LSTM深度神经网络在消防力量调度算法中的应用.pdf

万方数据
深度神经网络在消防力量调度算法中的应用韩丹槿昱，钟焱军年第＃甹‘一．鸹J邢谰仍Ф樱憬〗鸹J摘要针对消防救援力量、灾害类型及分布特点，结合空间位置、路径、时间等要素，建立基于ざ唐诩且深度神经网络的遗传算法模型智能调派体系，对适应度度知识数据进行分析，构建了基于��深度神经网络的力量调度算法预测模型，如图��尽４油贾锌芍惫鄣�观察到，��深度神经网络力量调度算法预测模型共有�悖航邮帐�萑缓笞;晃�鹊氖淙氩悖�韵�防力量调度知识数据向量基进行特征提取的隐含层．以及输出消防力量编成预测结果的输出层。�．杭州市消防救援支队，浙江省杭州市���；万方数据
忠，�ィ��#痬�¨‘构建基于��深度神经网络的消防智能接处警力量调度模型步骤如下：�通过历史应用研究，选定简单的��神经网络预测模型，保持模型各层机构。�选用消防智能接处警经典案例库力量调度知识数据，优化训练��神经网络预测模型，优化算法知识，使得消防力量调度模型权重加速收敛。将经典案例库中消防力量调度数据进行归一化，选取�晗�乐悄芙哟���荩�婊�治Q盗肥�萦氩�试数据。消防力量调度预测模型真实拟合时，选取训练数据进行知识积累与学习，权重拟合值采用经典的��算法进行迭代拟合。��深度神经网络消防力量调度的拟合函数通过正向反馈来推算。�力量调度模型拟合预测。将通过消防力量调度归一化的测试数据输入��深度神经网络消防力量调度模型，利用完成训练学习的��深度神经网络消防力量调度模型进行结果预测。�力量调度结果效率分析。把基于经典案例库��年第��的消防力量调度向量结果与基于��深度神经网络消防力量调度模型输出的拟合结果进行对比分析。�消防力量调度预测结果确定。通过模型拟合的结果与经典案例库力量调度结果进行比对，量化消防力量调度预测模型预测结果准确率。消防力量调度编成知识归一化是��深度神经网络力量调度数据预测建模分析的基础，此项过程可以将得到的消防接处警调度向量数据直接输入模型进行运算和分析。数据预处理过程如下：�补充消防智能接处警力量调度简洁知识和冗余知识。消防智能接处警警情数据质量的完善与否，直接关系到预测结果的准确性和预测模型的收敛速度，数据预处理需优先对消防接处警警情数据进行治理。�对历史消防接处警力量调度数据进行归一图�力量调度数据预测模型流程图基于��的力量调度数据预测模型输入层万方数据
；，���摺�．�������年第��化。消防力量调度是在综合考虑了警情类别、警情等级、燃烧物质、有无人员伤亡等因素，并结合空间位置、路径、时间等要素。对于这些方面的属性和特征本文针对��深度神经网络的遗传算法模进行矢量化。型智能调派体系的适应度函数改进，是为��深�训练数据集和测试数据集选定。在力量调度度神经网络消防力量调度算法在遗传算法多维度权模型知识拟合的过程中，需大量训练数据对��重考虑求最优解时，能够更好地按照重要程度进行深度神经网络进行多次的迭代拟合训练，同时在预拟合，从而面向搜索全局目标和局部搜索能力寻找测模型收敛后，需要部分数据对经过训练模型预测优良解，加快消防力量调度遗传算法在迭代过程中的数据进行测试。【大�怂婊�∪⊙盗肥�莺筒馐允�的收敛速度。实践证明，这种算法能够提升消防接处据，对数据进行自南分布，选择历史消防接处警警智能指挥力量调度精准性和调派效率，具有一定警情的�％的力量