.342 智能系统学报 第6卷 为火灾样本，BP网络与SVM的判别结果对比如表2 所示 表2BP网络与SVM的判别结果对比 Table 2 Performance comparisons between the BP network and SVM 方法 训练样本 训练时间/s 训练错判 测试误判 测试漏判准确率/% BP网络 480 80 20 19 13 96.94 SVM 156 2 0 60 0 94.26 4.2BP神经网络的训练与测试 的最大值和最小值， 由于本文选用了火灾图像的6个判据，因而采 从实验样本中选取480个对BP神经网络进行 用如图3所示结构的BP神经网络.输入层有6个节 训练，图4为1~260步的训练误差曲线.横轴为训 点，分别代表火灾图像的面积(S)、周长(L)、火焰圆 练步数，纵轴为训练误差，误差曲线下方水平线为目 形度(e)、面积差（△S)、周长差（△L)、位移(d)的 标误差线.经过80s后，BP网络完成训练。再将全 输入；输出层则有1个节点，输出判别结果，中间层 部实验样本1046个输入算法中，共发生19起误判， 参考n,=√n+m+a原则采用8个隐层节点，n为 13起漏判. 输入层节点数，m为输出层节点数，a为[1,10]之间 4.3实验结果与比较 的常数.针对普通训练函数训练速度很慢的不足，采 表2为2种方法的训练与测试结果.从表中可 用减少内存的LM算法[o训练函数， 以看出，SVM的训练样本数量较少且所用训练时间 非常短，训练几乎在瞬间完成.然而BP神经网络在 480个样本的训练下，需要耗时80s才能完成训练， 而且训练样本中有20个发生了判断错误.从训练的 效果看，SVM在样本个数的要求及训练速度上有很 大的优势，但是SVM的训练样本需要进行严格的挑 选和排序，经实验发现，火灾样本与非火灾样本相互 交错的训练顺序，可以使SVM获得较好训练效果. BP神经网络虽然也需要调整2种样本顺序，但是远 不如SVM严格.BP神经网络的480个训练样本中 发生20起判据错误，而SVM却全部判据正确.经分 图3BP神经网络模型 析，BP发生多起错判的可能原因在于训练样本多， Fig.3 Model of the BP network 其中存在的矛盾样本造成一些误判. 10 依据上表格，经过训练的2种方法再对测试集 中1046个样本判断时，BP网络的判别准确率达到 96.94%,而SVM只有94.26%的判别准确率.但是 10 BP网络却发生13起漏判，高漏判率会引起重大损 失，应当极力避免.综上所述：SVM优点在于训练速 度快，易收敛，但是训练样本选择与排序比较复杂， 虽然BP神经网络训练耗时多，但是对测试集的判 1020 50100150200250 断效果较好，判断准确率比SVM略高. 训练步数 5结束语 图4BP神经网络训练曲线 Fig.4 Training curve of the BP network 由以上实验结果及分析可知，BP神经网络与 实验时，表1所示的样本不能直接输入到BP SVM虽然原理各不相同，但是当与图像处理技术相 网络中进行训练与测试，需要进行归一化.归一化公 结合，并利用火焰形状特征及其变化特性作为判据， 式为 都可以较好地探测明火火灾同时，从实验结果也得 k'=(k-kn）/(kr-k）.(10) 出了2种方法在火灾图像探测的性能差别.比如 式中：'为k的归一化取值，k和k分别为样本中 SVM训练时收敛快，所需训练样本少，但是训练前