火灾已成为我国常发性、破坏性和影响力最强的灾害之一,一旦发生将造成人员和财产的巨大损失,因此开展对火灾的预警研究,具有非常重要的意义。为了及早的发现和控制火灾的蔓延,采用由气体传感器构成的电子鼻系统对火灾阴燃状态的信息进行采集,并对采集到的特征信息进行分析识别,从而实现对早期火灾类型的判别,并判断起火原因,为有的放矢、尽快扑灭火灾提供支持与帮助。课题的研究在总结国内外早期火灾预警的基础上,针对其不足之处,提出了基于二叉树的最小二乘小波支持向量机多类分类模型。通过电子鼻传感器阵列采集早期火灾的气体信息,采用主成分分析方法对火灾信息进行特征提取,最后通过多类分类模型对提取的特征信息进行识别,实现了早期火灾的判别以及分类,从而达到了火灾早期预警的目的。本文首先介绍了支持向量机原理,以及最小二乘小波支持向量机的构造。其次,研究了非线性映射方法,将其与二叉树结构、最小二乘小波支持向量机相结合,提出了基于二叉树的最小二乘小波支持向量机模型。针对早期火灾信息特征,提出用主成分分析方法对早期火灾信息进行特征提取。最后,将基于二叉树的最小二乘小波支持向量机模型应用于早期火灾的分类实验,并与BP神经网络、K近邻法和决策树方法进行比较,结果表明该模型对早期火灾的识别率更高;而采用小波核函数的最小二乘支持向量机比采用径向基核函数的最小二乘支持向量机所需的训练时间和分类时间要少,识别率更高;基于平衡二叉树的分类模型具有较高的训练速度和分类速度。早期火灾的分类实验表明,基于二叉树的最小二乘小波支持向量机模型具有更好的识别效果和更快的分类速度,更适合于早期火灾分类上的应用。