基于神经网络危化企业事故预测研究.docVIP

基于神经网络危化企业事故预测研究 　　摘要：根据对100家危化企业以往数据统计，确定他们的年安全资金的投入、安全管理人员数量及几年内无事故的数据，进行危化企业事故年限预测。通过自组织特征映射神经网络学习规则，在现有数据的条件下进行训练，得到成熟的神经网络。通过训练后的网络，在年安全资金的投入和安全管理人员数量确定的条件下，可以预测危化企业发生事故的年限。通过本方法可以挖掘数据内隐藏的事故发生归路，为企业的安全管理提供参考意见。 　　关键词：神经网络；危化企业；事故预测 　　中图分类号：TP183 　　人工神经网络(Artificial Neural Network)，简称“神经网络”。换句话说，它是基于数学理念所构造出的一个模型，根据人体大脑组织对人体一系列的思维活动进行探索，将人体大脑的讯息接受概念运用到模型当中，所涉及的知识面广阔，包括神经学知识、数学相关知识、以及计算机相关知识在内，因此它是一种新型的跨领域的科学技术[1]。它也能够采取学习的方式汲取外界有效信息，作为知识累积，这与人体大脑功能是十分相近的，因此这一技术已经在诸多领域得到了推广，并得到越发深入的研究[2]。 　　本文将自组织特征映射神经网络与危化企业事故发生预测相结合，通过已有对100家企业的年安全资金的投入、安全管理人员数量及几年内无事故的数据进行分析。从而训练网络，使其适应危化企业的特征。然后通过对同类企业的相应数据得调查结果，确定企业的可能发生事故的年限。 　　1自组织特征映射模型的原理 　　1.1SOM网络的拓扑结构。在SOM 网络当中最为显著的特点是能够在进行信息处理的时候，在处理单元阵列上显示出所接受讯息特点的拓扑排列，SOM网络能够在接受讯号之后将其特点准且地获取出来。通常比较常用的二维阵列模型包括以下几个方面：（1）处理单元阵列，主要负责接收讯息，同时初步给出判断函数式（2）比较选择机制，主要负责将函数式进行逐一的对比，同时确定函数最大值所在的单元（3）局部互连作用，主要负责已决定的单元与周边单元的共同鼓励工作（4）自适应过程，主要负责更改接受鼓励单元的数据，确保它所相对的函数值能够增大[3，4](图1)。 　　 　　假如网络输入为，神经元i与输入单元的连接权值 ，则输入神经元的输出 为： 　　网络实际具有响应的输出单元k，该神经元的确定是通过“赢者通吃”的竞争机制得到的，输出为： 　　以上2式可修正为： 　　式中 为输入神经元i和输出神经元j之间的连接权值， 为输入神经元i的输出， 为一个很小的正数， 为系数，它与权值及横向连接有关， 为与处理单元i相关的处理单元集合， 称为浮动阈值函数。 为非线性函数，即： 　　 　　1.2SOFM网络学习算法。SOFM 网络的学习算法过程如下： 　　（1）初始化。赋予N个输入神经元到输出神经元较小的连接权值。选取输出神经元j临接神经元的集合 其中，sj(0)表示时刻t=0的神经元j的临接神经元的集合，sj(t)表示t时刻j的临接神经元的集合。sj(t)随着时间的增长而不断缩小。 　　（2）提供新的输人模式X。 　　（3）计算欧式距离dj。即输入样本与每个输出神经元j。之间的距离 　　 　　并计算出一个具有最小距离的神经元，即确定某个单元k，使得对于任意的，都有 　　（4）给出一个周围的临域Sk(t). 　　（5）按照下式修正输出神经元 及其临接神经元的权值 　　 　　其中， 为一个增益项，并随时间变化逐渐下降到零，般取 　　 　　（6）计算输出ok 　　 　　式中f(#8226;)一般为O～l函数或其他非线性函数。 　　（7）提供新的学习样本来重复上述学习过程。 　　2自组织特征映射神经网络对危化企业发生事故的预测 　　对某地区100家危化企业尽进行调查得到年安全资金的投入、安全管理人员数量及几年内无事故的数据。如表1所示，单位（100万，100人） 　　表1事故统计信息表 　　一年内发生 　　事故的企业 安全资金投入 0.1 0.2 0.05 0.06 0.08 0.09 0.07 0.06 0.08 0.09 　　 安全管理人员数 0.05 0.03 0.1 0.13 0.1 0.1 0.08 0.1 0.06 0.07 　　二年内发生 　　事故的企业 安全资金投入 0.2 0.3 0.2 0.15 0.15 0.13 0.17 0.25 0.18 0.16 　　 安全管理人员数 0.15 0.1 0.15 0.2 0.2 0.25 0.2 0.2 0.1 0.18 　　三年内发生 　　事故的企业 安全资金投入 0.3 0.4 0.5 0.3 0.35 0.4 0.33 0.41 0.52 0.36 　　 安全管理人员数 0.2 0.2 0.1 0.2 0.2 0.15 0.3 0.25 0.2