典型文献
基于机器学习的双参数火灾探测方法
文献摘要：
为解决单一技术在火灾探测上造成的误报、漏报现象,设计并建立可燃物燃烧试验平台,选取燃烧产物中质量浓度迅速升高的PM10及CO作为分类算法的特征参数,对特征参数进行数据处理后,采用逻辑回归(LR)、线性判别分析(LDA)、k近邻算法(kNN)、分类与回归树(CART)、朴素贝叶斯与支持向量机(SVM)等6种机器学习算法建立火灾探测模型,并评估分析其分类性能.结果表明:6种算法中kNN评估准确率、召回率、F1值和kappa值均高于其他算法,且评估准确率达到95.2％,能够准确地识别燃烧状态;通过分类处理燃烧产物中快速变化的PM1Q及CO质量浓度,能够较准确识别火灾.
文献关键词：
机器学习;火灾探测;PM10;分类算法;k近邻算法(kNN)
中图分类号：
作者姓名：
刘全义;朱博;邓力;石航;梁光华
作者机构：
中国民用航空飞行学院民航安全工程学院,四川广汉618307;清华大学合肥公共安全研究院,安徽合肥230601
文献出处：
引用格式：
[1]刘全义;朱博;邓力;石航;梁光华-.基于机器学习的双参数火灾探测方法)[J].中国安全科学学报,2022(05):90-96
A类：
PM1Q
B类：
基于机器学习,双参数,火灾探测,探测方法,误报,漏报,可燃物,燃烧试验,试验平台,燃烧产物,PM10,分类算法,逻辑回归,LR,线性判别分析,LDA,近邻算法,kNN,分类与回归树,CART,朴素贝叶斯,机器学习算法,评估分析,分类性能,召回率,kappa,燃烧状态,分类处理,速变,准确识别
AB值：
0.399909
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。
