崔善书，佘世刚，刘爱琦

（常州大学 机械工程学院，常州213164）

随着人类多年来在技术方面取得的长足进展，推动了经济、社会、生态全方位的提升。因此，在火灾的预防领域也不例外，智能化的火灾检测方法也应当与高度自动化的社会生产、生活相匹配。火灾预警算法对于整个火灾检验、 测试系统举足轻重。此中，基于数据融合的神经网络算法成了有众多人投身钻研的领域。这种求解思想早在上世纪80年代被首次提出。最早用于军事领域，专门在作战时定位敌方目标还有收集敌方军事情报[1]。到了21 世纪，美国正式将多传感器融合技术作为众多领域的核心手段研究[2]。另外，有很多研究人员研发出各种有效的火灾预警算法。比如，文献[3]提出基于模糊神经网络的火灾预警算法；文献[4]提出基于SVR 的火灾预警算法。

尽管，目前很多算法在实际检测中能够体现良好的准确性。但是也会遇到求解速度慢、易陷入局部最优等问题。鉴于极限学习机自身学习速率快、泛化能力强的特征，能够让前馈神经网络性能提高，本设计运用ELM 对火情进行检测，通过粒子群算法（PSO）对ELM 的输入权值、隐含层阈值进行优化。然而，惯性权重对PSO 的性能影响较大，通过改进惯性权重提升PSO 算法性能。与PSO 算法和遗传算法（GA）优化ELM 的训练结果对比，发现IPSOELM 的性能最突出。

1 极限学习机算法与粒子群算法

1.1 极限学习机

极限学习机是一种典型的单隐含层前馈神经网络[5]，由输入层、输出层、隐含层三层组成。……