基于二叉树的ls-wsvm模型在早期火灾分类上的分析-analysis of ls - wsvm model based on binary tree in early fire classification.docxVIP

学位论文原创性声明本论文是我个人在导师指导下进行的工作研究及取得的研究成果。论文 中除了特别加以标注和致谢的地方外，不包含其他人或其它机构已经发表或 撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在论文中以 明确方式标明。本人完全意识到本声明的法律责任由本人承担。作者签名：日期：年月日学位论文使用授权声明本人授权汕头大学保存本学位论文的电子和纸质文档，允许论文被查阅和 借阅；学校可将本学位论文的全部或部分内容编入有关数据库进行检索，可 以采用影印、缩印或其它复制手段保存和汇编论文；学校可以向国家有关部 门或机构送交论文并授权其保存、借阅或上网公布本学位论文的全部或部分 内容。对于保密的论文，按照保密的有关规定和程序处理。作者签名：导师签名： 日期：年月日日期：年月日第一章 绪 论1.1 早期火灾预警的背景及其意义火灾作为一种发生频率较高的灾害，受到国内外的普遍关注，它在任何时间、任何地 区都可能发生。火灾已成为我国常发性、破坏性和影响力最强的灾害之一[1]，一旦发生将 造成人员和财产的巨大损失，因此开展对早期火灾的预警研究，具有非常重要的意义。由 于现在高层楼宇建筑装饰采用了许多不同的材料，发生火灾的类型也非常繁多，所有火灾 而产生的气体构成也十分复杂，在火灾早期阴燃阶段就已经产生大量气体，利用火灾监测 电子鼻系统能迅速感知，并识别阴燃气体的种类，因而及早发现火灾类型，判断起火原因， 对尽快扑灭火灾是非常重要的。火灾预警可以归结为火灾各种状态空间的识别。一般来说，火灾的状态空间分为无火 状态、阴燃状态和火灾状态，实现火灾早期预警的实质是对火灾阴燃状态信息的识别。为 了实现对火灾准确的、早期的预报，必须严格识别火灾阴燃过程中产生的气体，而光电烟 感温复合式火灾探测器只有在火灾状态下才能实现预报，在无火、阴燃状态下，由于烟雾 浓度不大、温度上升不明显，实现不了预报。为了及早的发现和控制火灾的蔓延，采用由 气体传感器构成的电子鼻系统对火灾阴燃状态的信息进行采集，并对采集到的特征信息进 行分析识别，从而实现对早期火灾类型的判别，并判断起火原因，为有的放矢、尽快扑灭 火灾提供支持与帮助[2]。1.2 国内外早期火灾预警的发展动态进行火灾的早期预警监测，一直是国内外众多研究者关注的热点。隶属于美国国家标 准和技术研究院(National Institute of Standards and Technology, NIST)的美国建筑与火灾研 究实验室(Building and Fire Research Laboratory，BFRL)一直在进行着火灾的早期预报研 究，在火灾的现代测量与预测方法(Advanced Measurement and Predictive Methods，AMPM) 领域开展了大量的研究；中国科技大学的火灾科学国家重点实验室在范维澄院士主持下开 展了多项火灾早期预测的研究，并取得了很多成果；日本国立山口大学机械电子系的江钟 伟教授带领的研究小组近年来一直在开展火灾早期图像探测与定位、火灾早期的多信息融 合感知与识别的研究，国内外的其他大学及相关部门也在积极开展火灾的早期预警监测方 面的研究[3]。特别是近年来，随着计算机技术、电子技术、信息技术、人工智能技术和网络技术的发展，我国火灾探测报警技术进入了快速发展阶段，特别是和人工嗅觉系统相结合实现火 灾的早期预警监测。基于电子鼻的信息处理通常采用决策树、K 近邻法、神经网络、欧式 聚类分析法(ECA)、偏最小二乘法(PLS)等模式识别的方法，但它们普遍是基于线性的分 析方法，存在着实用性差、精度低等缺点。人工神经网络具有非线性映射能力，能够抑制 传感器的漂移与噪声，并具有较高的预测精度，但是人工神经网络采用经验风险最小化原 则(Empirical Risk Minimization, ERM)，虽然可以使训练误差最小，但由于过学习问题存 在，反而会导致学习机器泛化能力的下降。因此，经验风险最小并不一定代表实际风险最 小，经验风险最小化原则在样本有限时并不合理。而支持向量机[4](Support Vector Machine, SVM)是根据统计学习理论提出的一种学习方法，是建立在统计学习理论的 VC 维理论和 结构最小化原则上的，是针对有限样本情况下的一种学习算法，它避免了局部极小点，并 能有效地解决过学习问题，因而近年来在人工嗅觉领域倍受重视。1.3 本文的主要内容和章节安排本文分五章，所做的主要工作如下： 第一章主要介绍早期火灾预警的研究背景、国内外的研究现状，最后引出本文的主要工作内容。第二章对 SVM 的原理进行了深入的介绍，针对其不足之处，研究了最小二乘小波支 持向量机(Least Squares Wavelet Support Vector