外文翻译---职业健康和安全管理体系中可能性影响因素的回归性分析(编辑修改稿)

外文翻译---职业健康和安全管理体系中可能性影响因素的回归性分析(编辑修改稿)内容摘要：

在统计学里，观察和评论价值的背离都被假设为任意的错误。 尽管如此常规的回归还是被应用于变量领域，包括输入和输出变量虽然不能明确的区分的模糊关系存在的 相关问题。 因此，这将成为它不能成功的一个主要的原因。 回归分析是一种常见的描述分析数据关系的方法。 这个回归模型解释了确定和不确定变量之间的相关性。 这些用来解释其他变量的变量被称为解释变量（ 2020）。 一个标准数据回归曲线模型从下面的形式得出 Y=a0+a1x1+… +akxk () 做为一个既有趣又有用的延伸，塔妮卡等人通过合适的模糊设置 ,介绍了回归模型的增加来使可能性回归上升。 这个范畴的模型反映出在确定和不确定变量之间的 本质关系上的模糊设置。 较高和较低的回归范围用来衡量可能输出变量的分配。 做为可能性回归的替代，在确定的和不确定变量之间不正确的关系可以通过模糊回归曲线描述表达如下形式 : Y=a0x0+a1x1+… akxk+=axt () 其中 X=｛ X0,X1,X2,… ..XK｝是一组不确定变量的向量； A={A1,A2,A3,… .AK}是模糊系数向量在系统三角模糊函数中出现的通过 A=（ ajcj）来表示。 这个模糊数字的资格函数描述如下： Uaj(aj)= 其中 aj和 cj都是中心（模型）值 ,是三角模糊数字分别展开得出的。 另外，可能回归成为可能模型可以被运用于可能理论的环境中来为获得模糊变量和未知的知识提供新的方法。 正如前面所述，如果每一个模糊系数都被某一种形式的隶属函数的一些参数所规定 ,模糊数字的隶属函数可以很容易计算出。 除此之外，这里的主要问题是有关回归系数的估计和伴随模糊环境结构完成的后期预测。 这个里面有两个 原因。 总的来说，我们可能遇到大量的数据。 此外，考虑到在结果分析中 ,被讨论的模糊数据的格式我们可能会面临某种程度上的困难。 让我们来考虑一个问题，有关 n样本和 k 模糊数字的输入属性（变量）。 当我们计算未知的模糊参数的结果时给定模糊数据，直接的计算方法是把所有的模糊数据的顶点考虑进去而不是将它们分成以模糊数据标记或未知的模糊参数标记为基础的各种变量。 另外的困难又提升了，因为模糊数字 n*2k 的结果的形式。 根据相关大量的计算表明，LP 的实践是不可能的而且我们需要去看一些其他最优的选择。 图 2 阐述了一个矩形的例子 ，它是模糊数据隶属函数的轨迹。 由于处理数据过程中颗粒的本质属性那里的每一个点都能代表相关隶属函数图表的轨迹。 因此，考虑所分析样本的轨迹来获得 IDA的实践解决方法。 考虑外部的点（位分点），他们在前面的过程中就被建立起来了，产生了凸壳方法的自适应。 选择轨迹的点向量将成为凸起的环形而且这些点将和每一个其它的形成的凸壳边缘和边界联系起来。 在接下来的过程中，连接边缘将为选出的模糊数据的样本建立一个凸壳，所有的分析数据都会变成建立的凸壳。 这个过程的本质在附录图 3中说明了。 因此，在完善凸壳的基础上，用 可能回归的定义来描述样本数据的分配变得更容易，因为顶点微小的改变（降低或增加）都会影响模型和这些点 .所以必须考虑到以后的 LP计算。 换一句话说，我们刚在这个分析中选择的顶点，他们预先得出建立凸壳结构。 在最初的凸壳定义的方法的基础上 ,这个过程必须通过给定的样本来实现。 IDA算法由以下几个步骤组成： 第 1步：加载一套模糊数据样本（ OHS 相关的实验数据） 1|amp。 jamp。 i|/ci ci非 0 1 ci=0 0 其他 () 第 2步：完成模糊数字最优化程序来获得模糊数字最后的结果 n*2K 第 3步：定义外部给定的顶点为隶属函数图形的轨迹 第 4 步：完成 Beneath–Beyond 算法来计算凸壳， H0用一个选定的顶点选来建立凸壳 ① 把选定的可能的顶点和结构的凸起的边缘连接起来 ② 连接结构的边缘来建立凸壳 H223。 的边界 ③ 省略不包括在凸壳中的点 H223。 第 5步：重新把得到的数据和最初的分析数据样本加起来 第 6步：重新增加的样本数据是太大还是处理时间刚刚好呢。 第 7步：输出结果并且结束程序 罗默里等人突出强调了 Beneath–Beyond算法做为凸壳方法的选择在这里是合理的，对于平面结构的建立 ,他考虑到没有额外计算的需要，这将会降低所需的计算时间来获得相同问题最好的解决办法。 4职业健康安全管理体系影响因素 在此 ,我们提出一个分析与管理实现 ,着重阐述成功的规划和影响因素管理的实施。 我所用的模糊样本的 I/O数据来自一定数量的公司和机构，并成功地实施了严格执行管理政策。 此外 ,那些选择公司 /机构是来自同类业务类型、工作环境和文化以及行政和工人人口 (90 95%的相似 )相似的单位。 在这设置中，讨论了构建回归的模糊数据管理 方法的有效性。 整个流程处理说明如附录图 4。 选定的样本来自 200 个公司 /机构。 在马来西亚 ,管理粗放系数影响因素 达到 六 个 点的 输入和一个 信号 输出变量 ,见表。 这些数据是马来西亚人类资源部门从非政府组织部门（ NGO）和职业健康和安全部门（ DOSH）收集来的。 该非政府组织集中监测在马来西亚 OHS 政策实践 的 公司 /机构。 每个公司或组织的规模包括组织管理人员大约有1500人雇员。 此外，这些管理的相关数据在 2020年收集完毕。 另外， 非政府组织收集原始数据的积累在每六个月超过 5000家公司 /组织。 基于这 些因素 ,其数据被描绘成模糊 (语言 )术语如 “不满意 ”,“满意 ”,“良好 ”,“非常 ”，“ 好 ”和 “优秀。 由于对详细数值评估，使得这种格式的数据变得完全合理。 表 数据说明了几个样品 应 考虑问题。 这里 K = 6输入属性 (变量 ),从这个位置发。