1. 一种改进的极限学习机的火灾种类识别方法，其特征在于:所述识别方法包括如下 步骤： 步骤1:用一氧化碳传感器、二氧化碳传感器、溫度传感器、烟雾传感器、电流传感器采 集各种可燃物在燃烧初期一些特征值;一个样本集合表示为P = {pi, P2 , P3，P4，P日，yi }，P1，P2， P3，P4，P5分别表示各传感器检ii到的数据，yi，1 = 1，2.. .η表示可燃物种类； 步骤2:将每个样本的特征值都归一化到[-1，1 ]区间，同时对可燃物类型进行编码，过 程如下：• · ·，5，Xh为归一化后的值，Pmax为5个传感器中最大的值， Pmin为5个传感器中最小的值； 不同可燃物表示为:Υι=[1，〇,〇...，〇]，Υ2 = [0，1，0，...，0]，......，Υη= [0,0,0，...，1] 分别表示第一类可燃物，第二类可燃物，.......，第η类可燃物； 步骤3:初始化ELM网络模型和POS粒子群参数，过程如下： 3.1. 确定ELM网络输入层、隐含层、输出层节点个数和隐含层的传输函数，输入层节点 数为样本特征数，隐含层节点个数为L = 2*m+l，m为输入层节点数，输出层节点数为待区分 的可燃物类型数； 3.2. 初始化粒子群算法各类参数，包括种群大小K，加速因子C1，C2，惯性权重W，随机数 , Γ2，私子位置捜索氾围[amin ,amax]，速度捜索氾围[Vmin , Vmax]; 3.3. 初始化输入层与隐含层之间的连接权值ω，隐含层的阔值b; 步骤4:根据训练样本和步骤3确定的初始参数计算每个种群的适应度值，过程如下： 4.1. 由训练样本和设定的网络参数得至化LM网络的输出为：其中，X徒示第j个样本的输入值，j = l，2-N，N表示样本总数，t功第j个样本的输出 值，扣表示隐含层第i个节点与输出层之间的连接权值，ωι表示输入层与隐含层第i个节点 之间的连接权值，bi为隐含层第i个节点的阔值，当激励函数为g(x)，含一个隐含层神经元 节点的前馈神经网络W零误差逼近N个训练样本时，存在β，ω，b使得简化得地=Υ，从而解得输出权值β =化Y，H为隐含层输出矩阵，Υ为期望输出矩阵，化为 隐含层输出矩阵的Moore-Penrose广义逆； 4. 2.计算Ηβ = Τ，然后比较计算所得T与期望输出Y，统计分类错误总个数 MisClassication，则适应度步骤5:确定最大迭代数，用粒子群算法寻找使fitness最小的β，过程如下： 5.1. 对粒子速度和位置进行更新：

其中W = Wmax- ( Wmax-Wmin ) · t/ tmax，t为当前迭代次数，Wmax为最大惯性权重，Wmin为最小惯 性权重，tmax为最大迭代次数，保，的为个体最优值，化为种群最优值，故d(t)为当前粒子 值，下标k表示第k个粒子，k = 1,2 · · ·Κ，d表示粒子的第d维； 故d(t+l)=ft«i(t)+Vkd(t+l) 5.2 .判断更新后的Vkd，故d是否超过规定的范围，若Vkd > Vmax，则Vkd = Vmax，若Vkd < Vmin，则 Vkd = Vmin； 右,贝！Jftid 二技nax ,右故d<0min ,贝！Jftid 二 finin ; 5.3. 把目前得到的新位置化d根据步骤4.2计算得到新的fitness，然后进行个体最优更 新，如果当自U适应度f kd

2. 如权利要求1所述的一种改进的极限学习机的火灾种类识别方法，其特征在于:所述 步骤4.1中，激励函数g(x)为Sigmoid函数。

3. 如权利要求1或2所述的一种改进的极限学习机的火灾种类识别方法，其特征在于： 所述步骤4.1中，求解β的方法为最小二乘法。