基于支持向量機的火災(zāi)預(yù)測系統(tǒng)研究.pdf

1、開展火災(zāi)早期預(yù)測是一個較為復(fù)雜且具有重要意義的研究課題。在目前火災(zāi)預(yù)測方法中，基于統(tǒng)計學(xué)的傳統(tǒng)火災(zāi)預(yù)測方法存在預(yù)測誤差較大，而基于神經(jīng)網(wǎng)絡(luò)的智能預(yù)測方法又存在“過擬合”和推廣能力不強等缺點。它們都可能出現(xiàn)誤報和漏報等嚴重后果。為此，本文提出一種基于支持向量機的火災(zāi)預(yù)測模型方法，并完成智能預(yù)測系統(tǒng)設(shè)計與實現(xiàn)。論文主要工作內(nèi)容和創(chuàng)新點如下：
　?。?）研究支持向量機（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

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)測存在的不足；然后在討論支持向量機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。
　?。?）設(shè)計出基于WSVR的火災(zāi)智能預(yù)測系統(tǒng)。主要包括樣本信息選取與預(yù)處理、預(yù)測模型訓(xùn)練及參數(shù)優(yōu)化設(shè)計、預(yù)測與輸出等模塊。選取英國Boreham-wood火災(zāi)研究所的實驗數(shù)據(jù)進行仿