基于改进FOA-SVM的火灾图像识别模型研究

发布时间：2022-01-07 18:24

　　火灾是常见的破坏性极大的自然灾害。为了更好地预防火灾,减少财产损失和人员伤亡,针对人为选择SVM参数具有盲目性,对其分类能力影响较大,提出基于改进FOA-SVM的火灾图像识别模型。通过引入逻辑函数对果蝇算法的搜索步长进行改进,利用改进果蝇算法优化支持向量机搜索得到最佳模型参数。将火灾图像提取特征量作为该识别模型的输入样本训练和识别火灾图像,结合实例并将该模型的识别结果与SVM模型及其他算法的识别结果进行对比。实验结果表明,该模型提高了火灾图像识别的准确率,在火灾检测方面具有一定的实际应用价值。 

【文章来源】：计算机应用与软件. 2019,36(10)北大核心

【文章页数】：6 页

【文章目录】：
0 引 言
1 相关算法及其改进
    1.1 果蝇算法基本原理
    1.2 改进果蝇算法原理
    1.3 SVM算法基本原理
2 改进FOA-SVM参数优化模型
3 基于改进FOA-SVM火灾图像识别模型
    3.1 火灾图像特征提取
    3.2 参数优化图像识别模型
    3.3 模型验证
4 结 语


【参考文献】：
期刊论文
[1]基于FOA-SVM的煤矿瓦斯爆炸风险模式识别[J]. 谢国民,单敏柱,付华.  控制工程. 2018(10)
[2]基于图像处理技术的火灾识别方法的应用与研究[J]. 袁斌.  现代电子技术. 2018(13)
[3]基于果蝇算法和SVM的天然气日负荷预测[J]. 宋娟,潘欢.  控制工程. 2017(10)
[4]An improved fruit fly optimization algorithm for solving traveling salesman problem[J]. Lan HUANG,Gui-chao WANG,Tian BAI,Zhe WANG.  Frontiers of Information Technology & Electronic Engineering. 2017(10)
[5]改进粒子群算法优化的SVM模拟电路故障诊断[J]. 梅恒荣,殷礼胜,刘冬梅,何怡刚,袁莉芬,赵丽欣,陈鹏,赵蓓蕾,任帅.  电子测量与仪器学报. 2017(08)
[6]基于粒子群的支持向量机图像识别[J]. 韩晓艳,赵东.  液晶与显示. 2017(01)
[7]基于GA-SVM模型的机采籽棉杂质识别[J]. 张成梁,李蕾,董全成,葛荣雨.  农业工程学报. 2016(24)
[8]基于图像处理的森林火灾识别方法研究[J]. 朱思思,丁德红,陈朝迎,赵方珍.  红外技术. 2016(05)
[9]基于哈希编码的无线多媒体传感网络森林火灾图像识别算法[J]. 常晓敏,赵涓涓,葛磊,强彦,史曜华.  计算机科学. 2016(05)



本文编号：3575037