煤矿安全宏观预测方法综述

对几种比较适用于预测煤矿安全宏观预测的方法(线性回归预测、非线性回归预测、灰色预测、马尔柯夫链预测、灰色马尔柯夫链预测、神经网络预测法)进行了介绍,并作了进一步评述和探讨.     

基于BP神经网络的海军飞行员人为差错安全影响评估

为了更客观合理地对海军飞行员人为差错安全影响进行评估,提出了一套基于BP神经网络的海军飞行员人为差错安全影响评估方法。首先,根据"人为错误因素"模型并结合海军航空兵飞行员人为因素事故案例建立海军飞行员人为差错安全影响评估指标体系;然后,依据该指标体系构建了基于BP神经网络的人为差错飞行安全影响评估模型;最后,以海军航空兵历年人为因素事故统计数据为训练样本对BP神经网络安全影响模型进行训练,并利用该模型对部分数据进行飞行安全影响评估测试。结果表明,评估结果符合实际情况,该方法可对海军航空兵飞行员人为差错安全影响进行评估。     

基于SHEL模型和神经网络的空中交通管制风险预警研究

空中交通管制安全是确保飞行安全的重要因素。为提高空中交通管制系统的安全性,依据风险管理理论,建立了空中交通管制风险预警模型。根据SHEL模型对风险因素进行分析,建立了风险预警指标体系,在指标体系基础上引入神经网络评估方法,构建了空中交通管制风险预警模型,最后选取某基层空管机构数据样本,实现了预警模型的训练与检测。实例表明,预警结果与实际评价结果相吻合,达到了所需的精度。     

基于ART-2人工神经网络的煤矿安全风险评价

旨在为煤矿安全风险预控管理提供一种适用的风险评价模型或方法。研究过程中,介绍了人工神经网络自适应共振理论的ART-2算法;在安全系统工程理论及相关研究基础上,结合调研分析建立了风险评价指标体系;选取山西9家煤矿作为研究样本进行实证研究。该算法仿真识别结果与煤矿实际安全风险情况一致性程度达到77.78%,表明针对煤矿安全风险预控管理过程中的安全风险评价,ART-2神经网络具有较好的适用性。     

FOA优化GRNN网络的尾矿库安全预测

从尾矿库安全管理实际出发,针对尾矿库安全预测影响因素多、波动性大和非线性的特点,提出了果蝇算法优化广义回归神经网络的尾矿库安全预测模型。通过利用果蝇优化算法的全局寻优特性对广义回归神经网络进行参数优化,同时采用相关分析方法选取尾矿库安全评价指标,实现尾矿库的安全评价预测。以辽宁本溪南芬尾矿库为研究实例进行预测仿真,实验结果表明:相较于GRNN网络模型和BP网络模型,采用果蝇算法优化的GRNN模型预测精度更高,适用性更强,在尾矿库安全预测方面具有很大的实际应用价值。     

基于物元分析与PCA的部队汽车分队安全评价模型

为改善部队汽车分队的安全状况,建立了基于主成分分析与BP神经网络的部队汽车分队安全评价模型。在利用层次分析法建立分队系统的安全评价指标体系的基础上,将专家作为样本,进行物元分析,两者联合确定指标权重,进而得到相对客观的评价样本。对样本提取主成分,使输入变量降维且相互独立,以提高网络训练和预测效果。结果表明,其预测精度优于不采用主成分分析的BP网络模型,且相对误差在4%以内,模型具有可行性。因此,结合了物元分析与主成分分析的BP网络耦合模型能更加客观、准确地评价和预测被评价对象的实际安全状况。     

煤矿事故预测的指数平滑-BP神经网络混合模型研究

为准确预测煤矿未来安全生产形势,采用指数平滑法、BP神经网络模型对我国1991~2010年煤矿死亡人数进行建模研究。在分析两单一模型预测结果后进一步采用指数平滑-BP神经网络混合模型对原数据进行分析,结果表明混合模型泛化能力强,预测精度高,更加符合煤矿事故发展的特点,适用于对煤矿死亡人数的预测。并应用该混合模型对2014年及未来五年的煤矿死亡人数进行预测和分析,为煤矿安全管理提供理论依据,有助于最大限度地减少事故的发生。     

基于多BPNN敏感性分析的气候变化脆弱性指标赋权方法

为尽量减小气候变化脆弱性评估中对指标权重的人为干扰,通过对某市卫生领域的气候变化脆弱性的评价案例,提出了一种基于多反向传播神经网络(BPNN)敏感性分析的气候变化脆弱性指标赋权方法。结果表明:多组BPNN拟合与泛化能力普遍较好,且每个模型敏感性分析结果具有一致性,总敏感性指数远大于一阶敏感性指数,反映了气候指标巨大潜在影响。所提出的敏感性分析具有较好的稳定性;该方法能够有效识别出气候指标的直接影响及间接影响,可以为指标权值的确定提供参考。     

基于PCMRA神经网络补偿算法的瓦斯涌出量预测

为了克服自变量之间的多重共线问题,提高多元回归模型预测的精确性,将主成分分析(PCA)与多元回归分析(MRA)相结合,提出了主成分多元回归分析(PCMRA)模型。利用RBF神经网络对主成分回归分析残差进行拟合预测,最后利用残差预测值对主成分回归分析预测值进行补偿。结果表明:利用RBF神经网络对主成分回归模型进行补偿,将线性拟合算法和非线性拟合算法结合起来用于瓦斯涌出量预测是一种较为优越的算法。     

基于神经网络的建筑物火险评价

为了快速检测建筑物当前火险等级,应用神经网络技术,建立了火险评价系统。首先构建三大类15项评价指标体系,然后请经验丰富的消防专家判定建筑物火险等级,生成60条专家样本。前50条用于神经网络的训练,后10条用于神经网络检验。通过训练,神经网络获得了较高的评价精度,训练样本的总相对误差绝对值为7258%,检验样本总相对误差绝对值为0%。实践表明,采用神经网络实现建筑物火险评价,无需推导数学模型,操作效率高,使用成本低