城市火灾的成因及预防

城市火灾的成因及预防

1北京城市采集有关火灾现代化城市具有建筑集中、生产集中、财富集中、人口集中等特点。如果发生火灾，必然会造成巨大的经济损失和人员伤亡，并导致社会动荡。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95m2,烧毁台式电脑71台。因而对火灾发生次数及其分布特性进行准确、有效地预测,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。应用神经网络预测方法,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,对保持社会秩序的稳定,都具有非常重要意义。2人工神经网络模拟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)广泛地相互连接而形成的复杂网络系统。人工神经网络模拟人的大脑活动,具有极强的非线性逼近、大规模并行处理、自训练学习、容错能力以及外部环境的适应能力。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,对城市火灾进行预测预报,更符合火灾发生的特性。2.1bp网络模型BP(BackPropagation)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用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,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,输入向量为p=(p1,p2,p3…,pn),输出层m个节点,其对应m个输出分量T=(t1,t2,t3,…,tm)。2.2不同单元的连接权值给输入层单元到隐含层单元的连接权值w1ij,i=1,2,…,s1,j=1,2,…n,隐含层单元到输出层单元连接权值w2mi,m=1,2,…s2,i=1,2,…,s1,隐含层阀值单元b1i1i,输出层的阀值b2m2m,并赋予权值、阀值(-1,+1)区间的随机值。2.2.1输出层激活值fps(1)将样本值P输入,通过连接权值w1ij送到隐含层,产生隐含层单元的激活值:A1t=f1(∑w1ijP+b1i)(1)式中,i,j同上,f1函数为对数s形函数,即f1(x)(1+e-x)-1(2)(2)计算输出层单元激活值:A2m=f(∑w2miA1t+b2m)(3)令c=∑w2miA1i+b2m式中,f函数文中取饱和线性函数:f2={0c<0c0≤c≤101c>1(4)2.2.2mif1pn的表达定义误差函数为Em=12s2∑m=1(tm-A2m)2(5)输出层的权值变化Δw2mi=-α∂E∂w2mi=-α∂E∂A2m∂A2m∂w2mi=α(tm-A2m)f2´A1i(6)同理可得Δ=b2m=-α∂E∂b2mi=α(tm-A2m)f2´(7)输出层的权值变化Δw1ij=-a∂E2m∂w1ij=-a∂E∂A2m∂AΙ∂A2m∂A1i∂w1ij=αs2∑m(tm-A2m)f2´wWmif1´pn(8)同理可得:Δ=b1i=αs2∑m(tm-A2m)f2´w2mif1´(9)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,采用动量BP算法,加入动量系数γ,修正权值和阀值为Δw2mi=γΔw2mi(k-1)-(1-γ)α(tm-A2m)f2′A1i(10)Δw1ij(k)=γΔw1ij(k-1)-(1-γ)αs2∑m(tm-A2m)f2´w3mif1´pn(11)Δb2m(k)=γΔb2m(k-1)-(1-γ)α(tm-A2m)f2′(12)Δb1i(k)=γΔbm(k-1)-(1-γ)αs2∑m(tm-A2m)f2´w2mif1´(13)BP网络的学习算法框图如图2所示。3基于原始网络结构的bp神经网络的初始化笔者以某市1985～2001年火灾事故数据次数为例(见表1),说明神经网络预测模型在城市火灾预测中的应用。(1)由于春节期间是火灾的高峰期,根据城市火灾发生时间或季节,采用分时段的方法,即将每一年分为两个部分进行预测:春节高峰期,非高峰期(除春节以外1～12月)。由于在预测中数据处理较多,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预测。(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。初始化具体方法采用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,Ρij=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1985～1998年的数据作初始化。(3)初始权值的确定。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1999～2001年的数据作为预测样本,将得到一个预测误差,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,继续训练,直到满足预测误差。满足误差后,得到最优权重和阀值。(5)期望误差值是通过对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矩阵。此时可以对1999～2001年火灾事故进行预测,其结果及误差分析如表2所示。(6)从上表可以看出误差结果最大误差不超过0.88%,预测的精度较高,能够满足实际需要。因此,可以预测未来3年的火灾事故,其结果如表3所示。4神经网络预测模型建立的前提背景(1)预测城市未来火灾事故的发生次数是一项复杂的工作。笔者根据神经网络的特点,将其用于城市火灾的预测。科学的预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)神经网络预测方法具有极强的非线性逼近,大规模并行处理,自训练学习,容错能以及对外界环境的适应能力,很好地解决了传统预测方法中须