制火灾的发生提供科学依据，减少在预防火灾时的主观性和盲目性。

说明书

技术领域

本发明涉及风险评估技术领域，尤其涉及一种基于神经网络的单位动态火灾风险评估方法。

背景技术

目前针对社会单位(机关、团体、企事业单位，以下简称“单位”)的火灾风险评估主要是半定量评价方法，包括火灾风险指数法、Delphi法和层次分析法等。它对火灾风险源以及其他风险参数进行分析，并按照一定的原则对其赋予适当的指数，然后通过数学方法综合起来，得到一个子系统或者系统的指数，具有快速简便的特点。其不足点在于，这类方法忽略了对诱发各种影响因素以及各因素之间相互影响制约的深入研究，没有解决评价过程中的非线性问题。

神经网络是由大量的简单处理单元所构成的非线性系统，具有高度非线性、自学习性和有效的函数逼近能力等特点。但是在研究复杂系统建模时，由于影响因素众多，关系复杂，若把它们都作为神经网络的输入，显然会增加网络的复杂度，降低网络性能，影响计算精度。

针对以上问题，本发明提出将层次分析法AHP和BP神经网络相结合的思想，使用AHP进行分析，计算每个影响因素的权重值，根据权重选择影响火灾风险最大的因素作为神经网络的输入并建立神经网络模型，最后，使用历史评估数据训练神经网络后，进行实时火灾风险评估。这样既保持了专家的主观认识和判断，对影响因素进行量化，又保持了神经网络的非线性映射能力，有效提高了单位火灾风险评估的可行性和有效性。

基于上述背景，提出一种基于神经网络的单位动态火灾风险评估方法。

发明内容

基于背景技术存在的技术问题，本发明提供了一种基于神经网络的单位动态火灾风险评估方法，使火灾风险预测成为可能，进而为预防及控制火灾的发生提供科学依据，减少在预防火灾时的主观性和盲目性。首先识别火灾因素，建立单位火灾风险评价指标体系，然后使用层次分析法对所有可能的影响因素进行分析，获得评价体系中各因素的权重，根据专家问卷对各个因素赋值，构建训练样本和评估样本，在数据进入神经网络计算之前，确定神经网络参数，使用训练样本获得优化的神经网络计算模型，使用评估样本验证模型的可行性，最后基于实时采集社会单位的数据获得单位建筑物火灾风险评估结果。

本发明提出的基于神经网络的单位动态火灾风险评估方法，包括以下步骤：

1)识别建筑物火灾风险评价的基本要素，按照建筑物类型，建立对应的火灾风险评价模型。

按照建筑物使用功能，分为住宅建筑、公共建筑、工业厂房和工业仓库四大类，火灾风险评价的基本要素分为致灾因子和损失控制因子，对四大类建筑类型的火灾风险影响因素进行火灾统计数据分析，得出不同的致灾因子，损失控制因子包括被动措施、主动措施和消防管理。

建筑物火灾风险分值的计算表达式如下：

式中：R为火灾风险分值；n为火灾风险评估指标的个数；wi为第i个火灾风险评估指标的权重，取值范围为(0，1)；Si为第i个火灾风险评估指标的分值，取值为1至5之间的整数。

针对四大类建筑物类型，建立火灾风险评价模型火灾风险评估模型。

2)运用层次分析法(AHP)确定各指标的权重。

第一步，根据以上建筑火灾风险评估模型，建立层次系统结构，分别是目标层，准则层和指标层。

第二步，由专家对指标体系进行两两比较构造出判断矩阵。

第三步，计算各元素的相对权重。对于权重的计算，采用方根法。

第四步，判断矩阵的一致性检验。

第五步，确定指标层指标的累积权重。

3)根据专家组经验和AHP方法确定的各个指标的权重，确定对火灾风险影响最大的因素，作为BP神经网络的输入节点。

4)建立BP神经网络(由输入层、隐层和输出层组成)，通过样本进行学习和网络训练，设BP网络的输入层有n个节点，表示为Xi(i＝1，2，…，n)，隐层有q个节点，表示为Yj(j＝1，2，…，q)，输出层有m个节点，表示为Zk (k＝1，2，…，m)。每层的输入信号量表示为V，每层的净输入信号量表示为U。现有n维输入向量：X＝{X1，X2，…，Xn}，m维期望输出向量：d＝{d1，d2，…，dm}。

5)基于实时采集数据，输入训练好的BP神经网络，获得单位建筑物火灾风险评估结果。

本发明的有益效果：本发明通过将层次分析法AHP和BP神经网络相结合的方法，可同时应用于多种类型的社会单位火灾风险实时评估，这种方法不但保持了专家在主观认识和判断上对定量和非定量评估因素进行量化，也保持了 BPNN神经网络的非线性映射能力，通过自动确定复杂的火灾风险评价系统的输入维数，提高了神经网络的学习速率，加快了神经网络的收敛速度，使评估结果更加准确可信，使火灾自动风险预测成为可能，进而为预防及控制火灾的发生提供科学依据，减少在预防火灾时的主观性和盲目性。

附图说明

图1为本发明提出的基于神经网络的单位动态火灾风险评估方法的流程图；

图2为本发明中利用AHP方法确定火灾风险评价指标权重流程；

图3为本发明中建立BPNN神经网络模型流程；

图4为第一图表的附图；

图5为第二图表的附图；

图6为第三图表的附图；

图7为住宅火灾风险评价模型图；

图8为公共建筑火灾风险评价模型图；

图9为工业厂房火灾风险评价模型图；

图10为工业仓库火灾风险评价模型图。

具体实施方式

下面结合具体实施例对本发明作进一步解说。

实施例

本发明提出基于神经网络的单位动态火灾风险评估方法，包括以下步骤：

1)识别建筑物火灾风险评价的基本要素，按照建筑物类型，建立对应的火灾风险评价模型。

按照建筑物使用功能，分为住宅建筑、公共建筑、工业厂房和工业仓库四大类，火灾风险评价的基本要素分为致灾因子和损失控制因子，对四大类建筑类型的火灾风险影响因素进行火灾统计数据分析，得出不同的致灾因子，损失控制因子包括被动措施、主动措施和消防管理。

建筑物火灾风险分值的计算表达式如下：

式中：R为火灾风险分值；n为火灾风险评估指标的个数；wi为第i个火灾风险评估指标的权重，取值范围为(0，1)；Si为第i个火灾风险评估指标的分值，取值为1至5之间的整数。

火灾风险等级分为以下五级：I级火灾风险高；II级火灾风险较高；III 级火灾风险中等；IV级火灾风险较低；V级火灾风险低，并设置建筑物风险等级的第一图表。

针对四大类建筑物类型，建立火灾风险评价模型火灾风险评估模型。

2)运用层次分析法(AHP)确定各指标的权重。

第一步，根据以上建筑火灾风险评估模型，建立层次系统结构，分别是目标层，准则层和指标层。

第二步，由专家对指标体系进行两两比较构造出判断矩阵。

假设要比较某一层n个元素A1，A2，…，An，对上一层某因素的影响，则每次取出两个元素Ai，Aj，用aij表示它们对上一层某因素的影响之比，比较结果构成判断矩阵：

对aij的赋值采用1-9标度法，且满足aij＝1，(i，j＝1，2，…n)，并设置标度取值的第二图表。

第三步，计算各元素的相对权重。对于权重的计算，采用方根法，计算步骤如下：

计算判断矩阵每一行元素乘积mj：

计算mi的n方根ωi：

将向量归一化，即：

计算判断矩阵A的最大特征值λmax：

第四步，判断矩阵的一致性检验，检验方法如下：

定义判断矩阵A的一致性比率C.R.：

式中C.I.是矩阵的相容指标，用来衡量判断矩阵的不一致程度，其计算公式为：

R.I.是随机构造的正反矩阵的平均随机一致性指标，其表达式为：

制作样本容量为1000的R.I.值及计算结果的第三图表，一般认为，R.I.，就可以认为判断矩阵A具有一致性，据此计算的权重集就可以接受，否则需要调整判断矩阵。

第五步，确定指标层指标的累积权重。

计算出各指标在其所属层次和类别中的相对权重后，采用权重乘积的方式，确定所有评价指标对于总目标的累积权重：

Wci＝ω

式中：Wci为指标Ci的累积权重；wAk为目标层指标Ak在目标层的相对权重；wBj为准则层指标Bj在准则层的相对权重；wci指标层指标Ci在指标层的相对权重。

3)根据专家组经验和AHP方法确定的各个指标的权重，确定对火灾风险影响最大的因素，作为BP神经网络的输入节点。

4)建立BP神经网络(由输入层、隐层和输出层组成)，通过样本进行学习和网络训练，设BP网络的输入层有n个节点，表示为Xi(i＝1，2，…，n)，隐层有q个节点，表示为Yj(j＝1，2，…，q)，输出层有m个节点，表示为Zk (k＝1，2，…，m)。每层的输入信号量表示为V，每层的净输入信号量表示为U。现有n维输入向量：X＝{X1，X2，…，Xn}，m维期望输出向量：d＝{d1，d2，…，dm}。

第一步，确定隐层节点个数，使用以下经验公式可以确定隐层节点数目。

式中：m为输入层节点数目；n为输出层节点数目；a为1-10之间的调节常数。

第二步，确定激活函数，使用sigmoid函数作为激活函数，即：

第三步，权值和参数初始化：包括输出单元到隐层单元的连接权值Wjk，隐层到输入层的连接权值Sij，使其随机赋值(0，1)之间的较小值。

第四步，根据专家组经验和历史火灾统计值，给出火灾风险评价的P个学习样本。依次输入P个样本，每个样本提供学习样本对(即输入和期望输出)，可以表示为：

(X

第五步，执行正向传播过程，以此计算出各层输出：

Y

第六步，利用第三步计算出的结果，求各层的反向传播误差：

第七步，由于此算法步骤是批量的，必须记录已学习过的样本个数，表示为p，当p＜P时，转到第四步，如果p＝P，转到下一步骤。

第八步，输入允许误差ε和学习率η，输入最大迭代计算次数T，设当前迭代数为t＝1。按照权值修正公式修正各层的权值和阈值，并记录新的权值和阈值。

第九步，按照新的权值再计算：

Y

若：

E

则终止学习，否则，转到第四步继续新一轮学习。

5)基于实时采集数据，输入训练好的BP神经网络，获得单位建筑物火灾风险评估结果。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。