软件项目风险评估算法的仿真研究

研究软件项目风险评估准确性问题,软件项目具有复杂性,软件风险因子具有不确定性和非线性,采用传统数学方法无法建立准确软件项目风险评估模型,同时由于受到人为的主观因素的影响,导致软件项目风险评估准确率比较低.为了提高软件项目风险评估准确率,提出一种RBF神经网络的软件项目风险评估模型.模型首先采用专家系统构建软件项目风险评估的指标集,再用德尔菲法对评估指标打分,最后将指标得分和风险等级分别作为RBF神经网络输入和输出,通RBF神经网络的智能学习得到最优软件项目风险评估模型.在MATLAB平台对软件项目评估数据集进行仿真,结果表明,RBF神经网络模型克服了传统数学评估模型的缺陷,提高了软件项目风险评估的准确率,降低软件项目风险评估误差,提供了一种软件项目风险评估的依据.     

神经网络的企业信用风险评估应用研究

研究企业信用风险评估准确性问题,企业存在产品质量、不良贷款等信用风险问题,企业信用风险是多种因素的综合结果,存在着不确定、非线性、随机性等特点,无法建立确定数学评估模型。只能根据专家评估指标为依据。为了提高企业信用风险评估准确率,提出一种BP神经网络的企业信用风险评估方法。先采用层次分析法构建风险评估指标体系,再用专家系统对评估指标进行量化打分,最后采用BP神经网络对企业信用风险指标进行非线性学习,并对企业信用风险等级进行评估。实验结果表明,BP神经网络的企业信用风险评估模模型能显著提高评估准确率,并能够反映企业信用风险的随机性变化特点,使评估结果更加符合实际情况,为企业信用风险评估提供了参考。     

基于云模型和组合赋权的煤矿安全风险评价

针对我国煤矿安全风险评价基础薄弱、手段单一、客观性不强等问题,结合云模型理论和基于层次分析法主观赋权、灰关联分析客观赋权的组合赋权方法,构建了一种煤矿安全风险评价模型。建立了包含人员、设备、环境、管理和历史5个一级评价指标,29个二级评价指标的煤矿安全风险评价指标体系;确立了煤矿安全风险评价指标的云模型标尺;采用安全风险评价云模型计算煤矿安全风险评价指标体系中指标层、准则层、目标层的数字特征,得到煤矿安全风险评价云。将该模型应用于红庆梁煤矿安全风险评价,结果表明:该煤矿现阶段安全风险等级为中等风险,影响安全生产的主要因素为作业人员违章操作率、煤层顶底板稳定性等。该模型为煤矿安全管理及风险防控工作提供了一定参考。     

煤矿安全评价算法的仿真研究

研究煤矿安全准确评价问题。煤矿安全评价指标多,由于煤矿的自然条件,生产条件和保障条件各有不同,随机性较强。如何准确选择评价指标是保障煤矿安全的关键,传统评价法难以正确对评价指标赋权值,导致评价结果准确率低,解释性不强。为提高煤矿安全评价结果的准确率,提出了一种层次分析法和逼近理想解排序相结合的煤矿安全评价模型。首先在对煤矿生产特点进行分析,并利用专家系统构建煤矿安全评价指标体系,然后用层次分析法对各评价指标赋权值,最后利用逼近理想解排序方法计算出煤矿安全等级值。仿真结果表明,改进的评价结果比传统的评价方法准确率高,评价结果可解释性好,是一种有效的煤矿安全评价方法。     

组合模型在商业银行信用风险评估中的研究

研究商业银行信用风险评估问题,商业银行信用风险评评估涉及指标相当多,各指标间呈非线性关系且存在严重冗余信息,传统评估方法不能很好消除冗余信息,只能反映指标间的线性关系,导致风险评估准确率低.为了提高商业银行信用风险评估的准确性,提出了一种粗糙集理论(Rs)和BP神经网络(BPNN)相结合的商业银行信用风险评估组合模型(RS_BPNN).新模型首先利用粗糙集理论对各评估指标进行指标约筒,消除指标间的冗余消息,简化神经网络的网络结构,然后将约简后的数据输入非线性预测能力优异的BP神经网络进行训练,得到商业银行信用风险评估模型,最后采用中国工商银行某分行数据对组合模型进行仿真试验.仿真结果表明,与传统的BP神经网络模型相比,组合模型加快了网络的运算速度,提高风险评估准确率,获得评估结果更具科学性.     

对外投资项目风险评估方法研究

研究对外投资项目风险准确评估问题。由于对外投资项目风险评估数据源主要来自专家经验和仿真数据,评估指标间存在依存关系和反馈作用,导致传统评估方法很难进行精确评估。为了提高评估精度,将改进后的群体网络层次分析法与模糊综合评价法相结合,提出了一种适用于对外投资项目风险评估的方法。首先利用德尔菲法建立对外投资项目风险评估指标体系,然后利用群体网络层次分析法确定各指标的综合权重,最后使用模糊评判模型对风险进行计算。以具体实例进行仿真,结果表明改进方法可以有效的评估对外投资项目风险等级,使专家经验较好地服务于风险评估过程,提高了评估结果的科学性和准确性,为对外投资项目风险提供了一种新的评估方法。     

基于多层次灰色评价法的配电网不停作业风险评估研究

在传统配电网不停作业风险评估过程中,评估指标的层次性差,导致风险评估准确性与效率下降,为此提出基于多层次灰色评价法的配电网不停作业风险评估方法。建立配电网不停作业风险评估指标体系,采用层次分析法(AHP)确定风险指标权重,进而利用灰色评价法确定评价样本矩阵,建立灰类白化权函数,计算灰度评价系数,计算灰色评价权向量及权矩阵,实现配电网不停作业风险评估。实验结果表明,提出的方法能够更为准确地得到配电网不停作业风险评估结果,且评估效率高。     

基于证据理论的网络安全风险组合评估方法

研究网络安全风险评估问题,网络安全风险具有时变性和非线性等特点,采用单一的方法难对其进行准确评估,为提高网络安全评估准确率,提出一种证据理论的网络安全风险评估算法。首先采用层次分析对网络评估指标体系权重值确定,然后采用支持向量机和BP神经网络对网络安全风险进行评估,最后采用证据理论对两者的评估结果进行融合,获得网络安全风险最终评估结果。通过网络安全数据集进行仿真,结果表明,组合方法充分利用支持向量机和BP神经网络的优点,能够全面反映网络安全状态,提高了网络安全风险评估的准确率,评估结果更加可靠,便于采取相应的安全防范措施,可以最大限度的降低网络风险带来的经济损失。     

无线网络安全风险评估方法的应用研究

研究无线网络安全风险问题,由于无线网络与有线网络差异较大,无线网络易受攻击者侵入,影响传输的安全性.有线网络评估方法不适合对无线网络进行评估,导致无线网络风险评估结果准确率不高,解释性不强.为了提高无线网络的安全风险评估准确率,提出一种层次分析法和逼近理想解排序相结合的无线网络安全风险评估方法.首先对无线网络特点进行分析,构建了无线网络风险评估指标体系,然后利用层次分析法对各层指标权重进行量化,最后利用逼近理想解排序方法计算出无线网络风险值,评估网络的安全状况.结果表明,评估结果与网络的实际情况完全吻合,是一种有效的无线网络安全风险评估方法.     

区域安全评估模型在煤矿安全管理中的应用研究

当前煤矿安全监测和管理系统的安全评价粒度基本都是矿井级或子系统级,无法针对矿井的不同区域进行精细化管理。针对该问题,基于矿井各区域作业场景特点,面向安全风险评价提出了一种统一的区域划分方法,将风险、隐患、灾害与区域工况、设备维护管理及人员定位等信息结合,对各安全系统数据进行统一区域划分和整理;从人、机、环、管4个维度对安全指标体系开展综合评价,通过主观赋权和客观赋权相结合的方法计算区域安全评估中的各指标权重,主观赋权通过层次分析法实现,客观赋权法采用熵权法实现;构建区域安全评估模型,对煤矿当前安全情况进行定量化评估和等级划分,采用归一化融合权重计算基础安全评分,并考虑高风险组合、历史趋势变化及区域间耦合影响对评分进行修正,得到矿井各级区域的综合安全评分。该模型已成功应用于陕西小保当矿业有限公司的智能化综合管控平台,为准确评估煤矿井下安全风险、提高煤矿安全管理水平提供了有效参考。     

改进神经网络煤矿安全评价模型仿真研究

研究煤矿安全评价准确性问题。煤矿生产安全问题一直是国内外研究的热点,针对传统的安全评价算法难以评价出煤矿安全生产中出现的情况,评价预测准确率低等问题,提出了基于BP神经网络算法煤矿安全评价模型。采用BP神经网络的特点是可以逼近任意的非线性函数,但是BP神经网络并非完美的神经网络,采用遗传算法优化BP神经网络可以克服其缺点,将改进的算法应用于煤矿系统安全评价之中,仿真结果表明,基于改进的BP神经网络煤矿安全评价模型方法有效性和实用性,能够正确评价安全生产状态。     

基于改进BP神经网络的瓦斯含量预测模型

煤层瓦斯含量是矿井安全生产的重要性能指标之一,而常规基于经验和传统数学模型的预测方法难以准确预测煤层瓦斯含量。针对该问题,文章在分析了基于Fletcher-Reeves共轭梯度法的改进BP神经网络模型的基础上,结合煤层瓦斯含量的各种影响因素,建立了一个基于3层改进BP神经网络的瓦斯含量预测模型,并进行了具体的网络训练和预测仿真。结果表明,该瓦斯含量预测模型收敛速度快,预测精度高,可满足实际生产要求。     

高炉热状态模糊预报系统的研究

将模糊控制理论应用于高炉热状态的预报中，分析了影响高炉热状态的主要因素，给出了模糊预报系统的基本结构及具体实现方法，建立了高炉热状态模糊预报系统，从而实现了高炉炉热水平的精确预报。     

基于BP的燃气管道评估专家系统设计与实现

BP神经网络具有并行处理、自适应学习、容错能力好等优点,根据地下燃气管道安全评估的应用要求,对其算法进行改进,结合专家系统的设计思路,构造了一个基于BP神经网络的地下燃气管道安全评估专家系统,包括知识表示、知识荻取和推理解释等模块.然后利用已有的样本编制软件进行实验,结果表明,该系统评估正确率达91%,推理效率高、扩展性好,从而很好地满足了实际应用的要求.神经网络为专家系统的发展提供了一条新的途径.     

An intelligent hybrid system for surface coal mine safety analysis

Analysis of safety in surface coal mines represents a very complex process. Published studies on mine safety analysis are usually based on research related to accidents statistics and hazard identification with risk assessment within the mining industry. Discussion in this paper is focused on the application of AI methods in the analysis of safety in mining environment. Complexity of the subject matter requires a high level of expert knowledge and great experience. The solution was found in the creation of a hybrid system PROTECTOR, whose knowledge base represents a formalization of the expert knowledge in the mine safety field. The main goal of the system is the estimation of mining environment as one of the significant components of general safety state in a mine. This global goal is subdivided into a hierarchical structure of subgoals where each subgoal can be viewed as the estimation of a set of parameters (gas, dust, climate, noise, vibration, illumination, geotechnical hazard) which determine the general mine safety state and category of hazard in mining environment. Both the hybrid nature of the system and the possibilities it offers are illustrated through a case study using field data related to an existing Serbian surface coal mine.     

基于MSF的煤矿井下环境信息危险评价系统的研究

文章结合煤矿井下环境信息的特征,介绍了一种基于多传感器信息融合(MSF)的煤矿井下环境信息危险评价系统。该系统建立了用于煤矿井下环境信息危险预测的3层误差反向传播神经网络模型,并采用神经网络信息融合算法对样本数据进行了分析和处理。仿真结果表明,该系统能够比较准确地评价煤矿井下环境危险的程度,且具有较好的鲁棒性和泛化能力。     

应用深度自编码网络的网络安全态势评估

针对BP神经网络类方法对标签数据的依赖性缺陷,提出了一种基于深度自动编码网络的态势评估方法。模型应用深度自动编码器作为基本单元构建深度自编码网络,结合专家经验和层次化评估的方法训练深度自编码网络。利用无标签数据采用无监督逐层算法对网络进行预训练,确定网络各层参数及权值的范围空间。在此基础上,采用有监督算法使用有标签样本对网络进行微调,对各层参数及权值进行优化,最终形成具有对输入态势数据进行准确评估能力的模型。多种样本数量条件下的对比实验表明,相对于BP神经网络类方法,基于深度自动编码网络模型受标签的影响较小,明显减少了对专家经验的依赖,并且具有整体上较高的评估精度。     

基于BP神经网络的专家系统体系结构

针对传统专家系统知识获取的“瓶颈问题”,利用BP神经网络于知识获取的长处,将BP神经网络和专家系统有机的结合。阐述了BP神经网络专家系统的基本原理,给出基于BP神经网络的专家系统体系结构。     

遗传优化的GNNM在瓦斯涌出量预测中的应用

研究矿井瓦斯涌出量准确预测一直是煤矿安全生产中重点关注的问题。煤层瓦斯爆炸因受开发环境、矿层深度、天气等因素的影响,造成与瓦斯涌出量增大而引起的。针对传统预测模型在矿井瓦斯涌出量预测中存在建模困难、收敛速度慢、要求历史数据量大的问题,提出了一种遗传优化的灰色神经网络预测模型。模型利用灰色系统对数据量要求低的特点,将灰色系统理论与神经网络有机结合起来,建立灰色神经网络模型。并采用遗传算法对所建立模型的权值和阈值进行优化。采用模型对矿井瓦斯涌出量进行预测,实验表明,遗传优化的灰色神经网络模型,可以简化系统建模,并能提高瓦斯涌出量预测精度,有一定的实用价值。