王磊

摘 ? 要：“水火無情”，一定規(guī)模的火災(zāi)可能造成很大的經(jīng)濟損失，對于火災(zāi)等級的分析，科學合理的火災(zāi)救援策略的部署十分關(guān)鍵?；诖?，進行火災(zāi)等級的評價并制定相應(yīng)的救援措施。從模糊綜合評價方向出發(fā)，設(shè)定評判矩陣、模糊子集求解綜合評判矩陣，以4個因素的所處范圍為依據(jù)得到各個火災(zāi)的預(yù)期危害等級。結(jié)合所給經(jīng)緯度數(shù)據(jù)將經(jīng)度、緯度以及問題一求出的危害等級3個緯度的數(shù)據(jù)輸入自組織特征映射網(wǎng)中進行分類，經(jīng)過多次迭代處理，得到確定的放火位置。

關(guān)鍵詞：火災(zāi)等級評價;模糊綜合評價法;隸屬函數(shù);自組織特征映射網(wǎng)

1 ? ?問題闡述

問題1：請你對附件2中的2 033個火災(zāi)預(yù)期危害等級進行評價，并篩選出10大火災(zāi)編號。

問題2：結(jié)合問題1中所確定的火災(zāi)等級及火災(zāi)位置，請篩選出重點的放火位置。

2 ? ?模型建立與求解

2.1 ?問題一的求解

2.1.1 ?模糊綜合評判模型建立

火災(zāi)的發(fā)生受到諸多因素影響，在進行評價的過程中必須同時考慮各種因素，而在很多問題上，人們對事物的評價常常帶有模糊性，因此，應(yīng)用模糊數(shù)學的方法進行綜合評判將會取得更好的實際效果。

首先建立評判對象的因素集U={u1，u2，…，un}，其中的因素即為本題附件所給的初始火災(zāi)面積、風力大小、預(yù)期蔓延速度、救援難度系數(shù)，這些影響因素對于火災(zāi)等級具有重要的影響作用[1]。

設(shè)定評判集V={V1，V2，…，Vm}，在此將火災(zāi)劃分為5個等級，其中5表示火災(zāi)最嚴重，1表示最輕微（見表1）。

建立單因素評判將U到V的模糊映射表示為：

2.1.2 ?模型的求解

將評判等級和評判因素確定以后，為了方便處理，將蔓延速度按照“緩慢”、“慢”、“適中”、“快”、“特快”依次映射為0.2、0.4、0.6、0.8、1.0。之后即可確定單因素評判的映射關(guān)系，按照數(shù)據(jù)平均分布的原則設(shè)定等級劃分標準如表1所示。

根據(jù)各因素所占的頻率，依照公式（2）計算出單因素評判矩陣R如表2所示。

確定權(quán)重大小為A=[μ1（u1）， μ2（u2）， μ3（u3）， μ4（u4）， μ5（u5）]，根據(jù)B=A。R即可求出不同火災(zāi)所對應(yīng)的各個評判元素的數(shù)值，選擇最大的一項數(shù)值所對應(yīng)的當列所屬火災(zāi)危險等級。

據(jù)此劃分出第5種危險等級內(nèi)的火災(zāi)編號，共有239個，再以救援難度系數(shù)、預(yù)期蔓延速度作為篩選標準，篩選出編號為108、132、372、553、620、854、945、1 371、1 409、2 001的火災(zāi)為最大的10場火災(zāi)[2]。

2.2 ?問題二的求解

2.2.1 ?防火位置規(guī)劃模型建立

將附件中2 033個火災(zāi)發(fā)生地點的經(jīng)緯度坐標輸入Matlab中，如圖1所示。

考慮到樣本數(shù)據(jù)的實際情況，為了保證自組織特征映射網(wǎng)（Self-Organizing Feature Map，SOFM）的訓練效率，同時充分照顧到各個可能會發(fā)生火災(zāi)的地區(qū)，提高算法的可實施性，在此，將這2 033個火災(zāi)發(fā)生地點分成6大塊，每塊對應(yīng)設(shè)置一個重點的放火位置（神經(jīng)元）。

2.2.2 ?SOFM網(wǎng)絡(luò)的工作原理

SOFM網(wǎng)絡(luò)是一種基于Hebb學習規(guī)則進行網(wǎng)絡(luò)訓練，具有自組織功能的神經(jīng)網(wǎng)絡(luò)。它可把任意維的輸入信號變換到一維或二維的離散網(wǎng)格上，并保持一定的拓撲有序性。SOFM網(wǎng)絡(luò)具有特征抽取作用，通過自身訓練可以自動對輸入模式進行聚類，用聚類中心（各輸出節(jié)點的權(quán)向量）代表原輸入。

SOFM的基本思想是網(wǎng)絡(luò)輸出層各神經(jīng)元競爭對輸入模式的響應(yīng)機會，最后僅一個神經(jīng)元成為競爭的勝者，并對那些與獲勝神經(jīng)元相鄰的指定鄰域內(nèi)的各神經(jīng)元的所有連接權(quán)朝著更有利于它們競爭獲勝的方向調(diào)整。

算法的基本操作步驟如下：

步驟1：對圖像數(shù)據(jù)作歸一化處理，將各點像素值歸一化到區(qū)間[0，1]內(nèi)，由此得到圖像X=（X1，X2，…，Xi），其中Xi為圖像一點的歸一化后的模式。

步驟2：初始化網(wǎng)絡(luò)連接權(quán)值Wj，其中1≤j≤M為競爭層神經(jīng)元向量元素的個數(shù)。

步驟3：選擇獲勝單元c：

步驟4：進行連接權(quán)調(diào)整：

?Wj=η（t）NBc（t）（xi-wj）

其中，η（t）為學習率，NBc（t）為鄰域函數(shù)，且：

j∈NBc（t）， 0<η（t）<1

步驟5：按照以上步驟，反復(fù)訓練每一個輸入的模式值Xi，直至完成規(guī)定的訓練次數(shù)。經(jīng)過學習后，再次將Xi輸入網(wǎng)絡(luò)，其輸出結(jié)果即為分類結(jié)果。

2.2.3 ?防火位置的求解

基于以上分析，將經(jīng)度、緯度、量化后的火災(zāi)等級3個緯度的數(shù)據(jù)輸入SOFM網(wǎng)絡(luò)中，設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)為6×1，訓練次數(shù)為300次，最終得到圖2。

可見，SOFM最終為每個重點的放火區(qū)域依次分配了221、570、72、309、476、385個火災(zāi)，各神經(jīng)元最終所處坐標即為篩選出的重點的放火位置。

為了更加直觀地看出算法的分類結(jié)果，借助Matlab二維繪圖工具，將各個不同的防火區(qū)域用不同的顏色予以區(qū)分[3]，同時標示出各個重點防火位置，6個重點防火位置坐標依次為：（125.190 9， 45.277 0）;（115.416 3， 37.757 4）;（84.987 8， 41.963 5）;（106.178 1， 34.553 0）;（116.951 3， 29.547 3）;（104.858 7， 27.216 5）。

3 ? ?模型評價與推廣

采用了模糊綜合分析模型，此類模型不僅可對評價對象按綜合分值的大小進行評價和排序，而且還可根據(jù)模糊評價集上的值按最大隸屬度原則或接近原則去評定對象所屬的等級。關(guān)于SOFM神經(jīng)網(wǎng)絡(luò)模型，其網(wǎng)絡(luò)收斂速度快，并且自適應(yīng)的特點保證了可以成功地應(yīng)用于解決組合優(yōu)化問題。

[參考文獻]

[1]王 ? 晨.火災(zāi)等級標準問題的數(shù)量化研究[J].武警學院學報，2010，26（12）：5-7.

[2]田國華，楊 ? 松.我國31個地區(qū)森林火災(zāi)時空分布特征[J].森林防火，2013（2）：10-14.

[3]孫軍田，張 ? 喆.基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)確定災(zāi)害等級的滅火救援出動力量模型研究[C]//南京：2016中國消防協(xié)會科學技術(shù)年會，2016.