一种使用贝叶斯网络的堤防安全人因可靠性分析方法

堤防工程在发挥防洪蓄水兴利效益的同时,其安全也关系到下游居民生命财产安全。为了更好的进行堤防风险管理,完善现有的风险分析方法,将人因因素引入风险分析理论,提出一种使用贝叶斯网络的堤防安全人因可靠性分析方法。论文通过研究众多历史溃决事故,构建人因失误影响因素集,研究事故中的人因失误基本路径,归类分析得出各阶段的主要影响因素,将所得模型与贝叶斯网络相结合,运用于具体堤防工程安全分析。研究得到包含人、技术、组织、环境四项分类的人因失误影响因素集,由监视觉察、状态诊断、计划制定、操作执行四个阶段构成的失误基本路径,贝叶斯网络根节点中的环境和安全文化节点最为敏感,管理人员的心理和素质因素对结果影响最为显著。结果表明,该模型不仅可以清晰描绘各因素之间的关系,明晰定量度量失误概率,并能辨识影响较大的原因以风险控制。我国应提高堤防工程中对于人因的重视,不断加强组织安全文化宣传,通过培训提高管理人员心理素质与专业技能。

高考数学填空题的解题策略研究

填空题是介于选择题与解答题之间的高考数学题的重要题型,是一种只要写结果,不需要解答过程的客观性试题。从形式上分为单空题和多空题,从填写的内容上分为定量型和定性型,高考题多以定量型问题出现。由于2020年教育部提出“要建立基础学科拔尖创新人才选拔培养的有效机制”,近年来高考命题更注重创新,出现了“一题多空”和“开放性问题”的题型,因而填空题成为高考中具有较高区分度的题型。

基于改进犹豫度的区间值犹豫模糊集距离测度及其应用

模糊集的距离是决策问题中十分重要的数值指标。本文在计算模糊集的距离时不仅探讨了犹豫模糊区间2个端点值和区间个数的多寡对计算结果的影响,而且考虑了其内部区间标准差的差异对于区间值犹豫模糊集之间的距离带来的影响。在探讨了区间值犹豫模糊集的标准差以及由此引出的偏差距离的基础上进一步提出了带有改进犹豫度的区间值犹豫模糊集距离测度公式,并给出实例说明该公式的合理性和优越性。

成分数据典型相关分析的增量算法

成分数据典型相关分析(CCAI)是一种研究多个成分数据变量之间线性相关关系的方法,在经济、管理、地质、化学等多个领域应用广泛。在海量数据背景下,研究如何针对成分数据流展开典型相关建模分析,具有重要的理论意义和实用价值。为此,提出了成分数据典型相关分析的增量方法,通过对增量成分数据的协方差分解,实现对成分数据流典型相关性的精确计算。同时,给出序贯式和并行式2种分块增量算法,可处理多组成分数据的数据流建模问题,序贯式分块增量算法,按照数据流的先后顺序进行计算,并行式分块增量算法可以达到提高计算效率的目的。通过对不同概率分布和样本规模的成分数据流的仿真研究及微博假新闻的实例分析,验证了所提算法相比于传统的非增量算法,在保证计算准确性的前提下,具有提高运算效率的优势。

基于改进相关系数的犹豫模糊集聚类分析

针对犹豫模糊集相关系数计算公式中可能存在分母为0的特殊情况,对相关系数公式重新定义,并对犹豫模糊集之间的隶属度差异和犹豫度差异2个部分进行综合考虑,进一步将其推广至区间值犹豫模糊集上,同时弥补了需要对数据进行主观填充这一不足之处,最后证明其良好性质,并应用于数值算例中说明合理有效性。

新型对偶犹豫模糊集距离测度及其多属性决策方法

对偶犹豫模糊集为处理复杂问题的不确定性提供了有效手段,其距离测度是一重要衡量指标。针对现有距离测度的局限性,本文定义了对偶犹豫模糊集的犹豫度,给出了基于犹豫度偏差以及隶属度与非隶属度完全偏差的对偶犹豫模糊集距离测度。新距离测度从3个信息维度来衡量距离偏差,更全面客观地体现出数据信息,弥补了传统距离测度可能无法识别的不足。最后结合TOPSIS决策思想给出决策步骤,并应用于航空公司服务质量评价,验证了新距离测度的有效性和合理性。

基于区间犹豫模糊偏好关系的多属性决策方法

在现有的区间偏好关系和犹豫偏好关系基础上,首先定义了具有专家犹豫优先度的乘性一致性区间犹豫模糊偏好关系,并提出了其一致性和评价对象优先权重之间的关系;其次,基于模糊决策思想,建立线性规划模型,求出对应评价对象的区间权重向量;最后将模型应用于实例中,说明其可行性。

主成分回归的建模策略研究

分析了国际上通用的主成分回归的工作原理和失效原因.在此基础上,提出一种新的主成分回归建模策略:①提取所有主成分建立模型;②删除模型中t检验不显著的成分;③用t检验显著的成分建立最终需要的模型.由于任一主成分的回归系数和t检验值以及与其余主成分无关.因此,当采用向后删除变量法时,如果有多个成分t检验不显著,则可以将它们同时删除,而无须逐个删除.采用仿真案例对所提出的方法的合理性进行验证.这种新的建模策略可以有效地提取对因变量有较强解释作用的成分,实现在自变量多重相关条件下的回归建模,并且允许在模型中包含所有的原始变量.此外,该方法的成分筛选过程简便,累计计算误差小于偏最小二乘回归等迭代算法.

多元线性回归的预测建模方法

根据历史的样本数据,建立多元线性回归的预测模型;从而在不需要未来样本数据的情况下,预测未来时刻多元线性回归模型中的回归参数,以及主要的模型精度评估指标.对多元线性回归模型参数的预测,转化为对其变量集合的增广矩阵的叉积阵的预测.对叉积阵进行谱分解,利用高维群点主轴旋转的预测建模方法,通过G ivens变换得到特征向量矩阵的转角值,对自由取值的转角以及特征值建立预测模型.仿真实验例示了该方法的主要计算步骤;计算结果显示,利用本模型得到的拟合值精度较高,预测值真实可信.最终计算结果和实验结果吻合较好,表明这种方法可以用于分析和预测众多领域中因变量对自变量的回归关系问题.

生物质发电的节能减排效果分析

介绍了我国生物质资源情况、生物质发电技术及其应用,对生物质发电的节能减排效果进行了具体测算分析,指出发展生物质发电产业是一条符合中国国情的节能减排之路,节能减排为生物质发电产业带来了巨大的发展机遇。

基于主基底分析的变量筛选

利用Gram-Schmidt变换,提出一种主基底分析方法.解释并证明了Gram-Schmidt变换所删除的信息量.给出"主基底"的定义及构造方法,并提出"净信息含量比"的概念,用以测度所选基底包含的信息.该方法能在原始数据信息损失尽可能小的前提下,排除所有的冗余变量以及变量集合中的重叠信息,得到一个正交的主基底,从而更有效地对大规模变量集合中的信息进行筛选.多角度的理论分析指出,主基底在尽可能多地携带原始变量信息的同时,还可保证样本点间的相似性改变最小.实际案例分析说明了该方法的合理性和有效性.

原发性肝癌TACE后FAK、NF-κBp65表达及意义

目的探讨原发性肝癌(IICC)经动脉化疗栓塞术(TAcE)后FAK、NF-κBp65表达的水平及其意义。方法收集经TACE后手术切除的肝癌组织标本28例(TACE组)和未经任何治疗直接手术切除的肝癌组织标本30例(单纯手术组)。采用免疫组化SP法,检测残癌组织中FAK、NF-κBp65的表达水平。结果 TACE组肝癌组织标本FAK表达阳性率75.0%,较单纯手术组阳性率(46.7%)高,差异有统计学意义(P<0.05);TACE组肝癌组织标本NF-κBp65表达阳性率为78.6%较单纯手术组(53.3%)高,差异有统计学意义(P<0.05)。TACE组残癌组织中FAK、NF-κBp65表达呈正相关(r=0.503,P=0.006)。TACE次数及碘油沉积分型对FAK、NF-κBp65表达差异无统计学意义(P>0.05)。结论 HCC行TACE后残癌组织中FAK、NF-κBp65表达明显升高,FAK和NF-κBp65的高表达可能是TACE后肿瘤复发率较高的主要原因之一。

基尼系数的预测建模方法及在北京市经济发展分析中的应用

洛伦兹曲线通常被用于描述社会收入分布的不平均程度。根据洛伦兹曲线可以计算基尼系数。目前 ,洛伦兹曲线和基尼系数在经济领域中的应用已十分广泛。它们不仅仅被用于收入分配问题的研究 ,而且已经成为一种有效的均衡分析的统计工具。利用 Aitchson提出的对数比率变换 ,在成分数据预测建模方法的基础上 ,提出洛伦兹曲线的预测模型和基尼系数的预测方法。作为实证分析的案例研究 ,利用北京市城八区的人口和 GDP数据 ,对城八区经济发展的不平衡趋势进行推测 ,得到合理的分析结论。

基于函数型数据的广义线性回归模型

函数型数据的回归分析研究主要集中在函数型线性模型。不要求因变量为连续型随机变量,可以为离散型或属性数据(对应于泊松或Logistic回归),对同时含有数值型多元变量和函数型变量的广义线性模型的估计问题进行分析,采用非参数方法得到了参数部分和非参数部分的估计量,并给出了一种重加权算法进行参数求解,解决了含数值型和函数型混合数据类型自变量的回归问题,同时扩展了函数型线性模型的应用范围。估计过程中,分别采用了函数型主成分和B样条基函数,并给出了基函数个数选择的准则。数值模拟结果表明,所提出方法具有良好的可行性与正确性。

多视角探寻 多解法探究——解三角形中隐性“定弦定角”问题的解法探究与思考

解三角形中的最值问题,侧重考查正、余弦定理、三角形的面积公式以及求最值的方法.这类题目的解题思路十分灵活,往往和函数、方程、不等式、向量等知识联系紧密,涉及数形结合、转化与化归等数学思想,因而备受命题人的青睐.本文以高三一次模考卷中的一道解三角形题为例,探究该题在不同视角下的解法及其题源.

成分数据的线性回归模型

在许多社会、经济、技术问题中 ,成分数据通常被用于研究作为整体的各部分的比率情况。本文结合对称的 logratio变换与偏最小二乘回归方法 ,提出一种成分数据回归建模的方法。该方法可以克服经典线性回归方法在成分数据建模中的诸多困难。并且由于所采用的数学变换具有对称性 ,因此变换以后的变量可以较好地反映原始变量的含义 ,便于建立一个容易解释的数学模型。本文还采用北京市三次产业就业需求预测作为案例 ,说明成分数据回归建模的工作过程和应用价值 。

偏最小二乘回归模型内涵分析方法研究

偏最小二乘回归是一种新型的多元分析方法 .它可以在自变量多重相关的条件下 ,有效地构造出对系统解释性最强的子空间 ,进行回归建模 ,使模型的精度和可靠性得到很大的提高 .本文提出采用因素分析方法 ,对偏最小二乘回归的最优子空间进行正交变换 .这种变换方法对偏最小二乘回归的模型结果没有任何影响 ,却可以使最优子空间的实际含义得到更好的解释 .案例研究表明 ,经过正交变换后 ,原始变量被分为若干变量组 ,每个变量组分别对应于最优子空间中的一个因素 。

多元线性回归模型的聚类分析方法研究

提出一种对大量的多元线性回归模型进行聚类分析的方法。首先利用增广矩阵的相关系数矩阵定义了2个多元回归模型之间的距离以及模型集合的质心和半径等相关概念。然后采用Squeezer聚类方法,以过程全自动化的方式,实现对多元线性回归模型集合进行聚类分析。通过仿真研究验证了方法的有效性,取得满意的分析结果。

Gram-Schmidt回归及在刀具磨损预报中的应用

多元线性回归是一种应用广泛的统计分析方法.在实际应用中,当自变量集合存在严重多重相关性时,普通最小二乘方法就会失效.为解决这一问题,利用Gram-Schmidt正交变换,提出一种新的多元线性回归建模方法——Gram-Schmidt回归.该方法可实现多元线性回归中的变量筛选,同时也解决了自变量多重相关条件下的有效建模问题.将该方法应用于机械加工过程中刀具磨损的预报分析,有效地进行了变量筛选,并得到了解释性强同时拟合优度也很高的模型结果.

PLS回归在消除多重共线性中的作用

本文详细阐述了解释变量的多重共线性在回归建模与分析中的危害作用，并指出目前常用的几种消除多重线性影响的方法，以及它们的不足之处。本文结合实证研究指出：利用一种新的建模思路—ＰＬＳ回归。