安全事故现状与趋势分析方法研究毕业论文(编辑修改稿)

安全事故现状与趋势分析方法研究毕业论文(编辑修改稿)内容摘要：

5%的置信限以及安全生产事故总量时间序列拟合图，见表 3－ 6和图 3－ 1。 其中置信限计算公式如下：由 ， ( ) ( )d ttBB    ， 记 * * * 212( ) ( ) 1dB B B B       ，又令 1 1 2 2t t t t        ，根据 B 的同幂次系数相等的原理，可以确定 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 。 在均方误差最小原则下，容易求出1 1 2 2ˆ ()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 的置信水平为 1 的置信限为： 122 21112ˆ( ( ) (1 ) )l          其中，12为标准正态分布 12的分位数，本文  取 5%。 （注： ()tel为 tl 时期的预测误差） 安全生产事故总量 ARIMA 拟合预测图 以下是安全生产事故总量 ARIMA 拟合图。 图中星号为实际值，中间实曲线为依据 中 (11A)得到的预测值，上下两条虚曲线为预测值置信水平为 95%的置信上限和 置信下限。 图 3－ 1 安全生产事故总量时间序列拟合预测图 安徽审计职业学院毕业论文（设计） 9 第二阶段预测 BP 模型 [14] BP 神经网络由 Rumelhart 等人于 1986 年建立，是一种多层前馈型神经网络，由输入层、隐层和输出层构成。 隐层神经元的传递函数通常用 logsigmoid 型函数、 tansigmoid型函数、 purelin 纯线性型函数。 输出层的函数常用 purelin 纯线性型函数。 它是前向网络的核心部分，体现了人工神经网络的精华。 本文采用 BP 建立了第一种非线性组合预测方法，记作： ARIMABP。 BP模型表达式如下： ()O f WP B,其中 O 为节点输出； W 为节点连接权值； P 为节点输入； B 为神经元阈值； f 为输入 /输出的传递函数。 ARIMABP 模型预测 依据 的 11 个模型， 对 10 类事故以及事故总量进行第二阶段建模。 ARIMABP模型的实现过程由模型输入、网络训练、网络测试、模型输出等四个部分组成。 确定神经网络为 3 层，输入层、隐层及输出层，隐层采用 S型函数作为传递函数，输出层取线性函数。 网络训练采用基于数值最优化理论的 LevenbergMarquardt[1516]方法进行，然后调用这些训练好的权值与阈值，经输出层输出即可得到预测值。 依据 ，确定了安全生产事故量随时间变化的规律，因此构建的输入输出样本对以及网络结构各层神经元个数见下面的表 3－ 1： 表 3－ 1 ARIMABP模型结构表 事故类型 网络输入 期望输出 网络结构 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 应用 ARIMABP 模型关于 2020 年 10月和 11 月事故起数的预测结果见表 3－ 5。 RBF 模型 [1718] 径向基函数（ RBF） 是多维空间插值的传统技术，由 Powell 于 1985 年提出。 1988 年，Broomhead 和 Lowe 根据生物神经元具有局部响应这一特点，将 RBF 引入神经网络设计中，安徽审计职业学院毕业论文（设计） 10 产生了 RBF 神经网络。 它属于前馈型神经网络，是一种三层的前向网络。 第一层为输入层；第二层为隐层（径向基层）；第三层为线性输出层。 1989 年， Jackson 论证 了 RBF 神经网络对非线性函数的一致逼近性能。 因而将它应用于复杂的时间序列预测会取得较好的效果。 本文采用 RBF 建立了第二种非线性组合预测方法，记作： ARIMARBF。 RBF 模型表达式如下：径向基层输入为 1WP ，径向基层输出为 1 ( 1 1 )O ra d b a s W P B，线性输出层输出为21( 2 * 2)O pure lin W O B。 其中， P 为输入向量； 1W 和 2W 分别为 径向基层和线性输出层的 节点连接权值； 1B 和 2B 分别为 径向基层和线性输出层的 神经元阈值。 ARIMARBF 模型预测 ARIMARBF模型构建的输入输出样本对与 ARIMABP完全相同。 隐层的径向基函数设计为高斯函数，输入为输入向量与权值向量的距离乘以阈值，输出即为神经元的输出：()O radbas W P B。 其中 P 为输入向量； W 为 径向基层的 节点连接权值； B 为 径向基层的 神经元阈值。 另外，还需要给出径向基函数的散布常数（ SPREAD）。 本文综合以下三个原则确定： (1)通常，散布常数的选取取决于输入向量之间的距离，要求是大于最小距离，小于最大距离； (2)网络的预测误差和逼近误差； (3)散布常数等于 1作为参照。 首先由 输入向量间距离矩阵 确定 SPREAD的范围，然后在此范围内结合 预测误差、逼近误差以及参考散布常数 1决定最终的 SPREAD值。 ARIMARBF模型结构见下面的表 3－ 2： 表 3－ 2 ARIMARBF模型结构表 应用 ARIMARBF 模型关于 2020 年 10月和 11 月事故起数的预测结果见表 3－ 5。 GRNN 模型 [1920] 广义回归神经网络（ GRNN） 是美国学者 Donald 在 1991 年提出的。 在结构上与 RBF 网络较为相似。 它由输入层、模式层、求和层和输出层四层构成。 GRNN 也具有很强的非线性映射能力，适用于解决非线性问题。 GRNN 网络最后收敛于样本量积聚较多的优化回归面，并且在样本数据较少时，预测效果也比较好。 另外它还可以处理不稳定的数据。 事故类型 网络输入 期望输出 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。