基于PCA-RBF的高校学生宿舍火灾安全评价及应用

为减少我国高校学生宿舍火灾隐患,采用PCA-RBF神经网络模型进行高校学生宿舍火灾安全评价.首先,获取高校学生宿舍火灾发生的主要影响因素,建立火灾安全评价指标体系.进而引入智能化评价方法,构建了基于径向基函数神经网络(Radial Basis Function Neural Network,RBF)的高校学生宿舍火灾安全评价模型.同时,为避免评价指标的冗余性和神经网络评价中维数爆炸的局限性,引入主成分分析法(Principal Component Analysis,PCA)对指标体系进行降维处理.最后,通过实例分析验证该评价模型的可行性和有效性.结果表明,引入主成分分析方法有效解决了 RBF神经网络在高校学生宿舍火灾安全评价上存在的多种局限性问题.     

基于SVR的高层建筑复合式火灾预警系统设计

针对传统单一功能火灾探测预警系统可靠性差的缺陷,本文设计了一种高层建筑感烟-感温复合式火灾智能预警系统。该系统根据高层建筑火灾预警的非线性、历史数据少及影响因素多等特征,为了提高预警系统的准确性,引入支持向量机回归(SVR)算法,建立了基于SVR模型的高层建筑复合式火灾预警系统。最后以木材火和普通火燃烧标准历史数据为例,通过Matlab仿真模拟,对构建的SVR预警系统进行实证分析,从而验证了所建立的火灾预警系统的可行性和可靠性。该研究成果可为高层建筑火灾准确预警提供一种可靠的决策支持系统。     

高层民用建筑火灾风险综合评估系统研究

为构建更为完善、科学的高层民用建筑火灾风险评价指标体系,并进而建立未确知C-均值聚类模型,对高层民用建筑火灾风险状况进行综合评价,以确定其发生火灾的危险性等级.首先针对目前高层民用建筑火灾风险评估研究存在的不足,提出总体思路.然后,基于危险源辨识,结合《高层民用建筑设计防火规范》,运用事故致因分析及专家调查等方法,分析影响高层民用建筑火灾发生的各种不确定性因素,建立了高层民用建筑火灾风险评价指标体系.在此基础上,根据高层民用建筑火灾风险评价的特点,引入未确知C-均值聚类智能化方法,建立了基于未确知聚类的高层民用建筑火灾风险综合评估模型,并进行了实证分析.结果表明,提出的高层民用建筑火灾风险综合评价系统可以保证高层建筑火灾风险评估的准确性.     

基于粗糙集——粒子群神经网络的建设项目安全预测研究

回顾施工项目安全管理和安全管理研究现状,建立建设项目安全管理指标体系。利用人工神经网络非线性函数逼近能力,对项目风险因素程度预测。针对该网络当数据量大时,其结构复杂、收敛慢,易陷入局部最优的缺点,引入粗糙集对影响建设项目安全目标的不确定性因素进行约简,找出最小不确定性风险因素集,大大简化网络输入信息的表达空间维数。并结合粒子群算法收敛速度快、全局最优的寻优能力强的优点,建立基于粗糙集——粒子群神经网络的建设项目安全预测系统。通过实例验证该系统的科学性和有效性。