安全事故現(xiàn)狀與趨勢(shì)分析方法研究畢業(yè)論文-全文預(yù)覽
【正文】 using chan ging weights[J].International Journal of Forecasting,1994,10： 4757. [13] Gee,., Gwilym,., Gregory,.. Time Series Analysis, Forecasting, Control,3rd ed[M].Englewood Cliffs, NJ: Prentice Hall,1994. [14] Rumelhart,., Hinton,., Williams,.. Learning representations of backpropagation errors[J].Nature,1986(323): 533536. [15] Levenberg,K.. A method for the solution of certain problem in least squares[J]. Quart. Appl. Math.,1994,2 ： 164168. [16] Marquardt,D.. An algorithm for leastsquares estimation of nonlinear parame ters[J].SIAM ,1963,11: 431 441. [17] Powell,M .J. D.. Radical basis functions for multivariable interpolation: A rev iew[C].IMA conference on Algorithms for the Approximation of Functions and Data, RMCS,Shrivenham,England： 1985： 143167. [18] Park,J.. Universal approximations using RBF works[J].Neural putation, 1991,3:246257. [19] Specht,.. A general regression neural work[J].IEEE Transactions on Neural Networks,1991,2(6)： 568576. [20] Specht,.. Generalization accuracy ofprobabilistic neural works pared with backpropagation works[C].Seattle: International Joint Conference on Neural Networks IJCNN91,1991,1： 887892. 安徽審計(jì)職業(yè)學(xué)院畢業(yè)論文（設(shè)計(jì)） 16 致 謝 轉(zhuǎn)眼就要畢業(yè)了，???? 姓名 日期 。 顯然，各類事故發(fā)生的頻度也有很大差別，進(jìn)一步弄清其原因是今后值得特別關(guān)注的問題。 4 結(jié)語 本文按生產(chǎn)事故造成傷亡和損失規(guī)模的原則重 新對(duì) 安全生產(chǎn)事故進(jìn)行分類，并對(duì)各類安全生產(chǎn)事故進(jìn)行了現(xiàn)狀分析，借助季節(jié)指數(shù)分析法對(duì)各類安全生產(chǎn)事故指出了應(yīng)重點(diǎn)預(yù)防的時(shí)段建議。最小 RMSE為 0，最大 RMSE為 。 表 3－ 5 各模型預(yù)測(cè)結(jié)果與實(shí)際值對(duì)比表 事故類型 月份 ARIMA ARIMABP ARIMARBF ARIMAGRNN 雙重非線性組合 實(shí)際值 X1 Oct09 1 Nov09 1 X2 Oct09 1 Nov09 3 X3 Oct09 68 Nov09 48 X4 Oct09 19 Nov09 21 X5 Oct09 17 Nov09 7 X6 Oct09 6 Nov09 6 X7 Oct09 2 安徽審計(jì)職業(yè)學(xué)院畢業(yè)論文（設(shè)計(jì)） 13 表 3－ 6 2020年 1011月 ARIMA預(yù)測(cè)值置信水平為 95%的置信區(qū)間 Nov09 2 X8 Oct09 3 Nov09 3 X9 Oct09 1 Nov09 3 X10 Oct09 8 Nov09 6 X11 Oct09 132 Nov09 116 置信限 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 Oct09 (0, ) (0, ) (, ) (, ) (, ) (0, ) (0, ) (0, ) (0, ) (0, ) (, ) Nov09 (0, ) (0, ) (, ) (, ) (, ) (, ) (0, ) (0, ) (0, ) (0, ) (, ) 事故類型 評(píng)價(jià)標(biāo)準(zhǔn) ARIMA ARIMABP ARIMARBF ARIMAGRNN 雙重非線性組合 X1 MAE RMSE X2 MAE RMSE X3 MAE RMSE X4 MAE RMSE X5 MAE RMSE X6 MAE RMSE X7 MAE RMSE X8 MAE RMSE X9 MAE RMSE X10 MAE RMSE X11 MAE RMSE 安徽審計(jì)職業(yè)學(xué)院畢業(yè)論文（設(shè)計(jì)） 14 表 3－ 7 各模型誤差評(píng)價(jià)表 從表 3－ 5和表 3－ 7看， ARIMABP 、 ARIMARBF 、 ARIMAGRNN和 RBF Combinationf ? 均優(yōu)于ARIMA。最后，把上述三種預(yù)測(cè)方法關(guān)于 2020 年 10月和 11 月事故起數(shù)的預(yù)測(cè)值作為輸入向量來預(yù)測(cè) 10月和 11月的事故起數(shù)。通過 GRNN 模型不斷學(xué)習(xí)歸納出輸入和輸出變量之間的關(guān)系。事故類型 網(wǎng)絡(luò)輸入 期望輸出 SPREAD 1? 11 10 11 , 1 , 1t t t? ? ?? ? ? 1t? 2? 10 9 12 , 2 , 2t t t? ? ?? ? ? 2t? 3? 3 2 13 , 3 , 3t t t? ? ?? ? ? 3t? 4? 4 3 14 , 4 , 4t t t? ? ?? ? ? 4t? 5? 5 4 15 , 5 , 5t t t? ? ?? ? ? 5t? 6? 11 10 16 , 6 , 6t t t? ? ?? ? ? 6t? 7? 14 12 17 , 7 , 7t t t? ? ?? ? ? 7t? 8? 6 5 18 , 8 , 8t t t? ? ?? ? ? 8t? 9? 9 8 19 , 9 , 9t t t? ? ?? ? ? 9t? 10? 5 4 110 , 10 , 10t t t? ? ?? ? ? 10t? 11? 11 10 111 , 11 , 11t t t? ? ?? ? ? 11t? 安徽審計(jì)職業(yè)學(xué)院畢業(yè)論文（設(shè)計(jì)） 11 本文采用 GRNN 建立了第三種非線性組合預(yù)測(cè)方法，記作： ARIMAGRNN。它由輸入層、模式層、求和層和輸出層四層構(gòu)成。首先由 輸入向量間距離矩陣 確定 SPREAD的范圍，然后在此范圍內(nèi)結(jié)合 預(yù)測(cè)誤差、逼近誤差以及參考散布常數(shù) 1決定最終的 SPREAD值。 隱層的徑向基函數(shù)設(shè)計(jì)為高斯函數(shù)，輸入為輸入向量與權(quán)值向量的距離乘以閾值，輸出即為神經(jīng)元的輸出：()O radbas W P B??。本文采用 RBF 建立了第二種非線性組合預(yù)測(cè)方法，記作： ARIMARBF。它屬于前饋型神經(jīng)網(wǎng)絡(luò)，是一種三層的前向網(wǎng)絡(luò)。網(wǎng)絡(luò)訓(xùn)練采用基于數(shù)值最優(yōu)化理論的 LevenbergMarquardt[1516]方法進(jìn)行，然后調(diào)用這些訓(xùn)練好的權(quán)
法律信息相關(guān)推薦
鄂ICP備17016276號(hào)-1