安全事故現(xiàn)狀與趨勢(shì)分析方法研究畢業(yè)論文(存儲(chǔ)版)
【正文】 ,2020. [5] Kopits,E., Cropper,M..Traffic Fatalities and Economic Growth[J].Accident Analysis and Prevention,2020,37(1) ： 169178. [6] 任榮森 ,雍歧東 ,張寧 . 基于 ISM 的油庫(kù) 安全事故成因分析 [J].后勤工程學(xué)院學(xué)報(bào) ,2020,25(5)：總體 MAE 總體 RMSE 安徽審計(jì)職業(yè)學(xué)院畢業(yè)論文（設(shè)計(jì)） 15 5861. [7] 牛躍林 ,王花平 ,謝金亮 .基于模糊數(shù)學(xué)的城市生產(chǎn)安全事故應(yīng)急管理能力綜合評(píng)價(jià) [J].江西理工大學(xué)學(xué)報(bào) ,2020,29(1)： 5356. [8] Karen,P.. Blood on the coal: The effect of anizational size and differentiation on coal mine accidents[J].Journal of safety Research,2020,40(3) ： 8595. [9] Shi,.. Have government regulations improved workplace safety? A test of the asynchronous regulatory effects in China’ s coal industry ,19952020[J].Journal of Safety Research,2020,40(3)： 207213. [10] Bates,.,Granger,.,Terasvirta,T.. The bination of Forecasts[J].Operations Research Quarterly,1969,20(4):451468. [11] Clemen,..Combination forecasts:a review and annotated bibliography[J].International Journal of Forecasting,1989,(5)： 559584. [12] Deutch,M.,Granger,.,Terasvirta,T.. The bination of forecasts 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 。 RBF Combinationf ? 的最大 RMSE分別僅為 ARIMA、 ARIMABP 、 ARIMARBF、 ARIMAGRNN最大 RMSE的 %、%、 %和 %。 模型預(yù)測(cè)效果的比較 我們把各種模型對(duì) 2020年 1011月各類(lèi)安全生產(chǎn)事故的數(shù)量和安全生產(chǎn)事故總量的預(yù)測(cè)結(jié)果總結(jié)在下面的表 3－ 5。 ( , )f xy 是 x 和 y 的聯(lián)合概率密度函數(shù)，可由 Parzen 非參數(shù)估計(jì)出來(lái)。 GRNN 模型 [1920] 廣義回歸神經(jīng)網(wǎng)絡(luò)（ GRNN） 是美國(guó)學(xué)者 Donald 在 1991 年提出的。其中， P 為輸入向量； 1W 和 2W 分別為 徑向基層和線(xiàn)性輸出層的 節(jié)點(diǎn)連接權(quán)值； 1B 和 2B 分別為 徑向基層和線(xiàn)性輸出層的 神經(jīng)元閾值。 RBF 模型 [1718] 徑向基函數(shù)（ RBF） 是多維空間插值的傳統(tǒng)技術(shù)，由 Powell 于 1985 年提出。 它是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)的精華。同時(shí)也給出點(diǎn)預(yù)測(cè)值的置信水平為 95%的置信限以及安全生產(chǎn)事故總量時(shí)間序列擬合圖，見(jiàn)表 3－ 6和圖 3－ 1。式中， B 為后移算子， 1()ddB? ? ? ；11() ppBBB??? ? ?????? ； 11() qqBBB??? ? ?????? ；其中， 1,??? p?? ， 1,???q?? 是需要估計(jì)的自回歸系數(shù)和滑動(dòng)平均系數(shù)， 0p?? ， 0q?? ； t? 為零均值白噪聲序列。 20 世紀(jì) 90年代初， Granger 和 Terasvirta[12]等人研究發(fā)現(xiàn)，借助非線(xiàn)性函數(shù)關(guān)系的非線(xiàn)性組合預(yù)測(cè)比線(xiàn)性組合預(yù)測(cè)所得的結(jié)果誤差要小。 事故起數(shù) 年份 死亡 1 人 死亡 2 人 死亡 3 人 死亡 4 人 死亡 5 人 死亡 6 人 死亡 7 人 死亡 8 人 死亡 9 人 死亡 10人及以上 合計(jì) 2020年 533 111 209 123 98 52 37 33 25 90 1311 2020年 1445 230 412 200 121 87 40 45 27 109 2716 2020年 1793 265 547 227 141 81 51 46 32 113 3296 2020年 1382 197 640 284 159 96 59 34 18 117 2986 2020年 1339 169 720 296 182 97 45 34 22 126 3030 2020年 134 22 731 258 152 119 55 49 19 94 1633 2020年 3 4 762 283 142 91 55 46 32 78 1496 2020年 4 4 567 215 123 66 55 29 25 88 1176 合計(jì) 6633 1002 4588 1886 1118 689 397 316 200 815 安徽審計(jì)職業(yè)學(xué)院畢業(yè)論文（設(shè)計(jì)）
法律信息相關(guān)推薦
鄂ICP備17016276號(hào)-1