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、温度传感器、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＝{p1,p2,p3,p4,p5,yi}，p1,p2,p3,p4,p5分别表示各传感器检测到的数据，yi，i＝1,2···n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：h＝1,···,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：Y1＝[1,0,0···,0]，Y2＝[0,1,0,···,0]，......，Yn＝[0,0,

0,···,1]分别表示第一类可燃物，第二类可燃物，.......，第n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+1，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r1,r2，粒子位置搜索范围[amin,amax]，速度搜索范围[Vmin,Vmax]；

3.3.初始化输入层与隐含层之间的连接权值ω，隐含层的阈值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到ELM网络的输出为：

其中，xj表示第j个样本的输入值，j＝1,2···N，N表示样本总数，tj为第j个样本的输出值，βi表示隐含层第i个节点与输出层之间的连接权值，ωi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个节点的阈值，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以零误差逼近N个训练样本时，存在β,ω,b使得简化得Hβ＝Y，从而解得输出权值β＝H+Y，H为隐含层输出矩阵，Y为期望输出矩阵，H+为隐含层输出矩阵的Moore-Penrose广义逆；

4.2.计算Hβ＝T，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， 为个体最优值， 为种群最优值，βkd(t)为当前粒子值，下标k表示第k个粒子，k＝1,2···K，d表示粒子的第d维；

βkd(t+1)＝βkd(t)+Vkd(t+1)

5.2.判断更新后的Vkd,βkd是否超过规定的范围，若Vkd＞Vmax，则Vkd＝Vmax，若Vkd＜Vmin，则Vkd＝Vmin；

若βkd＞βmax，则βkd＝βmax，若βkd＜βmin，则βkd＝βmin；

5.3.把目前得到的新位置βkd根据步骤4.2计算得到新的fitness，然后进行个体最优更新，如果当前适应度fkd＜fkbest，则fkbest＝fkd， fkd为当前适应度值，fkbest为个体最优适应度值；

5.4.进行群体最优值更新，如果fkd＜fgd，则fgd＝fkd， 其中fgd为全局最优适应度值；

5.5.判断是否满足最大迭代次数或最小误差精度，若不满足，跳转到5.1，继续迭代，否则迭代结束，算法最终优化结果 即为ELM网络隐含层和输出层之间最优权值β；

步骤6：利用步骤5训练得到的β构造一个完整的ELM网络进行识别可燃物类型，若现在传感器采集到一个新样本z＝[z1,z2,z3,z4,z5]，对其进行归一化后输入ELM网络便得到一个输出Y＝[q1,q2,···,qn]，根据步骤2中对可燃物的编码规则，若输出矩阵中qi最大，则就表示发生火灾的是第i类可燃物。

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。