基於自適應模糊廣義回歸神經網絡的區域火災數據推理預測
行業與領域應用
作者：金杉 金誌剛
摘要：針對基於反向傳播（BP）神經網絡和經典概率論及其衍生算法進行火災損失預測時，存在係統結構複雜、依賴不穩定的探測數據、易陷入局部極小值等缺點，提出一種基於自適應模糊廣義回歸神經網絡（GRNN）的區域火災數據推理預測算法。在網絡輸入層使用改進模糊C聚類算法，對初始數據進行權重修正，減少了噪聲和孤立點對算法造成的影響，提高了預測值的逼近精度；引入自適應函數優化GRNN算法，調整迭代收斂的擴展速度、變化步長，找到全局最優解，改善了過早收斂問題，提高了搜索效率。實驗結果表明，該算法代入已確定火災損失數據，解決了依賴不穩定探測數據問題，並且具有良好的泛化能力、非線性逼近能力。
關鍵詞：自適應；模糊；廣義回歸神經網絡；區域火災數據；預測
中圖分類號： TP202 文獻標誌碼：A
Abstract：While BP neural network，classical theory of probability and its derivative on algorithm were used to fire loss prediction，the system structure is complex，the detection data is _disibledevent=106。月度誤差低於13%為合格。經過訓練得出理想的樣本模擬效果，得到AFGRNN理想結構為55201。將2013年（12個月）資料，作為預測檢驗樣本數據代入訓練好的AFGRNN係統，得出相應的火災財產損失價值預測結果。反歸一化後求出各月預測值。
3.4 結論分析
3.4.1 神經網絡模型間比較
3.4.2 與兩種基於概率論的常用算法比較
經“頻率損失”分布結合移動加權平均法測算，2013年度火災損失預測值為641718.8元，大於當年實際損失值，預測平均誤差大於AFGRNN算法。可見，加入了時間權值因素的AFGRNN算法，比離散的“頻率損失”分布更具有優勢。AFGRNN算法分析已有數據，預測不確定數據的能力強於“頻率損失”分布算法。表3為AFGRNN模型與兩種常用預測方法在預測2013年火災財產損失實際值與預測值比較情況。
4 結語
本文提出的AFGRNN模型算法優化了廣義神經網絡的參數組合，解決了BP神經網絡初始參數難以準確確定的問題，改善了GRNN神經網絡的泛化能力。基於AFGRNN模型的月均火災損失預測方法，損失預測平均百分比誤差可控製在5%以內，提高了火災損失預測精度和很強的非線性逼近功能，能擬合複雜的輸入輸出之間的映射關係，其迭代次數、輸出穩定性、收斂性和預測精度均優於GRNN方法和BP網絡法，適用於複雜的非線性火災係統損失預測。在實驗結果分析比較中，AFGRNN方法通過神經網絡訓練學習和模糊化取樣，對比基於冪律關係的“時間損失”算法和“頻率損失”算法，能夠更加準確地預測類似區域火災損失等存在一定規律卻難以準確預知的事件數據。
參考文獻：
[1] ZHOU P， BAI G. Robust design of turbineblade low cycle fatigue life based on neural networks and fruit fly optimization algorithm[J].Journal of Aerospace Power，2013，28（5）：1013-1017.（周平，白廣忱.基於神經網絡與果蠅優化算法的渦輪葉片低循環疲勞壽命強壯性設計[J].航空動力學報，2013，28（5）：1013-1017.）
[2] LI S，JI Y，LIU W， et al. Application of wavelet transform and neural network in the nearinfrared spectrum analysis of oil shale[J].Spectroscopy and Spectral Analysis，2013，33（4）：968-971.（李素義，嵇豔鞠，劉偉宇，等. 小波變換與神經網絡融合法在油頁岩近紅外光譜分析中的應用[J].光譜學與光譜分析，2013，33（4）：968-971.）