典型文献
PSO优化ELM在火灾探测中的应用
文献摘要：
为提高火灾探测精度,避免标准ELM陷入局部最优,本文基于火灾特征值CO浓度、烟雾浓度、温度建构了一种基于粒子群(PSO)优化极限学习机(ELM)的火灾探测模型,通过PSO优化ELM输入层与隐含层权值以及偏置,利用最优值进行极限学习机网络训练,将训练好的网络对测试样本进行预测并验证方法有效性.研究显示,PSO-ELM的均方根误差(RMSE)为1.403％、平均绝对误差(MAE)为1.055％、平均绝对百分比误差(MAPE)为1.183％,相较于BP、GA-BP和ELM 3个模型,算法精度和泛化能力均有明显提升.同时,PSO-ELM模型训练速度更快,可以更高效地提高火灾探测能力.
文献关键词：
火灾探测;粒子群算法;BP神经网络;GA-BP;极限学习机
中图分类号：
作者姓名：
郑皓天;张树川;朱俊奇
作者机构：
安徽理工大学 安全科学与工程学院,安徽 淮南 232001;安徽理工大学 经济与管理学院,安徽 淮南 232001
文献出处：
引用格式：
[1]郑皓天;张树川;朱俊奇-.PSO优化ELM在火灾探测中的应用)[J].消防科学与技术,2022(01):91-94
A类：
B类：
PSO,ELM,火灾探测,探测精度,局部最优,火灾特征,烟雾浓度,化极,输入层,隐含层,权值,偏置,最优值,极限学习机网络,网络训练,练好,验证方法,RMSE,平均绝对误差,MAE,平均绝对百分比误差,MAPE,GA,泛化能力,模型训练,训练速度,探测能力,粒子群算法
AB值：
0.35547
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
