安全事故現(xiàn)狀與趨勢(shì)分析方法研究畢業(yè)論文(編輯修改稿)
2024-10-02 13:56 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 5%的置信限以及安全生產(chǎn)事故總量時(shí)間序列擬合圖，見表 3－ 6和圖 3－ 1。 其中置信限計(jì)算公式如下：由 ， ( ) ( )d ttBB?? ? ? ? ?， 記 * * * 212( ) ( ) 1dB B B B??? ? ? ? ? ? ? ?，又令 1 1 2 2t t t t? ? ???? ? ? ? ? ? ?，根據(jù) B 的同冪次系數(shù)相等的原理，可以確定 12,?? ，即*1 1 1**2 1 1 2 2**11j j p d j P d j??? ? ?? ? ?? ? ? ?? ? ? ?? ? ? ? ? ????? ? ? ? ? ? ?? 其中， 0, 01, 1j jj ????? ??， 0,j jq? ??。 在均方誤差最小原則下，容易求出1 1 2 2? ()t l t l t l tl ? ? ?? ? ? ?? ? ? ? ?? ? ?, 1 1 1 1? ? ? ? ? ?? ? ? ? ? ? ? ? ?t l t l t l l t l t? ? ? ?，所以1 1 1 1()t t l t l l tel ? ? ?? ? ? ? ?? ? ? ? ?， 2 2 211( ( ) ) (1 )tlV a r e l ???? ? ? ? ? ?， tl?? 的置信水平為 1?? 的置信限為： 122 21112?( ( ) (1 ) )l ?? ??? ??? ? ? ? ? ? ? 其中，12???為標(biāo)準(zhǔn)正態(tài)分布 12??的分位數(shù)，本文 ? 取 5%。（注： ()tel為 tl? 時(shí)期的預(yù)測(cè)誤差） 安全生產(chǎn)事故總量 ARIMA 擬合預(yù)測(cè)圖 以下是安全生產(chǎn)事故總量 ARIMA 擬合圖。圖中星號(hào)為實(shí)際值，中間實(shí)曲線為依據(jù) 中 (11A)得到的預(yù)測(cè)值，上下兩條虛曲線為預(yù)測(cè)值置信水平為 95%的置信上限和 置信下限。 圖 3－ 1 安全生產(chǎn)事故總量時(shí)間序列擬合預(yù)測(cè)圖 安徽審計(jì)職業(yè)學(xué)院畢業(yè)論文（設(shè)計(jì)） 9 第二階段預(yù)測(cè) BP 模型 [14] BP 神經(jīng)網(wǎng)絡(luò)由 Rumelhart 等人于 1986 年建立，是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，由輸入層、隱層和輸出層構(gòu)成。 隱層神經(jīng)元的傳遞函數(shù)通常用 logsigmoid 型函數(shù)、 tansigmoid型函數(shù)、 purelin 純線性型函數(shù)。輸出層的函數(shù)常用 purelin 純線性型函數(shù)。 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。本文采用 BP 建立了第一種非線性組合預(yù)測(cè)方法，記作： ARIMABP。 BP模型表達(dá)式如下： ()O f WP B??,其中 O 為節(jié)點(diǎn)輸出； W 為節(jié)點(diǎn)連接權(quán)值； P 為節(jié)點(diǎn)輸入； B 為神經(jīng)元閾值； f 為輸入 /輸出的傳遞函數(shù)。 ARIMABP 模型預(yù)測(cè) 依據(jù) 的 11 個(gè)模型， 對(duì) 10 類事故以及事故總量進(jìn)行第二階段建模。 ARIMABP模型的實(shí)現(xiàn)過程由模型輸入、網(wǎng)絡(luò)訓(xùn)練、網(wǎng)絡(luò)測(cè)試、模型輸出等四個(gè)部分組成。確定神經(jīng)網(wǎng)絡(luò)為 3 層，輸入層、隱層及輸出層，隱層采用 S型函數(shù)作為傳遞函數(shù)，輸出層取線性函數(shù)。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)值與閾值，經(jīng)輸出層輸出即可得到預(yù)測(cè)值。依據(jù) ，確定了安全生產(chǎn)事故量隨時(shí)間變化的規(guī)律，因此構(gòu)建的輸入輸出樣本對(duì)以及網(wǎng)絡(luò)結(jié)構(gòu)各層神經(jīng)元個(gè)數(shù)見下面的表 3－ 1： 表 3－ 1 ARIMABP模型結(jié)構(gòu)表 事故類型 網(wǎng)絡(luò)輸入 期望輸出 網(wǎng)絡(luò)結(jié)構(gòu) 1? 11 10 11 , 1 , 1t t t? ? ?? ? ? 1t? 11101 2? 10 9 12 , 2 , 2t t t? ? ?? ? ? 2t? 10101 3? 3 2 13 , 3 , 3t t t? ? ?? ? ? 3t? 361 4? 4 3 14 , 4 , 4t t t? ? ?? ? ? 4t? 451 5? 5 4 15 , 5 , 5t t t? ? ?? ? ? 5t? 551 6? 11 10 16 , 6 , 6t t t? ? ?? ? ? 6t? 11101 7? 14 12 17 , 7 , 7t t t? ? ?? ? ? 7t? 14121 8? 6 5 18 , 8 , 8t t t? ? ?? ? ? 8t? 661 9? 9 8 19 , 9 , 9t t t? ? ?? ? ? 9t? 9101 10? 5 4 110 , 10 , 10t t t? ? ?? ? ? 10t? 551 11? 11 10 111 , 11 , 11t t t? ? ?? ? ? 11t? 11101 應(yīng)用 ARIMABP 模型關(guān)于 2020 年 10月和 11 月事故起數(shù)的預(yù)測(cè)結(jié)果見表 3－ 5。 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。 1988 年，Broomhead 和 Lowe 根據(jù)生物神經(jīng)元具有局部響應(yīng)這一特點(diǎn)，將 RBF 引入神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中，安徽審計(jì)職業(yè)學(xué)院畢業(yè)論文（設(shè)計(jì)） 10 產(chǎn)生了 RBF 神經(jīng)網(wǎng)絡(luò)。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)。第一層為輸入層；第二層為隱層（徑向基層）；第三層為線性輸出層。 1989 年， Jackson 論證 了 RBF 神經(jīng)網(wǎng)絡(luò)對(duì)非線性函數(shù)的一致逼近性能。因而將它應(yīng)用于復(fù)雜的時(shí)間序列預(yù)測(cè)會(huì)取得較好的效果。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。 RBF 模型表達(dá)式如下：徑向基層輸入為 1WP? ，徑向基層輸出為 1 ( 1 1 )O ra d b a s W P B??，線性輸出層輸出為21( 2 * 2)O pure lin W O B??。其中， P 為輸入向量； 1W 和 2W 分別為 徑向基層和線性輸出層的 節(jié)點(diǎn)連接權(quán)值； 1B 和 2B 分別為 徑向基層和線性輸出層的 神經(jīng)元閾值。 ARIMARBF 模型預(yù)測(cè) ARIMARBF模型構(gòu)建的輸入輸出樣本對(duì)與 ARIMABP完全相同。 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??。其中 P 為輸入向量； W 為 徑向基層的 節(jié)點(diǎn)連接權(quán)值； B 為 徑向基層的 神經(jīng)元閾值。另外，還需要給出徑向基函數(shù)的散布常數(shù)（ SPREAD）。本文綜合以下三個(gè)原則確定： (1)通常，散布常數(shù)的選取取決于輸入向量之間的距離，要求是大于最小距離，小于最大距離； (2)網(wǎng)絡(luò)的預(yù)測(cè)誤差和逼近誤差； (3)散布常數(shù)等于 1作為參照 。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。 ARIMARBF模型結(jié)構(gòu)見下面的表 3－ 2： 表 3－ 2 ARIMARBF模型結(jié)構(gòu)表 應(yīng)用 ARIMARBF 模型關(guān)于 2020 年 10月和 11 月事故起數(shù)的預(yù)測(cè)結(jié)果見表 3－ 5。 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。在結(jié)構(gòu)上與 RBF 網(wǎng)絡(luò)較為相似。它由輸入層、模式層、求和層和輸出層四層構(gòu)成。 GRNN 也具有很強(qiáng)的非線性映射能力，適用于解決非線性問題。 GRNN 網(wǎng)絡(luò)最后收斂于樣本量積聚較多的優(yōu)化回歸面，并且在樣本數(shù)據(jù)較少時(shí)，預(yù)測(cè)效果也比較好。另外它還可以處理不穩(wěn)定的數(shù)據(jù)。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
法律信息相關(guān)推薦
鄂ICP備17016276號(hào)-1