針對船舶機艙火災高效準確探測的需求,建立基于LSTM-ID3判決的船舶火災探測方法。首先確定采集船舶火災特征的三類傳感器,然后完成LSTM神經(jīng)網(wǎng)絡模型的構建、參數(shù)的優(yōu)化,將LSTM神經(jīng)網(wǎng)絡輸出的明火、陰燃火、無火的概率值與煙霧持續(xù)時間作為決策樹的輸入量,輸出火災探測結果。利用國家標準火典型數(shù)據(jù)進行訓練,并開展相關試驗,對船舶機艙火災進行探測。試驗結果表明,與其他算法進行對比,探測準確率達到97%以上,該方案能對機艙火災做出有效探測,為船舶安全提供科學依據(jù)。 

【文章來源】：消防科學與技術. 2020,39(07)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

LSTM的基本單元

如圖2所示，LSTM神經(jīng)網(wǎng)絡模型的輸入為t時刻及t-n-1時刻的溫度、煙霧、CO體積分數(shù)，輸出為t+1時刻的陰燃火概率(y1(t+1))、無火概率(y2(t+1))、明火概率(y3(t+1))。船舶火災探測模型的關系可表示為式（8）。2.2 LSTM神經(jīng)網(wǎng)絡模型評價指標

經(jīng)過計算各個屬性的信息熵以及信息增益結果，取無火概率特征參量作為根節(jié)點，陰燃火、煙霧持續(xù)時間為葉子節(jié)點。決策樹深度為4，能夠有效進行決策。sample表示樣本數(shù)量12,value表示劃分子集，表1的火情等級結果中，有12種情況，其中7種表示有火災，5種表示無火災。圖4給出了火災判決過程。圖4 火災判決的決策樹圖

【參考文獻】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡的艦船機艙火災溫度快速預測[J]. 閆曉茹.  艦船科學技術. 2019(22)
[2]不同氧濃度船舶機艙油池火災熱流場特性[J]. 蘇石川,崔海濱,王亮,郭晨宇,魏承印.  消防科學與技術. 2019(01)
[3]基于模糊神經(jīng)網(wǎng)絡的火災算法研究[J]. 何志祥,孟超.  消防科學與技術. 2018(10)



本文編號：3402703