基于PCA-RBF神经网络的地铁车站火灾风险评估

为避免地铁车站火灾事故的发生,帮助地铁车站管理部门做好火灾风险评估工作,提出基于PCA-RBF神经网络的地铁车站火灾风险评估模型。采用主成分分析法(Principal Component Analysis,PCA)对风险评价指标体系进行降维处理,并将降维后的主成分作为RBF神经网络的输入变量;选择具有代表性的样本数据训练RBF神经网络,并用检验样本测试训练效果;最后,输入待测样本数据得出火灾风险评估结果。通过实例对比分析,验证了该评估模型在地铁车站火灾风险评估中的可行性与准确性,对类似项目火灾风险评估具有一定参考意义。     

基于PCA-FPP-BP神经网络的高层建筑火灾安全评价

为解决高层建筑构造复杂、人员密度大、火灾触发因素繁多而造成高层建筑火灾安全评价困难的问题,本文提出基于PCA-FPP-BP神经网络的高层建筑火灾安全评价模型。首先运用主成分分析(PCA)对构建的高层建筑火灾安全评价指标降维处理,筛选主要信息;接着基于三角模糊数构建模糊评判矩阵,利用模糊优先规划(FPP)求解指标的权重值,减少主观的影响;最后考虑到指标间关系错综复杂彼此交叉和反馈的特性,选择BP神经网络对高层建筑火灾安全进行评价。通过工程案例证明该评价模型的实用性以及可靠性。     

基于主成分分析和BP神经网络的综合安全评价模型

提出了基于主成分分析法和BP神经网络的综合安全评价模型.利用主成分分析法的数据降维功能对评价指标进行特征提取,选用合适的主成分作为神经网络的输入,构建网络拓扑结构.在建立多层次道路危险货物运输企业安全评价指标体系的基础上,采用MATLAB对企业安全现状进行实证仿真分析.结果表明,基于主成分分析法和BP神经网络的综合安全评价模型的评价结果优于其他评价模型.研究表明,本文得到的综合模型能够更加客观、准确地反映评价对象的实际情况.     

高校学生宿舍火灾风险与综合评价

高校为我国培养了多种专业人才.随着高等教育规模的不断扩大,高校安全问题已成为全社会关注的焦点,特别是学生宿舍火灾问题.通过对高校学生宿舍火灾多发的原因和特性分析得出,学生安全意识差、消防知识匮乏、人员密度大、建筑物耐火等级低等是造成高校学生宿舍火灾的主要原因.依据火灾安全特征及相关规定,应用系统理论的观点,提出学生宿舍火灾风险辨识应从学校系统内部因素、外部环境和管理层次三维角度进行分析.构建宿舍火灾风险评价的安全评价体系,运用模糊综合评价的方法,结合实例探讨该方法的可行性.     

基于灰关联-证据理论的高校宿舍火灾风险评价方法

随着高等教育规模的不断扩大,高校内各种安全问题已成为社会焦点,尤其是宿舍火灾问题一直亟待重视.为了对高校宿舍火灾风险进行合理的评价与分析,通过查阅相关资料与法规,从人、物、环境、管理4个方面出发建立了高校宿舍火灾风险评价指标体系,包括21个二级客观指标和11个二级主观指标,并给出了各指标分级标准;结合灰色关联法和D-S证据理论建立了高校宿舍火灾风险评价模型,并将评价模型应用于某高校宿舍楼进行了实例分析.结果表明:1)管理因素权重最大,对该高校宿舍火灾风险影响最深;2)评价结果不确定度为0.058 6;3)评价得分为0.941 4,风险等级为"危险",与实际风险情况相符.研究表明,此研究方法能够较客观地确定各风险因素权重、较好地融合各风险因素评价信息,有效降低风险评价中的不确定性和随机误差.     

灰色系统理论在高校学生公寓火灾风险评价中的应用

针对高校学生公寓火灾的安全问题,参考相关标准、征求专家意见,建立了高校学生公寓火灾风险评价指标体系,并确定了权重。在此基础上,根据灰色系统理论原理对高校学生公寓火灾风险评价进行研究,建立评价模型,运用改进后的多层次灰色关联度分析法对青岛市某高校10#学生公寓的火灾风险进行评价,得出火灾风险等级为二级,即安全。研究结果表明,所建立的评价模型对学生公寓火灾的风险评价具有良好的应用价值,也为火灾风险评价提供了一种新的综合评价方法。     

高校学生宿舍火灾风险分级方法研究

本文针对高校学生宿舍火灾隐患突出,安全管理缺乏科学性的问题,研究了一套火灾风险分级方法。首先基于文献调研和实地调研结果筛选出影响学生宿舍火灾风险水平的分级指标并借助层次分析法计算指标权重;其次编制高校学生宿舍火灾风险分级检查表,并选取目标宿舍开展分级检查;最后利用模糊综合评价法对检查结果进行分析,判定火灾风险等级,判定结果与实际情况相符。该方法适用于宿舍硬件设施差异较大的高校,通过对宿舍火灾风险进行排查和横向比较,可以找出高危区域,以便更有针对性地开展分级管理工作。     

遗传神经网络在地下商场火灾风险评价中的应用

由于地下商场火灾时非线性强、风险大,目前国内没有明确的地下商场火灾风险评价模型。建立了地下商场火灾风险评价的指标体系。根据遗传神经网络原理提出了地下商场火灾风险的遗传神经网络评价模型,其中采用了适用于少样本评价的灰色聚类方法来确定训练遗传神经网络的样本。将所建立的模型通过实例评价进行了验证,结果表明此模型在地下商场火灾评价中具有较好的应用价值。     

以AHP-RBFNN评估建筑工程项目的风险

针对我国建筑工程风险评估技术在工程项目应用较少的现状,需建立一个合理的风险评价指标体系与一个有效的风险评估模型。本文首先分析了一般的风险评价模型的优缺点,确定了以层次分析法与径向基函数(RBF)神经网络相结合的AHP-RBFNN风险评估模型,其次根据现代化建筑工程项目的特点构建出合理的风险评价指标体系,并且运用层次分析法确定各指标的综合权重,然后将各指标作为RBF神经网络的输入,利用RBF神经网络的无线逼近能力和快速收敛的特点,建立了新型建筑工程风险评价模型。MATLAB仿真结果表明,此方法能较准确的对建筑工程项目安全进行评估,为全面评价建筑施工安全状况提供了新的方法与思路。     

基于物元分析与PCA的部队汽车分队安全评价模型

为改善部队汽车分队的安全状况,建立了基于主成分分析与BP神经网络的部队汽车分队安全评价模型。在利用层次分析法建立分队系统的安全评价指标体系的基础上,将专家作为样本,进行物元分析,两者联合确定指标权重,进而得到相对客观的评价样本。对样本提取主成分,使输入变量降维且相互独立,以提高网络训练和预测效果。结果表明,其预测精度优于不采用主成分分析的BP网络模型,且相对误差在4%以内,模型具有可行性。因此,结合了物元分析与主成分分析的BP网络耦合模型能更加客观、准确地评价和预测被评价对象的实际安全状况。