该文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

参数优化CNN-BiLSTM-Attention的船舶火灾辨识方法研究

作者及发表信息

本研究由华东交通大学电气与自动化工程学院的刘林凡（第一作者）与江西工业贸易职业技术学院的周丽芸（通信作者）合作完成，发表于《电子测量与仪器学报》（Journal of Electronic Measurement and Instrumentation），网络首发时间为2025年12月25日。研究得到江西省教育厅科学技术研究项目（GJJ2400501）和江西省自然基金项目（20252BAB25057）资助。

学术背景

船舶火灾因机电系统密集和危险品运输频繁而频发，约占海难事故的11%，其产生的浓烟和有毒气体会严重威胁人员安全。现有火灾辨识方法存在准确率低、特征提取不充分等问题，难以应对船舶火灾数据的非线性特性。为此，本研究提出一种融合注意力机制（Attention Mechanism）、卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）的深度学习模型，旨在通过多维度特征提取和参数优化提升火灾辨识精度。

研究流程与方法

1. 火灾仿真与数据采集

   • 使用火灾动力学模拟工具（Fire Dynamics Simulator, FDS）构建三层甲板渡轮火灾模型，设置13组传感器（每组含温度、CO浓度和能见度传感器），采集火灾发展过程中120s、240s、360s的动态数据。

   • 仿真参数：热释放速率5000 kW，网格尺寸优化至0.5m×0.5m×0.5m，材料属性（如铁、木材的热导率）依据实际船舶标准设定。

2. 模型构建与优化

   • CNN模块：采用两层1D卷积（核尺寸[1,1]，通道数32/64）提取纵向特征，结合ReLU激活函数和最大池化降维。

   • BiLSTM模块：通过双向LSTM单元捕捉时间序列的横向特征，输出层拼接前向与后向隐藏状态（公式7）。

   • 注意力机制：在输出层引入Attention，通过权重分配（公式8-10）聚焦关键特征。

   • 参数优化：提出改进灰狼优化算法（GWCG），融合混沌博弈算法（CGO）的动态权重机制（公式12-16）和收敛因子（公式17），优化模型的学习率、正则化系数和注意力头数。

3. 实验验证

   • 消融实验：对比CNN、BiLSTM等基线模型，本模型平均准确率达96.43%，较BiLSTM提升11.20%。

   • 对比实验：在两类火源场景（酒吧区、超市区）中，GWCG-CNN-BiLSTM-Attention的精确率、召回率和F1值均达100%，优于DBO-RBF（98.09%）和GWO-Transformer（98.34%）等模型。

主要结果与逻辑关联

• 仿真数据：火灾360s时，酒吧区CO浓度达1050 ppm，能见度低于10m（图4-6），为模型训练提供了真实的非平衡数据集。

• 算法性能：GWCG在CEC2020测试函数中收敛速度优于PSO和GWO（表3），其动态权重机制有效提升了领导狼的引导作用（图15）。

• 模型效能：消融实验表明，Attention机制使分类准确率提升3.18%（表4），验证了多模块协同的必要性。

结论与价值

1. 科学价值：首次将混沌博弈理论与灰狼算法结合，解决了传统GWO易陷入局部最优的问题；提出的多维度特征提取框架为时序数据分类提供了新思路。

2. 应用价值：模型可实时识别船舶火灾等级（如危险等级4：温度>90℃、CO>1200 ppm），指导应急疏散，实际工程中准确率100%（表5-6）。

研究亮点

• 方法创新：GWCG算法通过混沌分形理论增强全局搜索能力，迭代后期收敛速度提升30%。

• 模型优势：CNN-BiLSTM-Attention兼顾局部与全局特征，在数据不均衡时仍保持高鲁棒性（图17-18）。

• 跨学科应用：融合火灾动力学与深度学习，为复杂环境下的安全监测提供了可扩展方案。

其他贡献

研究开源了船舶火灾仿真数据集，并指出未来可通过迁移学习增强模型泛化能力，以应对新型船舶火灾场景。