)j?iޭbQz
ȨMz(A4ё4
4dM4dM4Zدx[!4MMii ]u ip<ǚ%^)X(+aPiq4dM7}}uE?즷wiۏSp-wsidM6kylwiky
3.3 训练预测
AFGRNN结构，输入层有5个节点，隐含层节点数未定，需用上述自适应模糊算法确定，输出层有1个节点，代表预测的该月的火灾财产损失价值。AFGRNN的初始参数分别为：α=0.1，β=1，δ=4，N=0.8，γmin=106。月度误差低于13%为合格。经过训练得出理想的样本模拟效果，得到AFGRNN理想结构为55201。将2013年（12个月）资料，作为预测检验样本数据代入训练好的AFGRNN系统，得出相应的火灾财产损失价值预测结果。反归一化后求出各月预测值。
3.4 结论分析
3.4.1 神经网络模型间比较
对两次加权处理后的数据，通过AFGRNN算法推理预测，其结果见表1、表2。表中同时给出了BP神经网络模型和GRNN神经网络模型的预测结果。图2为2013年3种模型实际月均火灾财产损失价值与预测月均火灾财产损失价值的比较。
从表1、表2和图 2可以看出，AFGRNN模型能较好地拟合出火灾损失变化，预测值基本上反映了原始数据的变化趋势，AFGRNN模型预测效果好于GRNN和BP模型，2013年各月预测结果中，允许误差13%时的合格率为100%。图3为3种不同预测方法预测的月均火灾财产损失价值百分误差。
本文设相对误差绝对值为τ。从表1、表2及图2、图3能够说明，采用AFGRNN模型预测，绝大部分τ≤5%，2013年月平均误差绝对值为1.876%，合格率达到100%；而GRNN模型大部分τ≥4%，甚至出现了超过10%的月份，平均误差绝对值为7.959%，合格率为83.33%；BP模型的平均>11.329%，大部分τ>5%，甚至出现了τ>15%的月份，合格率为58.33%。说明采用AFGRNN模型所预测的火灾损失精度，要高于GRNN和BP模型。
从图2可看出AFGRNN模型的预测效果最好。AFGRNN模型能够处理包含火灾高发期变化因素的数据。在火警平稳变化时段（5月和9月），从火灾损失变化趋势和预测误差评价，3种预测效果都较好。对于火警频繁，火灾损失大幅度增减变化的临界时段，BP神经网络模型预测效果较差， τ<13%时的合格率为58.33%。各种情况下采用AFGRNN模型预测的火灾损失精度都比GRNN模型、BP模型预测精度高，说明AFGRNN模型更具有实用性。
由图3可见，采用AFGRNN模型方法预测的月均火灾损失的相对误差变化比较均匀，变化范围为[0，5%]。说明本文建立的AFGRNN模型预测月火灾损失是稳定的，预测精度较高，适用于区域火灾数据预测。
3.4.2 与两种基于概率论的常用算法比较
一种常用预测方法为“时间损失”分布，如图4所示，此方法在大范围区域和火灾规律分布条件下，火灾发生时间与经济损失呈幂律关系，拟合时间与损失曲线，能够较为准确地判断火灾损失数据。
经“频率损失”分布结合移动加权平均法测算，2013年度火灾损失预测值为641718.8元，大于当年实际损失值，预测平均误差大于AFGRNN算法。可见，加入了时间权值因素的AFGRNN算法，比离散的“频率损失”分布更具有优势。AFGRNN算法分析已有数据，预测不确定数据的能力强于“频率损失”分布算法。表3为AFGRNN模型与两种常用预测方法在预测2013年火灾财产损失实际值与预测值比较情况。
4 结语
本文提出的AFGRNN模型算法优化了广义神经网络的参数组合，解决了BP神经网络初始参数难以准确确定的问题，改善了GRNN神经网络的泛化能力。基于AFGRNN模型的月均火灾损失预测方法，损失预测平均百分比误差可控制在5%以内，提高了火灾损失预测精度和很强的非线性逼近功能，能拟合复杂的输入输出之间的映射关系，其迭代次数、输出稳定性、收敛性和预测精度均优于GRNN方法和BP网络法，适用于复杂的非线性火灾系统损失预测。在实验结果分析比较中，AFGRNN方法通过神经网络训练学习和模糊化取样， 对比基于幂律关系的“时间损失”算法和“频率损失”算法，能够更加准确地预测类似区域火灾损失等存在一定规律却难以准确预知的事件数据。
参考文献：
[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，白广忱.基于神经网络与果蝇优化算法的涡轮叶片低循环疲劳寿命强壮性设计[J].航空动力学报，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.（李素义，嵇艳鞠，刘伟宇，等. 小波变换与神经网络融合法在油页岩近红外光谱分析中的应用[J].光谱学与光谱分析，2013，33（4）：968-971.）
[3] QIAN K，SONG A，ZHANG H，et al. Path planning for mobile robot based on adaptive fuzzy neural network[J]. Journal of Southeast University： Natural Science Edition， 2012，42（7）：637-642.（钱夔，宋爱国，章华涛，等.基于自适应模糊神经网络的机器人路径规划方法[J].东南大学学报： 自然科学版，2012，42（7）：637-642.）
[4] MALAMUD B D， MOREIN G， TURCOTTE D L. Forest fires： an example of selforganized critical behavior[J].Science，1998，281（9）：1840-1842.
[5] RICOTTA C， AVENA G， MARCHETTI M. The flaming sadpile： selforganized criticality and wildfires[J].Eeological Modelling，1999，119（1）：73-77.
[6] TELESCA L.Timeclustering of natural hazards[J]. Natural Hazards， 2007，40（3）：593-601.
[7] WANG J.S patialtemporal distribution and correlation analysis of fire system[D]. Hefei： University of Science and Technology of China， 2009.（王健.火灾系统时空分布规律及相关性分析[D].合肥： 中国科学技术大学， 2009.）
[8] WANG D. Correlation analysis and emergency decision model research on fire rescue time based on fires data[D].Hefei：University of Science and Technology of China，2013：31-63. （王德勇.基于火灾数据的消防时间关联分析与应急决策模型研究[D].合肥：中国科学技术大学，2013：31-63.）
[9] ZHANG H. Analysis and forecast of city fire in guangdong province[D].Guangzhou： South China University of Technology，2013：31-63. （张宏. 广东省城市火灾趋势分析与预测[D].广州：华南理工大学，2013：31-63.）
[10] LING Z. Information processing of fire detecting based on fuzzy neutral network[D].Chengdu：Sichuan University，2004. （凌智辉. 基于模糊神经网络的火灾探测信息处理[D].成都： 四川大学，2004.）
[11] TANG Q. The research of fire data processing methods based on fuzzy neural network[D].Changsha： Hunan University，2010. （汤群芳.基于模糊神经网络的火灾数据处理方法的研究[D].长沙：湖南大学， 2010.）
[12] ZHAO T，LI P，CAO J. Study of interval type2 fuzzy controller for the twintank water level system [J].Chinese Journal of Chemical Engineering，2012，20（6）：1102-1106.
[13] ZHANG J，LI X，YANG H. A soft discretization method of celestial spectrum characteristic line based on fuzzy Cmeans clustering[J].Spectroscopy and Spectral Analysis，2012，32（5）：1435-1438.（张继福，李鑫，杨海峰.基于模糊C均值聚类的天文光谱特征线软离散化[J].光谱学与光谱分析，2012，32（5）：1435-1438.）
[14] SUN Y，ZENG W，ZHAO Y， et al. Intelligent method to develop constitutive relationship of Ti6Al2Zr1Mo1V alloy [J].Transactions of Nonferrous Metals Society of China，2012，22（6）：1457-1461.
[15] SURESH P， MARIMUTHU K， RANGANATHAN S， et al. Optimization of machining parameters in turning of AlSiCGr hybrid metal matrix composites using greyfuzzy algorithm [J].Transactions of Nonferrous Metals Society of China，2014，24（9）：2805-2814.
[16] YU F， ZHAO Y， LI H. Soil moisture retrieval based on GABP neural networks algorithm[J]. Journal of Infrared and Millimeter Waves，2012，31（6）：283-288.（余凡，赵英时，李海涛.基于遗传BP神经网络的主被动遥感协同反演土壤水分[J].红外与毫米波学报，2012，31（6）：283-288.）
[17] LIU X， HU X， WANG T. Rapid assessment of flood loss based on neural network ensemble[J].Transactions of Nonferrous Metals Society of China，2014，24（8）：2636-2641.
[18] CHEN T，JIANG R. New hybrid stream cipher based on chaos and neural networks[J]. Acta Physica Sinica，2013，62（4）：040301.（陈铁明，蒋融融.混沌映射和神经网络互扰的新型复合流密码[J].物理学报，2013，62（4）：040301.）
[19] LIN Y， ZHENG Z， ZHANG H， et al. Effect of heat treatment process on tensile properties of 2A97 AlLi alloy： experiment and BP neural network simulation[J].Transactions of Nonferrous Metals Society of China，2013，23（6）：1728-1736.
[20] LI M，HUANG X，LIU H， et al. Solubility prediction of gases in polymers based on chaotic selfadaptive particle swarm optimization artificial neural networks[J].Acta Chimica Sinica，2013，71（7）：1053-1058.（李孟山，黄兴元，柳和生，等.基于混沌自适应粒子群人工神经网络的气体在聚合物中的溶解模型[J].化学学报，2013，71（7）：1053-1058.）
相关热词搜索： 神经网络 广义 火灾 推理 自适应
