基于机器学习的双参数火灾探测方法

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.