城市火災的成因及預防

1北京城市采集有關火災現代化城市具有建筑集中、生產集中、財富集中、人口集中等特點。如果發生火災，必然會造成巨大的經濟損失和人員傷亡，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射塔(世界第二高的電視發射塔)發生火災,7人遇難。2002年6月16日,位于北京海淀區學院路20號的“藍極速”網吧發生火災,造成25人死亡,12人受傷,燒毀建筑95m2,燒毀臺式電腦71臺。因而對火災發生次數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,優化配置消防資源、設施等,也有利于消防隊伍的科學培訓和管理。應用神經網絡預測方法,掌握火災事故發生次數的規律,成功的預防火災的發生,對減少人員傷亡,財產損失,對社會經濟發展,對保持社會秩序的穩定,都具有非常重要意義。2人工神經網絡模擬人工神經網絡是基于連接學說構造的智能仿生模型,它是由大量神經元組成的非線性動力學系統,是由大量的,同時也是很簡單的處理單元(神經元)廣泛地相互連接而形成的復雜網絡系統。人工神經網絡模擬人的大腦活動,具有極強的非線性逼近、大規模并行處理、自訓練學習、容錯能力以及外部環境的適應能力。由于城市火災的發生具有很大的突發性、復雜多樣性及非線性,在很大程度上受外界環境的影響,因而利用神經網絡的特點和功能,對城市火災進行預測預報,更符合火災發生的特性。2.1bp網絡模型BP(BackPropagation)網絡是當前應用最為廣泛的一種人工神經網絡,有80%～90%的人工神經網絡模型是采用BP網絡或變形網絡,是前向網絡的核心部分。標準的BP網絡模型由3個神經元層次組成,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,各層次之間的神經元形成全互連接,各層次內的神經元之間沒有連接。其中輸入層n個節點分別對應n個輸入分量,輸入向量為p=(p1,p2,p3…,pn),輸出層m個節點,其對應m個輸出分量T=(t1,t2,t3,…,tm)。2.2不同單元的連接權值給輸入層單元到隱含層單元的連接權值w1ij,i=1,2,…,s1,j=1,2,…n,隱含層單元到輸出層單元連接權值w2mi,m=1,2,…s2,i=1,2,…,s1,隱含層閥值單元b1i1i,輸出層的閥值b2m2m,并賦予權值、閥值(-1,+1)區間的隨機值。2.2.1輸出層激活值fps(1)將樣本值P輸入,通過連接權值w1ij送到隱含層,產生隱含層單元的激活值:A1t=f1(∑w1ijP+b1i)(1)式中,i,j同上,f1函數為對數s形函數,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函數文中取飽和線性函數:f2={0c<0c0≤c≤101c>1(4)2.2.2mif1pn的表達定義誤差函數為Em=12s2∑m=1(tm-A2m)2(5)輸出層的權值變化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,為了加快網絡的學習速度,采用動量BP算法,加入動量系數γ,修正權值和閥值為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網絡的學習算法框圖如圖2所示。3基于原始網絡結構的bp神經網絡的初始化筆者以某市1985～2001年火災事故數據次數為例(見表1),說明神經網絡預測模型在城市火災預測中的應用。(1)由于春節期間是火災的高峰期,根據城市火災發生時間或季節,采用分時段的方法,即將每一年分為兩個部分進行預測:春節高峰期,非高峰期(除春節以外1～12月)。由于在預測中數據處理較多,以Matlab中的人工神經網絡工具箱為工具編程對城市火災事故進行預測。(2)在BP網絡模型中,神經元的變化函數是S形函數,其函數的特性要求其輸入信息節點的數據必須轉化為[-1,1]之間的數值。因而必須對原始樣本進行數據的初始化,轉化為分布在[-1,1]區間范圍內的數值。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)為初始化后的網絡輸入數據,xij為原始數據,max(xij)為原始數據的最大。即必須對1985～1998年的數據作初始化。(3)初始權值的確定。取初始權值為(-1,1)之間的隨機數,從而保證神經元的權值能夠在S形函數變化最大處進行調節。(4)對模型進行修正權值和閥值,然后把1999～2001年的數據作為預測樣本,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,繼續訓練,直到滿足預測誤差。滿足誤差后,得到最優權重和閥值。(5)期望誤差值是通過對不同期望誤差的網絡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點數和訓練的時間。筆者經過多次訓練比較,選取期望誤差為0.001,最大訓練步數為20000,學習率為0.01,動量系數為0.1。按照誤差要求,多次篩選,得到最優的BP神經網絡結構。高峰期的網絡結構為7-7-1,非高峰期的網絡結構為6-6-1,同時得到最優權值和閾值矩陣。此時可以對1999～2001年火災事故進行預測,其結果及誤差分析如表2所示。(6)從上表可以看出誤差結果最大誤差不超過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,其結果如表3所示。4神經網絡預測模型建立的前提背景(1)預測城市未來火災事故的發生次數是一項復雜的工作。筆者根據神經網絡的特點,將其用于城市火災的預測?？茖W的預測火災事故發生的趨勢,有利于防災基礎資源配置和城市應急安全預案的科學制訂。(2)神經網絡預測方法具有極強的非線性逼近,大規模并行處理,自訓練學習,容錯能以及對外界環境的適應能力,很好地解決了傳統預測方法中須