用于早期火灾分类的非线性决策树支持向量机 nonlinear decision tree support vector machine for early fire classification.pdfVIP

第18卷第4期 火 灾 科 学 V01．18，No．4 200 9年10月 FIRESAFETYSCIENCE Oct．2009 文章编号：1004—5309(2009)一0206-06 用于早期火灾分类的非线性决策树支持向量机 庄哲民，李卡麟，张新蜂，李芬兰 (汕头大学电子工程系，广东汕头，515063) 摘要：对早期火灾信息进行研究，提出了一种基于非线性决策树的支持向量机多类分类模型。该模型利用非线性 映射将样本投影到高维特征空间，比较每类样本在高维空间的分布情况，进行聚类构造出一个二叉决策树，使容易 区分的类别从根节点逐层分类出来，有效克服了错分积累和避免不可分情况；同时，各个节点采用二值最小二乘小 波支持向量机，以获得较高的泛化能力。该文将该模型用于早期火灾分类，并与BP神经网络、K近邻法和决策树 方法进行比较，实验结果表明，该模型对早期火灾的识别率更高。 关键词：早期火灾分类；非线性决策树；支持向量机 中国分类号：TPl81 文献标识码：A 性要求很高的模式识别问题。传统的分类方法如决 0 引言 策树、贝叶斯、神经网络[1]、K邻近[2]等大部分采用 火灾已成为我国常发性、破坏性和影响力最强 经验风险最小化原则，虽然可以使训练误差最小，但 的灾害之一，一旦发生将造成人员和财产的巨大损 由于火灾阴燃时间较短，有效样本量少，相关性强等 失，因此开展对火灾的预警研究，具有非常重要的意 问题，导致学习机器泛化能力的下降。SVM是 义。火灾预警可以归结为火灾各种状态空间的识 Vapnik等人根据统计学习理论提出的一种学习方 别。一般来说，火灾的状态空间分为无火状态、阴燃 法[3]，能针对早期火灾信息的小样本数据，避免局部 状态和火灾状态，实现火灾早期预警的实质是对火 极小点，并能有效地解决过学习问题。但SVM采 灾阴燃状态信息的识别。为了实现对火灾准确的、 用不等式约束条件的二次寻优算法是费时且不易用 早期的预报，必须严格识别火灾阴燃过程中产生的 于实时数据处理的，为了提高早期火灾分类可靠性 气体，而光电烟感温复合式火灾探测器只有在火灾 和实时性，本文以最小二乘小波支持向量机[4~7] (Least Wavelet VectorMachine， 状态下才能实现预报，在无火、阴燃状态下，由于烟 Squares Support 雾浓度不大、温度上升不明显，实现不了预报。为了 LS-WSVM)为核心，针对早期火灾信息的多样性， 及早的发现和控制火灾的蔓延，采用由气体传感器 采用非线性决策树结构[8．9]，聚类得到一个二叉决 构成的电子鼻系统对火灾阴燃状态的信息进行采 策树，从而得到了用于早期火灾分类的非线性决策 Tree Decision 集，并对采集到的特征信息进行分析识别，从而实现 树的支持向量机(Nonlinear Support 对早期火灾类型的判别，并判断起火原因，为有的放 Vector 矢、尽快扑灭火灾提供支持与帮助。 早期火灾阴燃信息的分类是属于可靠性和实时 收稿日期：2009—08—28；修改日期：2009-09—27 基金项目：广东省科技计划资助项目(0711050600004) 作者简介：庄哲民(1965一)，男，汕头大学工学院电子系教授，硕士生导师