模糊神经网络在危险化学品道路运输风险评价中的应用

正随着城乡公路的建设、高速公路的增多、汽车运输业的大力发展,道路运输因其机动灵活、快速及时、方便经济等特点,成为当前我国危险化学品运输的一种主要途径。然而,危险化学品在道路运输过程中,由于设备缺陷、撞击、挤压等原因,盛装易燃、易爆、有毒危险品的容器及相关辅助设施有可     

基于证据理论的煤矿瓦斯涌出组合预测

为提高煤矿瓦斯涌出量预测的准确度,引入证据理论组合预测方法。根据瓦斯涌出量及其主要影响因素间的实验数据,采用3个不同的粒子群神经网络模型对涌出量进行初步预测。并由BP、RBF网络对预测误差及预测点的影响因素进行分析建模,以获取每个模型的可信度。再利用证据理论对其进行合成,确定组合模型的权值,最终实现对瓦斯涌出量的组合预测。实例结果表明,该组合预测方法的平均绝对误差、均方误差分别为18.5%、5.8%,均小于神经网络组合法及等权平均法的相应预测误差,适用于煤矿瓦斯涌出量预测。     

基于主成分分析法的危险货物运输企业安全评价

为更准确地评估危险货物运输企业安全等级以降低其运输风险,提出基于主成分分析法(PCA)的危险货物运输企业BP神经网络安全评价模型;在从人-机-物-环境-管理角度构建危险货物运输企业安全评价指标的基础上,分别利用该模型和其他3种模型对3家实例企业进行仿真评价和对比分析。结果表明,该模型的评价结果与期望值间的相对误差约为0.5%～1.2%,计算精度优于其他模型,且具有计算量小等特点。     

雷击引燃森林可燃物概率的实验研究

利用自主设计的雷击点燃森林可燃物的模拟实验装置,采用大兴安岭地区的松针和白草作为实验材料进行了雷击点燃实验。通过Logistic回归分析得到雷击点燃概率方程,并且通过主成分分析发现可燃物含水率和设备的低压值是决定可燃物是否被点燃的主要因素。通过不同可燃物含水率和电极间距参数条件下的实验证明了Lo-gistic回归方程结果的合理性,并对电极间距改变范围对实验的局限性进行了分析。     

基于BP神经网络算法的北京市地铁站应急疏散能力仿真评估模型

地铁站的应急疏散能力是地下铁道安全运营设计中非常重要的部分,对于维持社会稳定,保障人民安全具有重大意义.本文利用BP神经网络计算方法和MATLAB软件,选取可能影响地铁站疏散能力的相关因素作为评价指标,建立了应急疏散指标体系,并以北京北三环区域周边地铁站作为主要研究对象,对北京市地铁站应急疏散能力进行了仿真评估,提出了增加疏散通道、疏散楼梯、安全出口等数量,以提高地铁站应急疏散能力等一些可供参考的建议.     

体育馆建筑内青年学生疏散预动作时间调查和分析

通过组织火灾应急疏散逃生演习、现场问卷调查等方式,统计了体育馆内人员的疏散预动作时间,进而建立多分变量逻辑斯蒂回归模型对该统计数据进行了研究.发现:男生选择疏散预动作时间为＜30 s的可能性是女生的0.886倍,选择疏散预动作时间为30-60 s的可能性是女生的2.818倍.预测人员疏散预动作时间为＜30 s、30 -60 s、＞60s的概率,男生分别为15.45％,75.61％、8.94％,而女生分别为24.14％,39.72％、36.14％;研究结果表明:人员性别的不同对疏散预动作时间有一定的影响,在体育馆类建筑中,青少年人员疏散预动作时间基本上小于60 s.     

建筑企业员工职业病危害认知影响因素的调查分析

随着建筑行业的持续快速发展,建筑企业作业场所中的职业病危害呈现出高发性、复杂性和持续性等特点.通过针对建筑企业员工的实际状况设计调查问卷获取第一手资料,并运用SPSS17.0统计软件建立相关分析、回归分析等模型进行数据分析,可以得知建筑企业作业场所员工遭受职业病危害的可能性与对安全知识的了解程度、从业时间、性别及文化背景这四个因素的线性相关性.通过对建筑企业作业人员职业病危害的调查与分析,辨识出影响职业病危害的人为因素,提出相关的建议措施以改善建筑企业作业场所职业病危害严重的局面,提高建筑企业员工自我保护意识,增加其职业病危害防护知识,减少职业病危害事故的发生.     

基于改进多种群遗传算法的尾矿坝形变预测

针对遗传神经网络(GA-BP)建立的尾矿坝形变预测模型易出现早熟现象、预测结果不稳定、容易陷入局部最优值的不足,引入一种具有混沌局部搜索的多种群自适应遗传算法。该算法以双种群寻优为基础,改进了遗传参数的计算方式,分别以种群进化中染色体适应度值的集中程度和空间距离的分布作为自适应交叉率、变异率的计算依据应用于不同种群中,提高了种群的多样性和遗传算法全局搜索的能力;同时引入混沌局部搜索技术(CLS),完善了遗传算法局部搜索能力的不足。采用改进的遗传神经网络模型对贵州省白岩尾矿坝三维变形数据进行预测,并与传统的GA-BP和AGA-BP模型预测结果进行比较。结果表明:改进后的模型预测精度更高,结果更加稳定,具有良好的预测效果。     

人工智能与专家的故事

人工智能几起几落,一般认为这一轮热潮从2012年开始。这一年,Hinton和他的学生Alex Krizhevsky设计的Alex Net采用深度学习算法,在Image Net图像识别竞赛中获得冠军,图像错误识别率下降10多个百分比,同期的其他神经网络每次的成绩提升很少达到5%,立即引起业界对深度学习的极大关注。之后的两年时间,深度学习网络进一步把整体错误率下降至5%以内,达到了人眼的水平。随后,Google、Micro Soft、Facebook先后开源了自己的深度学习框架Tensorflow、CNTK和Caffe。一时间,国内外涌现了大量的人工智能创业公司。除了深度学习技术,GPU芯片、分布式计算、计算位数压缩等新的优化技术也加快了神经网络的训练和使用效率,人工智能应用从高性能数据中心向嵌入式设备发展。