(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210900653.X (22)申请日 2022.07.28 (71)申请人 电子科技大 学长三角研究院 （湖州） 地址 313000 浙江省湖州市西塞山路819号 科技创新综合体B1幢 (72)发明人 全兴文　焦淼　 (74)专利代理 机构 重庆航图知识产权代理事务 所(普通合伙) 50247 专利代理师 孙方 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 5/04(2006.01) G06N 3/08(2006.01)G06N 3/04(2006.01) G06N 3/00(2006.01) (54)发明名称 基于ANFIS耦合最优化算法的野火风险智能 预警方法及系统 (57)摘要 本发明公开一种基于ANFIS耦合最优化算法 的野火风险智能预警方法及系统， 确定预设区域 的野火诱发因子； 构建野火案例时空数据库； 构 建基于耦合粒子群优化算法的自适应模糊神经 推理系统模 型； 通过时空数据库构建训练集并进 行训练学习， 得到最优野火风险预警模型。 使用 卷积长短时记忆网络对野火风险产品进行变化 趋势分析， 并使用网格搜索和交叉验证的方式对 模型参数进行调优， 得到卷积 长短时记忆网络的 最佳结构和参数。 该方法通过卷积 长短时记忆网 络对其变化趋势进行了分析， 并使用了网格搜索 和交叉验证的方式对模型参数进行了调优， 得到 了网络的最佳结构和参数。 对比模 型预警的火险 结果和真实的火险情况， 该方法可以有效的对野 火风险进行 预警。 权利要求书2页 说明书7页 附图4页 CN 115130918 A 2022.09.30 CN 115130918 A 1.基于ANFIS耦合 最优化算法的野火风险智能预警方法， 其特 征在于： 包括以下步骤： 确定预设区域的野火诱发因子， 所述野火诱发因子包括可燃物含水率、 地上生物量、 土 地覆盖类型、 与道路的直线距离、 与河流的直线距离、 与铁路的直线距离、 与居民区的直线 距离、 地形因素、 风速、 温度、 降雨 量、 相对湿度中的任一项或任意项组合； 构建野火案例时空数据库； 构建基于耦合粒子群优化 算法的自适应模糊神经推理系统模型； 通过时空数据库构建训练集并进行训练学习， 得到最优 野火风险预警模型。 2.如权利要求1所述的基于ANFIS耦合最优化算法的野火风险智能预警方法， 其特征在 于： 还包括以下步骤： 通过得到的最优野火风险预警模型生产预设区域的野火风险产品， 使用卷积长短时记 忆网络对野火风险产品进 行变化趋势分析， 并使用网格搜索和交叉验证的方式对模型参数 进行调优， 得到卷积长短时记 忆网络的最佳 结构和参数。 3.如权利要求1所述的基于ANFIS耦合最优化算法的野火风险智能预警方法， 其特征在 于： 所述野火案例时空数据库是M CD64A1火烧迹地产品构建的。 4.如权利要求1所述的基于ANFIS耦合最优化算法的野火风险智能预警方法， 其特征在 于： 所述耦合粒子群优化 算法的自适应模糊神经推理系统模型按照以下步骤建立： 初始化粒子群及参数； 所述粒子群中的所有粒子经 过自适应模糊神经网络得到被优化 函数的适应值； 更新个体最优值Pbest及群 体最优值Gbest； 判断是否收敛， 如果否， 则更新每 个粒子的位置 矢量和速度矢量； 如果是， 则输出最优解。 5.如权利要求4所述的基于ANFIS耦合最优化算法的野火风险智能预警方法， 其特征在 于： 所述初始化粒子群及参数采用粒子群优化算法PSO， 所述粒子群优化算法PSO的最优解 是按照以下公式根据个 体最优解Pbest和群 体最优解Gbest来更新自己的位置和速度： Vi＝Vi+C1×rand()×(Pbesti‑Xi)+C2×rand()×(Gbesti‑Xi) 式中， Vi是粒子的新速度， C1表示自我认知项学习因子； C2表示群体认知项学习因子； rand()是一个介于0和1的随机数， Xi是粒子的当前位置， Pbesti是第i个个体最优解， Gbesti是第i个群体最优解； Xi＝Xi+Vi 式中， Xi是粒子的新 位置。 6.如权利要求1所述的基于ANFIS耦合最优化算法的野火风险智能预警方法， 其特征在 于： 所述ANFIS是自适应模糊神经推理系统， 所述ANFIS包括五层架构， 具体如下： 第一层对输入的x1和x2进行模糊化处理， 使用隶属函数对特征进行模糊化操作， 得到0 到1的隶属度。 其中， x， y是节点i的输入， Ai、 Bi是模糊集。 就是Ai、 Bi的隶属函数值， 表示x、 y属于Ai、 Bi的程度。 隶属度函数 和 的形状完全由前件参数确定 。权　利　要　求　书 1/2 页 2 CN 115130918 A 2第二层对第一层的模糊集进行运算， 该层主要实现对输入的特征进行代数乘积， 每个 节点输出表示每条规则的激励强度。 其中， 代表该条规则的可信度。 第三层会将上一层的每条规则的触发强度进行归一化处理， 用以表示使用这个规则的 概率。 其中， 和 代表所有规则强度的归一 化。 第四层用于 输出每个输入特 征的线性组合的结果。 其中， {pi、 qi、 ri}是该节点的参数集， 也称为后件参数 第五层的功能是将结果去模糊化得到确 切的结果。 其中， 是所有输入信号的总输出。 7.如权利要求1所述的基于ANFIS耦合最优化算法的野火风险智能预警方法， 其特征在 于： 还包括以下步骤： 确定输入层中输入图像的纬度， 通过卷积长短时记忆网络ConvLSTM提取其输入图像的 特征并通过归一 化层对其进行归一 化处理， 通过二维卷积网络对结果进行输出。 8.如权利要求7所述的基于ANFIS耦合最优化算法的野火风险智能预警方法， 其特征在 于： 所述卷积 长短时记忆网络ConvLSTM是通过卷积计算来代 替长短时记忆网络LSTM中的全 连接层建立的。 9.基于ANFIS耦合最优化算法的野火风险智能预警系统， 包括存储器、 处理器及存储在 存储器上并可在处理器上运行 的计算机程序， 其特征在于， 所述计算机程序被处理器执行 时实现如权利要求1至8任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115130918 A 3