賴小龍，于文華，趙燕東，顏小飛

（北京林業(yè)大學(xué) 工學(xué)院，北京100083）

森林火災(zāi)給人類帶來(lái)巨大的損失，早期林火監(jiān)測(cè)是實(shí)現(xiàn)對(duì)森林火災(zāi)“早發(fā)現(xiàn)、早撲救”的主要措施。目前，我國(guó)在森林防火工作中已初步實(shí)現(xiàn)了衛(wèi)星監(jiān)測(cè)、飛機(jī)巡護(hù)、瞭望臺(tái)監(jiān)測(cè)和地面人員巡護(hù)的立體監(jiān)測(cè)手段。國(guó)外尤其是歐美等發(fā)達(dá)國(guó)家，傳統(tǒng)的人工巡護(hù)、人工瞭望塔監(jiān)控方式正逐漸被航空巡護(hù)、衛(wèi)星監(jiān)測(cè)、高空紅外探火以及自動(dòng)瞭望塔所替代［1-3］。

針對(duì)我國(guó)的實(shí)際情況，在很長(zhǎng)的一段時(shí)間內(nèi)，近地面的監(jiān)測(cè)方式都將是森林火災(zāi)監(jiān)測(cè)預(yù)報(bào)中的重要舉措之一［4-5］。而監(jiān)測(cè)設(shè)備中單一傳感器提供的數(shù)據(jù)又無(wú)法對(duì)火災(zāi)發(fā)生時(shí)森林環(huán)境參數(shù)信息進(jìn)行全面的描述，且可能出現(xiàn)漏測(cè)漏報(bào)等失效問題，所以需要融合多傳感器所采集的環(huán)境信息，進(jìn)行處理和分析，從而識(shí)別火災(zāi)狀態(tài)［6-7］。

本研究使用自行研制的檢測(cè)設(shè)備，分別使用BP神經(jīng)網(wǎng)絡(luò)、神經(jīng)模糊系統(tǒng)和支持向量機(jī)3種算法進(jìn)行數(shù)據(jù)融合與識(shí)別，對(duì)早期林火引起的環(huán)境參數(shù)變化進(jìn)行監(jiān)測(cè)并對(duì)識(shí)別結(jié)果進(jìn)行對(duì)比和分析。

1 材料與方法

1.1 試驗(yàn)材料與儀器

使用北京林業(yè)大學(xué)工學(xué)院俞國(guó)勝教授團(tuán)隊(duì)研發(fā)的生物質(zhì)成型燃料的燃燒來(lái)模擬早期森林火災(zāi)。該生物質(zhì)成型燃料的生產(chǎn)原料為各類森林衍生物，如木材采伐與加工剩余物、林木枝丫、樹皮、灌木以及植物秸稈等。燃燒產(chǎn)物除CO2（充分燃燒）、CO（不充分燃燒）、水外，還生成SO2（低于100mg·m-3）、粉塵（低于200mg·m-3）以及燃燒灰燼（主要由鈣、鉀、鎂、鈉、錳、鐵、磷、硫等無(wú)機(jī)成分組成）。燃燒熱值為16 747kJ·kg-1左右［8-9］。

本試驗(yàn)采用兩套自主研發(fā)的監(jiān)測(cè)儀，可間隔1 min實(shí)時(shí)獲取CO濃度、CO2濃度、煙霧濃度、空氣溫度、空氣濕度。CO濃度測(cè)量采用日本NEMOTO公司微型EC805-CO傳感器，測(cè)量范圍0～1 000×10-6，精度±20×10-6。CO2濃度測(cè)量采用韓國(guó)ELT公司的微型紅外S-100傳感器，測(cè)量范圍0～5 000×10-6，精度±30×10-6。煙霧濃度測(cè)量采用韓國(guó)OGAM公司的微型MS5100傳感器，輸出電壓值0.5～5.0V，與煙霧濃度成近似線性關(guān)系，由于火災(zāi)煙霧是由氣體、液體、固體微粒群組成的混合物，很難定量表征其濃度大小，故本文中直接用傳感器輸出的電壓值表征煙霧濃度?？諝鉁囟扰c空氣濕度測(cè)量采用瑞士SENSIRION公司的SHT11溫濕度一體傳感器，溫度測(cè)量范圍-40～123℃，測(cè)量誤差±0.4℃，相對(duì)濕度測(cè)量范圍0%～100%，測(cè)量誤差±3%。

1.2 試驗(yàn)設(shè)計(jì)

試驗(yàn)在北京林業(yè)大學(xué)實(shí)驗(yàn)林場(chǎng)，并在微風(fēng)條件下進(jìn)行。選用底部通風(fēng)、直徑為40cm、高為60cm的鐵桶，內(nèi)放置方便生物質(zhì)燃料燃燒的鐵絲網(wǎng)及燃料塊，在2m處安置數(shù)據(jù)采集裝置，采集時(shí)間間隔為1min，實(shí)時(shí)獲取CO、CO2、煙霧濃度及空氣溫濕度數(shù)據(jù)，直至燃料塊燃燒完畢。

調(diào)整數(shù)據(jù)采集器與火源之間的距離分別為5、10、15m重復(fù)以上試驗(yàn)。

1.3 數(shù)據(jù)預(yù)處理

將采集裝置SD卡中原始數(shù)據(jù)導(dǎo)入MATLAB進(jìn)行預(yù)處理，并將每次試驗(yàn)數(shù)據(jù)整理為向量形式，一行為一條數(shù)據(jù)，列為傳感器值。根據(jù)試驗(yàn)記錄加入火災(zāi)狀態(tài)列，有火為1，無(wú)火為0。預(yù)處理后，數(shù)據(jù)第1列至第6列數(shù)據(jù)分別為CO濃度、CO2濃度、煙霧濃度、溫度、濕度和火災(zāi)狀態(tài)。

2 結(jié)果與分析

2.1 識(shí)別性能評(píng)價(jià)參數(shù)

定義3個(gè)表征參數(shù)：有火成功識(shí)別率S、無(wú)火誤識(shí)別率W、無(wú)法識(shí)別率U。

有火成功識(shí)別率S表征對(duì)實(shí)際已發(fā)生火災(zāi)進(jìn)行準(zhǔn)確識(shí)別的能力。定義如公式（1）所示：

式中，S表示有火成功識(shí)別率，N1表示真實(shí)火災(zāi)狀態(tài)為1的數(shù)據(jù)條數(shù)，n1表示在真實(shí)火災(zāi)狀態(tài)為1時(shí)，識(shí)別輸出狀態(tài)值＞0.9的數(shù)據(jù)條數(shù)。

無(wú)火誤識(shí)別率W 表征對(duì)實(shí)際未發(fā)生火災(zāi)卻誤識(shí)別為火災(zāi)的可能性。定義如公式（2）所示：

式中，W 表示無(wú)火誤識(shí)別率，N0表示真實(shí)火災(zāi)狀態(tài)為0的數(shù)據(jù)條數(shù)，n0表示在真實(shí)火災(zāi)狀態(tài)為0時(shí)，識(shí)別輸出狀態(tài)值＞0.9的數(shù)據(jù)條數(shù)。

無(wú)法識(shí)別率U表征無(wú)法根據(jù)測(cè)得數(shù)據(jù)識(shí)別是否有火災(zāi)的可能性。定義如公式（3）所示：

式中，U 表示無(wú)法識(shí)別率，Nall表示總數(shù)據(jù)條數(shù)，nu表示識(shí)別輸出狀態(tài)值在0.1至0.9之間的數(shù)據(jù)條數(shù)。

2.2 傳感器組的優(yōu)選結(jié)果

通過對(duì)試驗(yàn)數(shù)據(jù)初步分析發(fā)現(xiàn)，對(duì)于早期林火監(jiān)測(cè)識(shí)別，在環(huán)境溫差變化不大，無(wú)明顯降雨的狀況下，未發(fā)現(xiàn)溫度、濕度與火災(zāi)狀態(tài)有明顯的相關(guān)性。其貢獻(xiàn)率遠(yuǎn)小于CO濃度、CO2濃度以及煙霧濃度。為精簡(jiǎn)輸入向量，提高分析效率，剔除溫度、濕度數(shù)據(jù)，僅保留關(guān)鍵傳感器——CO濃度、CO2濃度和煙霧濃度。

2.3 BP神經(jīng)網(wǎng)絡(luò)識(shí)別分析

BP神經(jīng)網(wǎng)絡(luò)在具體應(yīng)用時(shí)，需結(jié)合實(shí)際的問題，考慮結(jié)構(gòu)和參數(shù)的選擇、訓(xùn)練樣本的選取、權(quán)值初值的設(shè)定、學(xué)習(xí)算法的收斂性等問題，這些問題的解決往往需要多次的嘗試與經(jīng)驗(yàn)［10-11］。

對(duì)于訓(xùn)練樣本與檢驗(yàn)樣本的選取，從所有實(shí)驗(yàn)數(shù)據(jù)中隨機(jī)取出9次試驗(yàn)共1 160條數(shù)據(jù)，將其中3次試驗(yàn)共316條數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，其余6次試驗(yàn)共844條數(shù)據(jù)作為檢驗(yàn)數(shù)據(jù)，其中測(cè)量距離為2、5、10、15m的數(shù)據(jù)條數(shù)分別為323、93、255與173。并使用matlab的mapminmax函數(shù)對(duì)訓(xùn)練數(shù)據(jù)與檢驗(yàn)數(shù)據(jù)進(jìn)行歸一化。

輸入向量的個(gè)數(shù)通常選擇為傳感器的個(gè)數(shù)，每個(gè)傳感器的數(shù)據(jù)為1個(gè)輸入向量，分別是CO濃度、CO2濃度、煙霧濃度3個(gè)輸入向量?？紤]到林火早期的監(jiān)測(cè)與識(shí)別各參數(shù)存在時(shí)間上的連續(xù)性與相關(guān)性，本文設(shè)置了9個(gè)輸入向量，分別為2min前、1min前和當(dāng)前的CO濃度、CO2濃度、煙霧濃度。在算法分析中，對(duì)三輸入向量和九輸入向量的識(shí)別結(jié)果進(jìn)行比較分析。輸出向量即為火災(zāi)狀態(tài)，0為無(wú)火，1為有火。

2.3.1 三輸入向量BP神經(jīng)網(wǎng)絡(luò)識(shí)別 使用Matlab神經(jīng)網(wǎng)絡(luò)工具箱對(duì)數(shù)據(jù)進(jìn)行分析，用newff函數(shù)創(chuàng)建并初始化神經(jīng)網(wǎng)絡(luò)，經(jīng)過多次訓(xùn)練發(fā)現(xiàn)，在1個(gè)含有24個(gè)神經(jīng)元的隱含層與含有1個(gè)神經(jīng)元的輸出層之間再加入1個(gè)含有4個(gè)神經(jīng)元的隱含層，對(duì)識(shí)別結(jié)果有明顯的改善。因此，最終確定網(wǎng)絡(luò)結(jié)構(gòu)為3-24-4-1，隱含層1包含24個(gè)tansig神經(jīng)元，隱含層2包含4個(gè)tansig神經(jīng)元，輸出層包含1個(gè)purelin神經(jīng)元。對(duì)于中小規(guī)模的BP神經(jīng)網(wǎng)絡(luò)，采用LM算法進(jìn)行學(xué)習(xí)，具有最快的收斂速度和較低的存儲(chǔ)量。訓(xùn)練的網(wǎng)絡(luò)模型參數(shù)為：最小訓(xùn)練速度0.005，訓(xùn)練誤差0.005，最大迭代次數(shù)為3 000次。進(jìn)行多次訓(xùn)練，通過比較3個(gè)表征參數(shù)S、W 與U，得到較優(yōu)的網(wǎng)絡(luò)權(quán)值，并使用該權(quán)值對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行賦值。

三輸入BP神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別的結(jié)果如表1所示?？梢缘贸?，隨著監(jiān)測(cè)儀與燃料塊之間的距離從2m增加到15m，無(wú)火誤識(shí)別率W 和無(wú)法識(shí)別率U沒有出現(xiàn)明顯的變化，有火成功識(shí)別率S則由88.24%逐步降低至34.69%，且當(dāng)距離增至10m時(shí)，S仍能達(dá)到67.54%。

表1 三輸入向量BP神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果Table 1 Identification results of BP neural network with 3input vectors

2.3.2 九輸入向量BP神經(jīng)網(wǎng)絡(luò)識(shí)別 網(wǎng)絡(luò)結(jié)構(gòu)的確定和訓(xùn)練與三輸入向量采用同樣的方法，最終確定網(wǎng)絡(luò)結(jié)構(gòu)為9-12-4-1。隱含層1包含12個(gè)tansig神經(jīng)元，隱含層2包含4個(gè)tansig神經(jīng)元，輸出層包含1個(gè)purelin神經(jīng)元。采用LM算法進(jìn)行學(xué)習(xí)。訓(xùn)練的網(wǎng)絡(luò)模型參數(shù)為：最小訓(xùn)練速度為0.005，允許誤差為0.000 1，最大迭代次數(shù)為1 000次。進(jìn)行多次訓(xùn)練，比較識(shí)別的成功率，得到識(shí)別成功率較高時(shí)的網(wǎng)絡(luò)權(quán)值，并使用該權(quán)值對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行賦值。

九輸入BP神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別的結(jié)果如表2所示。隨著監(jiān)測(cè)距離的增加，無(wú)火誤識(shí)別率W 和無(wú)法識(shí)別率U無(wú)明顯變化且均較低，有火成功識(shí)別率S則由87.4%降低至31.29%，且當(dāng)距增至10m時(shí)，S仍能達(dá)到72.81%。

表2 九輸入向量BP神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果Table 2 Identification results of BP neural network with 9input vectors

2.3.3 三輸入與九輸入向量BP神經(jīng)網(wǎng)絡(luò)比較由表1與表2可以得出，在BP神經(jīng)網(wǎng)絡(luò)中分別采用三輸入向量與九輸入向量，當(dāng)監(jiān)測(cè)儀與著火點(diǎn)距離10m以內(nèi)時(shí)，有火成功識(shí)別率S分別＞67.54%和72.81%，無(wú)火誤識(shí)別率W 分別為0%～3.85%和0%～3.53%，無(wú)法識(shí)別率U 分別為2.31%～8.67%和0%～0.39%，均能夠取得良好的火災(zāi)識(shí)別效果。而當(dāng)監(jiān)測(cè)儀與著火點(diǎn)距離大于10m時(shí)，三輸入向量和九輸入向量的S均顯著降低，火災(zāi)識(shí)別效果較差。

綜上，BP神經(jīng)網(wǎng)絡(luò)算法對(duì)于監(jiān)測(cè)儀監(jiān)測(cè)到的10m范圍內(nèi)的火災(zāi)參數(shù)信息能夠?qū)崿F(xiàn)較為準(zhǔn)確的識(shí)別，且與三輸入向量相比，九輸入向量可以得到更高的有火成功識(shí)別率S，同時(shí)得到更低的無(wú)火誤識(shí)別率W和無(wú)法識(shí)別率U。因此，在BP神經(jīng)網(wǎng)絡(luò)算法的火災(zāi)識(shí)別中，九輸入向量?jī)?yōu)于三輸入向量。

2.4 神經(jīng)模糊系統(tǒng)識(shí)別分析

通常所述的模糊神經(jīng)網(wǎng)絡(luò)，既包括將模糊化概念和模糊推理引入神經(jīng)元的模糊神經(jīng)網(wǎng)絡(luò)，也包括基于神經(jīng)網(wǎng)絡(luò)的模糊系統(tǒng)。前者稱為狹義的模糊神經(jīng)網(wǎng)絡(luò)，后者稱為神經(jīng)模糊系統(tǒng)［12］。本研究仿真使用MATLAB的自適應(yīng)模糊神經(jīng)推理系統(tǒng)，也稱為基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)模糊推理系統(tǒng)（adaptive network-based fuzzy inference system），簡(jiǎn)稱 ANFIS。

2.4.1 三輸入ANFIS識(shí)別 使用genfis1函數(shù)建立三輸入一輸出神經(jīng)模糊推理系統(tǒng)，采用試湊法多次進(jìn)行參數(shù)配置嘗試。每個(gè)輸入配置2條gauss2mf隸屬度函數(shù)，輸出配置為linear函數(shù)，使用anfis函數(shù)進(jìn)行學(xué)習(xí)訓(xùn)練，設(shè)置學(xué)習(xí)方式為BP學(xué)習(xí)算法，學(xué)習(xí)迭代次數(shù)為90 000次，訓(xùn)練誤差達(dá)到0.149。

使用evalfis函數(shù)進(jìn)行目標(biāo)識(shí)別檢驗(yàn)。識(shí)別結(jié)果如表3所示?？梢缘贸觯S著監(jiān)測(cè)儀與燃料塊之間的距離從2m增加到15m，無(wú)火誤識(shí)別率W 無(wú)變化均為0%；無(wú)法識(shí)別率U總體上升，當(dāng)距離增加至10m時(shí)，U達(dá)到43.14%；有火成功識(shí)別率S總體上由74.37%逐步降低至15.65%，且當(dāng)距離增加至5m時(shí)，S即僅為55.22%。

表3 三輸入向量神經(jīng)模糊系統(tǒng)識(shí)別結(jié)果Table 3 Identification results of ANFIS with 3input vectors

2.4.2 九輸入ANFIS識(shí)別 使用genfis1函數(shù)建立九輸入一輸出神經(jīng)模糊推理系統(tǒng)，采用試湊法多次進(jìn)行參數(shù)配置嘗試。每個(gè)輸入配置2條gauss2mf隸屬度函數(shù)，輸出配置為linear函數(shù)，使用anfis函數(shù)進(jìn)行學(xué)習(xí)訓(xùn)練，由于規(guī)則條數(shù)達(dá)到了512條規(guī)則，訓(xùn)練時(shí)間長(zhǎng)，先使用混合算法學(xué)習(xí)140次，再使用BP算法學(xué)習(xí)10 000次，最終訓(xùn)練誤差達(dá)到0.098。

使用evalfis函數(shù)進(jìn)行目標(biāo)識(shí)別檢驗(yàn)。識(shí)別結(jié)果如表4所示?？梢缘贸?，隨著監(jiān)測(cè)儀與燃料塊之間的距離從2m增加到15m，無(wú)火誤識(shí)別率W 無(wú)明顯變化且均較低，無(wú)法識(shí)別率U 在29.72%～35.29%之間沒有出現(xiàn)明顯的變化，有火成功識(shí)別率S則總體上由64.29%逐步降低至22.45%，當(dāng)距離增至5m時(shí)，S%即僅為32.84%。

表4 九輸入向量神經(jīng)模糊系統(tǒng)識(shí)別結(jié)果Table 4 Identification results of ANFIS with 9input vectors

2.4.3 三輸入與九輸入向量的ANFIS對(duì)比 由表3和表4可以得出，在ANFIS神經(jīng)模糊系統(tǒng)中分別采用三輸入向量與九輸入向量，僅當(dāng)監(jiān)測(cè)儀與著火點(diǎn)距離2m時(shí)，有火成功識(shí)別率S分別為＜74.37%和64.29%，無(wú)火誤識(shí)別率W 分別為0%和7.06%，無(wú)法識(shí)別率U 分別為15.17%和29.72%，取得了可以接受的識(shí)別效果。而當(dāng)監(jiān)測(cè)儀與著火點(diǎn)距離5m及以上時(shí)，有火成功識(shí)別率S分別＜55.22%和45.18%，無(wú)法識(shí)別率U分別達(dá)到30.11%～43.14%和30.11%～35.29%，火災(zāi)識(shí)別效果均較差。

綜上，三輸入向量與九輸入向量的ANFIS神經(jīng)模糊系統(tǒng)，均未得到良好的識(shí)別效果。

2.5 支持向量機(jī)識(shí)別分析

支持向量機(jī)（support vector machine，SVM）是基于統(tǒng)計(jì)學(xué)習(xí)理論的一種新的通用學(xué)習(xí)方法，它是一種專門研究小樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論，為解決有限樣本的學(xué)習(xí)問題提供了一個(gè)統(tǒng)一的框架，使許多原來(lái)難以解決的問題得到了解決或改進(jìn)，比如網(wǎng)絡(luò)結(jié)構(gòu)選擇問題、過學(xué)習(xí)問題、局部極小點(diǎn)問題等問題，在這些問題上，支持向量機(jī)已表現(xiàn)出很多優(yōu)于已有方法的性能［13-15］。

本研究采用matlab中自帶的SVM函數(shù)svmtrain與svmclassify進(jìn)行目標(biāo)識(shí)別。訓(xùn)練樣本與檢驗(yàn)樣本與前文BP神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)相同，輸入向量也分為三輸入向量與九輸入向量。

2.5.1 三輸入向量SVM算法識(shí)別 選用SVM網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如下：核函數(shù)選用徑向基函數(shù)（RBF核函數(shù)），指定尋找超平面方法為二次規(guī)劃（QP），懲罰參數(shù)為2.7。

三輸入SVM算法目標(biāo)識(shí)別結(jié)果如表5所示?？梢缘贸?，隨著監(jiān)測(cè)儀與燃料塊之間的距離從2m增加到15m，有火成功識(shí)別率S由90.76%逐步降低至32.65%，且當(dāng)距離增加至10m時(shí)，S仍達(dá)到73.68%；無(wú)火誤識(shí)別率W 與無(wú)法識(shí)別率U均約為0%。

表5 三輸入向量支持向量機(jī)識(shí)別結(jié)果Table 5 Identification results of SVM with 3input vectors

2.5.2 九輸入向量SVM算法識(shí)別 選用SVM網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如下：核函數(shù)選用徑向基函數(shù)（RBF核函數(shù)），指定尋找超平面方法為最小二乘法（LS），懲罰參數(shù)為40。

九輸入向量SVM算法的目標(biāo)識(shí)別結(jié)果如表6所示。可以得出，隨著監(jiān)測(cè)儀與燃料塊之間的距離從2m增加至15m，有火成功識(shí)別率S由91.18%逐步降低至31.97%，且當(dāng)距離增至10m時(shí)，S仍達(dá)到77.19%；無(wú)火誤識(shí)別率W 與無(wú)法識(shí)別率U均約為0%。

2.5.3 三輸入與九輸入向量的SVM比較 由表5和表6可以得出，在SVM算法中分別采用三輸入向量與九輸入向量，當(dāng)監(jiān)測(cè)儀與著火點(diǎn)距離10m以內(nèi)時(shí)，有火成功識(shí)別率S分別為73.68%～90.76%與77.19%～91.18%，無(wú)火誤識(shí)別率W 分別為0%～1.18與0%～3.53%，無(wú)法識(shí)別率U均為0%，能夠取得優(yōu)異的火災(zāi)識(shí)別效果。當(dāng)監(jiān)測(cè)儀與著火點(diǎn)距離在15m及以外時(shí)，三輸入與九輸入兩項(xiàng)的S均顯著降低，未取得良好的火災(zāi)識(shí)別效果。

表6 九輸入向量支持向量機(jī)識(shí)別結(jié)果Table 6 Identification results of SVM with 3input vectors

綜上，SVM算法對(duì)于監(jiān)測(cè)儀檢測(cè)到的10m范圍之內(nèi)的火災(zāi)參數(shù)信息能夠?qū)崿F(xiàn)準(zhǔn)確的火災(zāi)識(shí)別。且與三輸入向量相比，九輸入向量提高了有火成功識(shí)別率S。因此，在SVM算法的火災(zāi)識(shí)別中，九輸入向量?jī)?yōu)于三輸入向量。

2.6 3種識(shí)別算法的對(duì)比

圖1為監(jiān)測(cè)儀與著火點(diǎn)距離分別為10m及以內(nèi)、15m，輸入向量個(gè)數(shù)分別為3與9的不同識(shí)別算法有火成功識(shí)別率S的統(tǒng)計(jì)圖。從圖1可以得出，當(dāng)監(jiān)測(cè)儀與著火點(diǎn)距離10m以內(nèi)時(shí)，對(duì)于有火成功識(shí)別率S，SVM算法（九輸入向量）的有火成功識(shí)別率最高為85.43%，對(duì)已發(fā)生的火災(zāi)有良好的識(shí)別能力，BP神經(jīng)網(wǎng)絡(luò)算法（九輸入向量）與ANFIS神經(jīng)模糊系統(tǒng)（三輸入向量）則分別為80.29%與60.29%；在15m距離時(shí)，3種算法的識(shí)別率均大幅下降，SVM算法為31.79%～32.65%，BP神經(jīng)網(wǎng)絡(luò)算法為31.29%～34.69%，神經(jīng)模糊系統(tǒng)算法為15.65%～22.45%，均無(wú)對(duì)已發(fā)生火災(zāi)的良好識(shí)別能力。

圖1 有火成功識(shí)別率統(tǒng)計(jì)直方圖Fig.1 Histogram of statistics of successful recognition rate of fire

圖2為監(jiān)測(cè)儀與著火點(diǎn)距離分別為10m及以內(nèi)、15m，輸入向量個(gè)數(shù)分別為3與9的不同識(shí)別算法無(wú)火誤識(shí)別率W 的統(tǒng)計(jì)圖。從圖2可以得出，對(duì)于無(wú)火誤識(shí)別率W，BP神經(jīng)網(wǎng)絡(luò)算法為0%～3.85%，ANFIS神經(jīng)模糊系統(tǒng)為0%～4.8%，SVM算法為0%～2.54%，3種算法均在較低的范圍內(nèi)，且SVM算法最低，僅0%～2.54%，即幾乎不會(huì)發(fā)生沒有火災(zāi)卻誤識(shí)別為火災(zāi)的情況。

圖2 無(wú)火誤識(shí)別率統(tǒng)計(jì)直方圖Fig.2 Histogram of statistics of false recognition rate of fire

圖3為監(jiān)測(cè)儀與著火點(diǎn)距離分別為10m及以內(nèi)、15m，輸入向量個(gè)數(shù)分別為3與9的不同識(shí)別算法無(wú)法識(shí)別率W 的統(tǒng)計(jì)圖。從圖3可以得出，對(duì)于無(wú)法識(shí)別率U，九輸入向量BP神經(jīng)網(wǎng)絡(luò)算法為0%～0.3%，三輸入向量ANFIS神經(jīng)模糊系統(tǒng)為28.47%～28.91%，SVM算法最低為0%，即完全不存在無(wú)法識(shí)別是否有火災(zāi)的情況。

圖3 無(wú)法識(shí)別率統(tǒng)計(jì)直方圖Fig.3 Histogram of statistics of unable recognition rate of fire

因此，在本研究的早期林火識(shí)別應(yīng)用上，綜合有火成功識(shí)別率S、無(wú)火誤識(shí)別率W 和無(wú)法識(shí)別率U總體上看，SVM算法體現(xiàn)出了比BP神經(jīng)網(wǎng)絡(luò)算法與模糊神經(jīng)系統(tǒng)算法更加優(yōu)秀的性能。

3 結(jié)論

基于我國(guó)林火監(jiān)測(cè)現(xiàn)狀，針對(duì)近地面監(jiān)測(cè)中的早期林火識(shí)別提出了多傳感器融合算法的設(shè)想，并設(shè)計(jì)了仿真實(shí)驗(yàn)，并使用matlab對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理，使用BP神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)系統(tǒng)、支持向量機(jī)對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行分析識(shí)別，并通過性能評(píng)價(jià)參數(shù)（S、W、U）對(duì)識(shí)別結(jié)果性能進(jìn)行比較，得出支持向量機(jī)算法相比于BP神經(jīng)網(wǎng)絡(luò)算法與神經(jīng)模糊系統(tǒng)算法更具有優(yōu)勢(shì)，在較近距離時(shí)，九輸入向量的支持向量機(jī)算法得到了良好的識(shí)別效果。受傳感器采集數(shù)據(jù)有效距離的限制，識(shí)別算法在火源距離超過15m時(shí)，3種算法的識(shí)別性能均下降，擴(kuò)展各參數(shù)傳感器的有效距離，擴(kuò)展算法的識(shí)別距離有待于進(jìn)一步研究。

［1］ 韓恩賢，薄穎生，韓剛.森林火災(zāi)災(zāi)害等級(jí)劃分初探［J］.西北林學(xué)院學(xué)報(bào)，1998，13（1）：80-83.HAN E X，BO Y S，HAN G.A preliminary research on grading of forest fire calamity［J］.Journal of Northwest Forestry，1998，13（1）：80-83.（in Chinese）

［2］ 吳雪瓊，覃先林，李程，等.我國(guó)林火監(jiān)測(cè)體系現(xiàn)狀分析［J］.內(nèi)蒙古林業(yè)調(diào)查設(shè)計(jì)，2010，33（3）：69-72.WU X Q，QIN X L，LI C，et al.Analysis of current forest fire monitoring system in China［J］.Inner Mongolia Forestry Investigation and Design，2010，33（3）：69-72.（in Chinese）

［3］ 肖化順，劉小永，曾思齊.歐美國(guó)家林火研究現(xiàn)狀與展望［J］.西北林學(xué)院學(xué)報(bào)，2012，27（2）：131-136.XIAO H S，LIU X Y，ZENG S Q.Status and prospect of forest fire research in Europe and the United States［J］.Journal of Northwest Forestry University，2012，27（2）：131-136.（in Chinese）

［4］ 白尚斌，張曉麗.林火預(yù)測(cè)預(yù)報(bào)研究綜述［J］.森林防火，2008（2）：22-25.

［5］ 舒立福，張小羅，戴興安，等.林火研究綜述（Ⅱ）——林火預(yù)測(cè)預(yù)報(bào)［J］.世界林業(yè)研究，2003，16（4）：34-37.SHU L F，ZHANG X L，DAI X A，et al.Forest fire research（Ⅱ）：Fire Forecast［J］.World Forestry Research，2003，16（4）：34-37.（in Chinese）

［6］ 楊帆，陳茂林，吳迅.基于傳感器信息融合技術(shù)的森林火災(zāi)報(bào)警系統(tǒng)［J］.華中科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，41（2）：22-25.YANG F，CHEN M L，WU X.Warning System for forestfire based on sensor information fusion technology［J］.Journal of Huazhong University of Science and Technology：Natural Science Edition，2013，41（2）：22-25.（in Chinese）

［7］ 劉足江.基于森林火災(zāi)監(jiān)測(cè)系統(tǒng)中多傳感器數(shù)據(jù)融合的研究［D］.昆明：昆明理工大學(xué)，2013.

［8］ 俞國(guó)勝，肖江，袁湘月，等.發(fā)展中國(guó)林木生物質(zhì)成型燃料［J］.生物質(zhì)化學(xué)工程，2006（12）：45-50 YU G S，XIAO J，YUAN X Y，et al.Development of forest woody biomass briquette in China［J］.Biomass Chemical Engineerings，2006（12）：45-50（in Chinese）

［9］ 李美華，俞國(guó)勝.生物質(zhì)燃料成型技術(shù)研究現(xiàn)狀［J］.木材加工機(jī)械，2005（2）：36-40.LI M H，YU G S.Current situation of research on boifuel shaping technology［J］.Wood Processing Machinery，2005（2）：36-40.（in Chinese）

［10］ 楊曉帆，陳廷槐.人工神經(jīng)網(wǎng)絡(luò)固有的優(yōu)點(diǎn)和缺點(diǎn)［J］.計(jì)算機(jī)科學(xué)，1994，21（2）：23-26.YANG X F，CHEN T H.Inherent advantages and disadvantages of artificial neural networks［J］.Computer Science，1994，21（2）：23-26.（in Chinese）

［11］ 孫玉榮，張貴.基于神經(jīng)網(wǎng)絡(luò)的森林火災(zāi)危害程度預(yù)測(cè)研究［J］.西北林學(xué)院學(xué)報(bào)，2010，25（3）：147-150，162.SUN Y R，ZHANG G.Forecasting study of Forest-Fire harm degree based on neural network［J］.Journal of Northwest Forestry University，2010，25（3）：147-150，162.（in Chinese）

［12］ 張凱，錢鋒，劉漫丹.模糊神經(jīng)網(wǎng)絡(luò)技術(shù)綜述［J］.信息與控制，2003，32（5）：431-435.ZHANG K，QIAN F，LIU M D.A survey on fuzzy neural network technology［J］.Information and Control，2003，32（5）：431-435.（in Chinese）

［13］ 張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)［J］.自動(dòng)化學(xué)報(bào)，2000，26（1）：32-42.ZHANG X G.Introduction to statistical learning theory and support vector machines［J］.Acta Automatica Sinica，2000，26（1）：32-42.（in Chinese）

［14］ 許建華，張學(xué)工，李衍達(dá).支持向量機(jī)的新發(fā)展［J］.控制與決策，2004，19（5）：481-484，495.XU J H，ZHANG X G，LI Y D.Advances in support vector machines［J］.Control and Decision，2004，19（5）：481-484，495.（in Chinese）

［15］ 郭寶華，范少輝，官鳳英，等.基于支持向量機(jī)的竹林信息提取研究［J］.西北林學(xué)院學(xué)報(bào)，2014，29（2）：80-84.GUO B H，F(xiàn)AN S H，GUAN F Y，et al.Bamboo information extraction based on support vector machine［J］.Journal of Northwest Forestry University，2014，29（2）：80-84.（in Chinese）