城市火災的成因及預防

城市火災的成因及預防

1北京城市采集有關(guān)火災現(xiàn)代化城市具有建筑集中、生產(chǎn)集中、財富集中、人口集中等特點。如果發(fā)生火災，必然會造成巨大的經(jīng)濟損失和人員傷亡，并導致社會動蕩。特別近年來城市火災發(fā)生呈上升趨勢,給社會造成了不可忽視的損失。1998年3月22日,倫敦金融城中心發(fā)生火災,一幢44層高塔樓的1/5化為灰燼。2001年8月27日,俄羅斯首都莫斯科的奧斯坦基諾電訊發(fā)射塔(世界第二高的電視發(fā)射塔)發(fā)生火災,7人遇難。2002年6月16日,位于北京海淀區(qū)學院路20號的“藍極速”網(wǎng)吧發(fā)生火災,造成25人死亡,12人受傷,燒毀建筑95m2,燒毀臺式電腦71臺。因而對火災發(fā)生次數(shù)及其分布特性進行準確、有效地預測,有利于消防部門合理投入人力、物力,優(yōu)化配置消防資源、設(shè)施等,也有利于消防隊伍的科學培訓和管理。應(yīng)用神經(jīng)網(wǎng)絡(luò)預測方法,掌握火災事故發(fā)生次數(shù)的規(guī)律,成功的預防火災的發(fā)生,對減少人員傷亡,財產(chǎn)損失,對社會經(jīng)濟發(fā)展,對保持社會秩序的穩(wěn)定,都具有非常重要意義。2人工神經(jīng)網(wǎng)絡(luò)模擬人工神經(jīng)網(wǎng)絡(luò)是基于連接學說構(gòu)造的智能仿生模型,它是由大量神經(jīng)元組成的非線性動力學系統(tǒng),是由大量的,同時也是很簡單的處理單元(神經(jīng)元)廣泛地相互連接而形成的復雜網(wǎng)絡(luò)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)模擬人的大腦活動,具有極強的非線性逼近、大規(guī)模并行處理、自訓練學習、容錯能力以及外部環(huán)境的適應(yīng)能力。由于城市火災的發(fā)生具有很大的突發(fā)性、復雜多樣性及非線性,在很大程度上受外界環(huán)境的影響,因而利用神經(jīng)網(wǎng)絡(luò)的特點和功能,對城市火災進行預測預報,更符合火災發(fā)生的特性。2.1bp網(wǎng)絡(luò)模型BP(BackPropagation)網(wǎng)絡(luò)是當前應(yīng)用最為廣泛的一種人工神經(jīng)網(wǎng)絡(luò),有80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用BP網(wǎng)絡(luò)或變形網(wǎng)絡(luò),是前向網(wǎng)絡(luò)的核心部分。標準的BP網(wǎng)絡(luò)模型由3個神經(jīng)元層次組成,如圖1所示。其最下層稱為輸入層,中間層稱為隱含層,最上層稱為輸出層,各層次之間的神經(jīng)元形成全互連接,各層次內(nèi)的神經(jīng)元之間沒有連接。其中輸入層n個節(jié)點分別對應(yīng)n個輸入分量,輸入向量為p=(p1,p2,p3…,pn),輸出層m個節(jié)點,其對應(yīng)m個輸出分量T=(t1,t2,t3,…,tm)。2.2不同單元的連接權(quán)值給輸入層單元到隱含層單元的連接權(quán)值w1ij,i=1,2,…,s1,j=1,2,…n,隱含層單元到輸出層單元連接權(quán)值w2mi,m=1,2,…s2,i=1,2,…,s1,隱含層閥值單元b1i1i,輸出層的閥值b2m2m,并賦予權(quán)值、閥值(-1,+1)區(qū)間的隨機值。2.2.1輸出層激活值fps(1)將樣本值P輸入,通過連接權(quán)值w1ij送到隱含層,產(chǎn)生隱含層單元的激活值:A1t=f1(∑w1ijP+b1i)(1)式中,i,j同上,f1函數(shù)為對數(shù)s形函數(shù),即f1(x)(1+e-x)-1(2)(2)計算輸出層單元激活值:A2m=f(∑w2miA1t+b2m)(3)令c=∑w2miA1i+b2m式中,f函數(shù)文中取飽和線性函數(shù):f2={0c<0c0≤c≤101c>1(4)2.2.2mif1pn的表達定義誤差函數(shù)為Em=12s2∑m=1(tm-A2m)2(5)輸出層的權(quán)值變化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)輸出層的權(quán)值變化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)反向傳播的一個主要問題是需要較長時間,為了加快網(wǎng)絡(luò)的學習速度,采用動量BP算法,加入動量系數(shù)γ,修正權(quán)值和閥值為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網(wǎng)絡(luò)的學習算法框圖如圖2所示。3基于原始網(wǎng)絡(luò)結(jié)構(gòu)的bp神經(jīng)網(wǎng)絡(luò)的初始化筆者以某市1985～2001年火災事故數(shù)據(jù)次數(shù)為例(見表1),說明神經(jīng)網(wǎng)絡(luò)預測模型在城市火災預測中的應(yīng)用。(1)由于春節(jié)期間是火災的高峰期,根據(jù)城市火災發(fā)生時間或季節(jié),采用分時段的方法,即將每一年分為兩個部分進行預測:春節(jié)高峰期,非高峰期(除春節(jié)以外1～12月)。由于在預測中數(shù)據(jù)處理較多,以Matlab中的人工神經(jīng)網(wǎng)絡(luò)工具箱為工具編程對城市火災事故進行預測。(2)在BP網(wǎng)絡(luò)模型中,神經(jīng)元的變化函數(shù)是S形函數(shù),其函數(shù)的特性要求其輸入信息節(jié)點的數(shù)據(jù)必須轉(zhuǎn)化為[-1,1]之間的數(shù)值。因而必須對原始樣本進行數(shù)據(jù)的初始化,轉(zhuǎn)化為分布在[-1,1]區(qū)間范圍內(nèi)的數(shù)值。初始化具體方法采用參加訓練的樣本各指標原始值與參加訓練的樣本各指標原始值的最大值之比。即,Ρij=xij/max(xij)為初始化后的網(wǎng)絡(luò)輸入數(shù)據(jù),xij為原始數(shù)據(jù),max(xij)為原始數(shù)據(jù)的最大。即必須對1985～1998年的數(shù)據(jù)作初始化。(3)初始權(quán)值的確定。取初始權(quán)值為(-1,1)之間的隨機數(shù),從而保證神經(jīng)元的權(quán)值能夠在S形函數(shù)變化最大處進行調(diào)節(jié)。(4)對模型進行修正權(quán)值和閥值,然后把1999～2001年的數(shù)據(jù)作為預測樣本,將得到一個預測誤差,如果沒有達到所要求的誤差值,或者沒有達到所要求的訓練次數(shù),繼續(xù)訓練,直到滿足預測誤差。滿足誤差后,得到最優(yōu)權(quán)重和閥值。(5)期望誤差值是通過對不同期望誤差的網(wǎng)絡(luò)的對比訓練來選取的。如果選取較小的期望誤差值要通過增加隱含層的節(jié)點數(shù)和訓練的時間。筆者經(jīng)過多次訓練比較,選取期望誤差為0.001,最大訓練步數(shù)為20000,學習率為0.01,動量系數(shù)為0.1。按照誤差要求,多次篩選,得到最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。高峰期的網(wǎng)絡(luò)結(jié)構(gòu)為7-7-1,非高峰期的網(wǎng)絡(luò)結(jié)構(gòu)為6-6-1,同時得到最優(yōu)權(quán)值和閾值矩陣。此時可以對1999～2001年火災事故進行預測,其結(jié)果及誤差分析如表2所示。(6)從上表可以看出誤差結(jié)果最大誤差不超過0.88%,預測的精度較高,能夠滿足實際需要。因此,可以預測未來3年的火災事故,其結(jié)果如表3所示。4神經(jīng)網(wǎng)絡(luò)預測模型建立的前提背景(1)預測城市未來火災事故的發(fā)生次數(shù)是一項復雜的工作。筆者根據(jù)神經(jīng)網(wǎng)絡(luò)的特點,將其用于城市火災的預測?？茖W的預測火災事故發(fā)生的趨勢,有利于防災基礎(chǔ)資源配置和城市應(yīng)急安全預案的科學制訂。(2)神經(jīng)網(wǎng)絡(luò)預測方法具有極強的非線性逼近,大規(guī)模并行處理,自訓練學習,容錯能以及對外界環(huán)境的適應(yīng)能力,很好地解決了傳統(tǒng)預測方法中須