本申請涉及一種基于神經網絡的校園火災評價方法及系統，涉及校園火災的技術領域，其方法包括：構建校園火災安全風險評價指標體系;所述評價指標包括：制度管理、培訓管理、消防設施設備管理及重點消防場所管理；通過Delphi專家打分法構造判斷矩陣，計算各個評價指標的權重值；基于遺傳算法優化BP神經網絡初始權值和閾值得到GA?BP神經網絡模型；基于主成分分析法對原始輸入數據進行降維處理；基于降維后的輸入數據通過訓練好的GA?BP神經網絡模型進行火災安全風險等級的預測以得到火災風險等級。
【技術實現步驟摘要】
本申請涉及校園火災的，尤其是涉及一種基于神經網絡的校園火災評價方法及系統。
技術介紹
1、隨著社會的發展和城市化進程的加快，高校等大型公共設施的安全問題日益受到重視。特別是在火災安全方面，由于高校人員密集、建筑物復雜且易燃材料較多，一旦發生火災，往往會造成嚴重的人員傷亡和財產損失。
2、傳統的火災安全評估方法主要依賴于人工檢查和經驗判斷，這種方法存在諸多不足。首先，人工檢查難以全面覆蓋所有潛在的風險點，容易遺漏重要信息。其次，經驗判斷具有主觀性，不同專家可能給出不同的評價結果，導致評估結果的一致性和準確性較差。此外，傳統方法無法實時監測火災風險的變化，難以及時發現并應對突發情況。
3、如何解決上述技術問題是本領域技術人員需要解決的技術問題。
技術實現思路
1、為了至少部分解決上述技術問題，本申請提供了一種基于神經網絡的校園火災評價方法及系統。
2、第一方面，本申請提供的一種基于神經網絡的校園火災評價方法采用如下的技術方案。
3、一種基于神經網絡的校園火災評價方法，包括：
4、構建校園火災安全風險評價指標體系;所述評價指標包括：制度管理、培訓管理、消防設施設備管理及重點消防場所管理；
5、通過delphi專家打分法構造判斷矩陣，計算各個評價指標的權重值；
6、基于遺傳算法優化bp神經網絡初始權值和閾值得到ga-bp神經網絡模型；
7、基于主成分分析法對原始輸入數據進行降維處理；
>8、基于降維后的輸入數據通過訓練好的ga-bp神經網絡模型進行火災安全風險等級的預測以得到火災風險等級。9、可選的，通過delphi專家打分法構造判斷矩陣，計算各個評價指標的權重值，包括：
10、運用標度法對各評價指標兩兩對比打分以構造評價指標的判斷矩陣a；
11、采用和積法計算權重系數；其中，和積分的公式為：；為各指標的權重，為矩陣a中的元素；
12、計算判斷矩陣最大特征值；；
13、基于所述最大特征值進行一致性檢驗；；；其中cr為一致性比率，ci為一致性指標；在所述cr和ci均滿足的情況下，得到各個評價指標的權重值。
14、可選的，基于主成分分析法對原始輸入數據進行降維處理，包括：
15、根據校園火災安全風險的特點選取反映校園內火災安全狀況的關鍵變量；
16、對收集到的數據進行清洗、整理以實現數據的標準化；
17、測量所述關鍵變量間的偏相關性，判斷是否適合進行主成分分析；
18、檢驗所述關鍵變量間是否存在顯著的相關性；
19、對于滿足偏相關性及顯著的相關性的關鍵變量計算其協方差矩陣；
20、對協方差矩陣進行特征值分解，得到一系列特征值和對應的特征向量；
21、根據特征值大小排序，選擇累積貢獻率達到預定閾值的關鍵變量作為主成分。
22、可選的，基于遺傳算法優化bp神經網絡初始權值和閾值得到ga-bp神經網絡模型，包括：
23、產生初始化種群以生成隨機解集并初始化權值；
24、通過選擇、交叉、變異操作迭代尋找最優解；
25、每代個體的性能按適應度函數評分直至滿足終止條件；
26、記錄每一代中最優個體以用于神經網絡的參數設置；
27、結合遺傳算法優化后的初始權值和閾值，構建bp神經網絡模型。
28、可選的，所述方法還包括：在火災風險等級達到設定閾值時觸發預警；
29、基于當前火災風險等級和校園布局生成疏散路線并將生成的疏散路線通過校園中的智能終端進行顯示及語音播報；
30、基于當前火災風險等級和校園布局生成疏散路線，包括：
31、獲取校園布局圖、建筑物位置信息、安全出口位置；
32、基于建筑物中當前的人群密度匹配對應的優先級因子；優先級越高，所述優先級因子越大；
33、遍歷所有路線基于所述優先級因子及路徑評分得到綜合評分數值最大的路線；其中，路徑越短，路徑評分越高；
34、當存在至少兩條綜合評分數值最大的路線時，基于路徑的寬度及轉彎次數中的至少一個參數，選取其中一個路線作為疏散路線。
35、可選的，遍歷所有路線基于所述優先級因子及路徑評分得到綜合評分數值最大的路線，包括：
36、根據校園內各建筑物中當前的人群密度匹配對應的優先級因子；
37、對于每條從當前節點至安全出口的路線?，根據路線長度計算路徑評分?；
38、基于路線對應的優先級因子和路徑評分進行結合計算綜合評分數值；
39、依次遍歷所有路線比較各條路線的綜合評分數值?，選取綜合評分數值最大的路線。
40、可選的，所述方法還包括：
41、實時監測校園內各建筑物的人群密度，在檢測到路線發生擁擠時，獲取當前擁擠區域的建筑物位置信息；
42、基于當前擁擠區域的建筑物位置信息生成備用疏散路線；
43、在發生擁擠處附近智能終端進行顯示及語音播報所述備用疏散路線。
44、第二方面，本申請提供的一種基于神經網絡的校園火災評價系統采用如下的技術方案。
45、一種基于神經網絡的校園火災評價系統，包括：
46、第一處理模塊，用于：構建校園火災安全風險評價指標體系;所述評價指標包括：制度管理、培訓管理、消防設施設備管理及重點消防場所管理；
47、第二處理模塊，用于：通過delphi專家打分法構造判斷矩陣，計算各個評價指標的權重值；
48、第三處理模塊，用于：基于遺傳算法優化bp神經網絡初始權值和閾值得到ga-bp神經網絡模型；
49、第四處理模塊，用于：基于主成分分析法對原始輸入數據進行降維處理；
50、第五處理模塊，用于：基于降維后的輸入數據通過訓練好的ga-bp神經網絡模型進行火災安全風險等級的預測以得到火災風險等級。
51、第三方面，本申請公開一種電子設備，包括存儲器和處理器，所述存儲器上存儲有被處理器加載并執行上述的任一方法的計算機程序。
52、第四方面，本申請公開一種計算機可讀存儲介質，存儲有能夠被處理器加載并執行上述的任一方法的計算機程序。
本文檔來自技高網...
【技術保護點】
1.一種基于神經網絡的校園火災評價方法，其特征在于，包括：
2.根據權利要求1所述的一種基于神經網絡的校園火災評價方法，其特征在于，通過Delphi專家打分法構造判斷矩陣，計算各個評價指標的權重值，包括：
3.根據權利要求2所述的一種基于神經網絡的校園火災評價方法，其特征在于，基于主成分分析法對原始輸入數據進行降維處理，包括：
4.根據權利要求3所述的一種基于神經網絡的校園火災評價方法，其特征在于，基于遺傳算法優化BP神經網絡初始權值和閾值得到GA-BP神經網絡模型，包括：
5.根據權利要求4所述的一種基于神經網絡的校園火災評價方法，其特征在于，所述方法還包括：在火災風險等級達到設定閾值時觸發預警；
6.根據權利要求5所述的一種基于神經網絡的校園火災評價方法，其特征在于，遍歷所有路線基于所述優先級因子及路徑評分得到綜合評分數值最大的路線，包括：
7.根據權利要求6所述的一種基于神經網絡的校園火災評價方法，其特征在于，所述方法還包括：
8.一種基于神經網絡的校園火災評價系統，其特征在于，包括：
>...
【技術特征摘要】
1.一種基于神經網絡的校園火災評價方法，其特征在于，包括：
2.根據權利要求1所述的一種基于神經網絡的校園火災評價方法，其特征在于，通過delphi專家打分法構造判斷矩陣，計算各個評價指標的權重值，包括：
3.根據權利要求2所述的一種基于神經網絡的校園火災評價方法，其特征在于，基于主成分分析法對原始輸入數據進行降維處理，包括：
4.根據權利要求3所述的一種基于神經網絡的校園火災評價方法，其特征在于，基于遺傳算法優化bp神經網絡初始權值和閾值得到ga-bp...
【專利技術屬性】
技術研發人員：袁磊，陳文建，代先星，張靜，張宇金，王少琨，
申請(專利權)人：四川職業技術學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。