安全系统预测.ppt

概述预测由四部分组成 即预测信息 预测分析 预测技术和预测结果 1 按预测对象范围的划分法2 按预测时间长短的划分法 1 长 远 期预测y 5 2 中期预测5 y 1 3 短期预测y 1预测方法从大的方面可分为经验推断预测法 时间序列预测法及计量模型预测法 第3章系统安全预测 3 1回归预测法原理 利用数理统计原理 在大量统计数据的基础上 通过寻求数据变化规律来推测 判断和描述事物未来的发展趋势 一类是确定的关系另一类是相关关系 3 1 1一元线性回归法式中y 因变量 x 自变量 a b 回归函数 式中x 自变量 为时间序号 y 因变量 为事故数据 n 事故数据总数 解上述方程组得 表3 1是某企业1988 1997年某种伤亡事故死亡人数的统计数据 试用一元线性回归方法建立其预测方程 解将表中数据代入上述方程组便可求出a和b的值 即 y 24 3 1 77x r 0 62 0 6 注意 相关系数r lr O时在大部分情况下 0 r 1 3 1 2一元非线性回归方法一种非线性回归曲线 指数函数 1 2 某企业1997年的工伤人数的统计数据见表3 2 用指数函数进行回归分析 解对两边取自然对数得 3 2灰色预测法3 2 1灰色预测建模方法 生成序列 一阶灰色微分方程 记为GM 1 1 最小二乘解 时间响应方程 离散响应方程 式中 作累减还原 3 2 2预测模型的后验差检验 残差均值 残差方差 原始数据均值 原始数据方差 后验差比值c 小误差概率p 3 2 3灰色预测示例已知某企业1990年至1998年千人负伤率见表3 4所列 试用GM 1 1 模型对该企业1999年 2000年两年的千人负伤率进行灰色预测 并对拟合精度进行后验差检验 解 建立数据矩阵B 进行后验差检验 则 例2 民航事故征候万时率的灰色预测 选取民航2001 2004年飞行事故征候万时率数据 1 由表构造原始数列x 0 则 2 对原始数据进行处理 构造数据矩阵X 构造数据向量Y 3 建立民航事故征候万时率的灰色预测模型 4 民航事故征候万时率的误差值计算 5 预测精度检验 6 民航事故征候万时率预测值 3 3马尔柯夫预测法将数据划分为n种状态 其状态集合为E E1 E2 En 则数据序列由Ei状态经过k步变为Ej的概率为其中 为状态Ei经k步移到Ej的次数 Ni为状态Ei出现的总次数 进一步得到状态转移概率矩阵为 0 Pij 1 i 1 2 n 一次转移向量为 二次转移向量为 3 3 2马尔柯夫预测示例某单位对1250名人员进行职业病健康检查时 发现职工的健康分布如表3 10所列 根据统计资料 前年到去年各种健康人员的变化情况如下 健康人员继续保持健康者剩70 有20 变为疑似病状 10 的人被认定为病 即 假定原有疑似病状者一般不可能恢复为健康者 仍保持原状者为80 有20 被正式认定为病 即 假定病者一般不可能恢复或返回疑似病状 即 解一次转移向量 一年后健康者人数为 一年后疑似病状人数为 一年后患者人数为 3 5综合应用 3 5 1航空事故征候灰色预测 3 5 2航空事故征候马尔可夫预测针对GM 1 1 模型预报的相对误差进行状态划分 由于对航空事故征候进行预测时 状态界限是不确定的 在划分状态区间求状态概率转移矩阵时采用时算法 本文选定以 18 8 0 8 16 为界限 将相对差值序列划分为4个区间 即状态1为 18 8 状态2为 8 0 状态3为 0 8 状态4为 8 16 则可得到相应的相对误差序列所处的状态 根据状态的划分和式 3 20 3 21 可得到航空事故征候的各步状态概率转移矩阵为 例 设一年中任意的相继两天中 雨天转晴天的概率为1 3 晴天转雨天的概率为1 2 任一天为晴或者雨是互逆事件 以0表示晴天状态 1表示雨天状态 假设10月1日为雨天 画出系统的状态转移图 以及状态转移矩阵 问10月2号晴天的概率为多少 达到稳定状态之后 晴天和雨天的概率各为多少 画出系统的状态转移图 以及状态转移矩阵 晴 0 雨 1 10月2号晴天的概率为晴的概率为1 3 达到稳定状态之后 晴天和雨天的概率解此方程可达到 设某车间里的机器出故障的概率为0 1 机器能修复正常的概率为0 86 试求稳定状态下 机器处于正常状态和故障状态的概率各为多少 3 4神经网络预测法人工神经网络具有强大的非线性映射能力 还具有自适应 自学习 容错性和并行处理等性质 3 4 1BP神经网络模型介绍 3 4 2神经网络时间预测步骤3 4 2 1时间序列处理和步骤1 设X是样本点的顺序数字 Y是X对应点上的值 序列中共有n个点 X的值取0 1 n 1 每个XI都有一个Yi与之对应 2 设时间序列中 线性趋向的直线方程为y mx b 3 去除时间序列中的线性趋向 从每一个点中减去上述直线的影响4 用计算的时间序列值去训练网络 5 将去除趋向的网络预测值转换为原时间序列的值 用下式计算 3 4 2 2神经网络训练方法及步骤给输入层单元到隐含层单元的连接权值w1ij i 1 2 s1 j 1 2 n 隐含层单元到输出层单元连接权值w2mi m 1 2 s2 i 1 2 s1 隐含层阀值单元 输出层的阀值 并赋予权值 阀值 1 1 区间的随机值 BP网络的输入向前传播 1 将样本值P输入 通过连接权值w1ij送到隐含层 产生隐含层单元的激活值式中i j同上 f1函数为对数s形函数 即 2 计算输出层单元激活值令式中f函数本文取饱和线性函数 2 BP网络的反向传播定义误差函数为 输出层的权值变化同理可得输出层的权值变化同理可得 3 反向传播的一个主要问题是需要较长时间 为了加快网络的学习速度 采用动量BP算法 加入动量系数 修正权值和阀值为 3 4 3BP神经网络的民航安全预测中的应用根据相关资料提