为有效评估和降低海上平台穿刺风险,提出一种基于事故树分析(fault tree analysis,FTA)和贝叶斯网络(Bayesian network,BN)的混合风险识别模型。根据相关事故报告和现有文献,构建海上平台穿刺事故的事故树模型。结合模糊集理论和事故树...为有效评估和降低海上平台穿刺风险,提出一种基于事故树分析(fault tree analysis,FTA)和贝叶斯网络(Bayesian network,BN)的混合风险识别模型。根据相关事故报告和现有文献,构建海上平台穿刺事故的事故树模型。结合模糊集理论和事故树模型计算基本事件的概率,并根据映射规则将事故树模型转换为BN模型。通过BN模型的诊断推理和敏感性分析识别海上平台穿刺事故的关键影响因素。结果表明:导致海上平台穿刺事故的关键影响因素为安全培训不足、人员应急经验不足、应急预案不完善、管理者决策失误以及穿刺发生突然且剧烈。该模型可以有效评估海上平台穿刺风险,并为制定有针对性的风险防控措施提供科学依据。展开更多
开集分类识别是近10多年来模式识别领域研究的热点,它能够识别训练集中已知类别的测试样本,同时还能够有效“拒识”未知类别的测试样本;这些未知类别样本不包含在训练集中。现有的开集分类识别算法主要是基于Support Vector Machine(SVM...开集分类识别是近10多年来模式识别领域研究的热点,它能够识别训练集中已知类别的测试样本,同时还能够有效“拒识”未知类别的测试样本;这些未知类别样本不包含在训练集中。现有的开集分类识别算法主要是基于Support Vector Machine(SVM)和深度学习网络框架进行改进,并且主要应用在自然景物图像领域中;在光谱分析领域中还鲜有报道。将传统的闭集框架下的模糊推理分类器进行模型改进,提出了开集框架下的改进模糊推理分类器,并将其应用到木材树种近红外光谱分类识别中。首先,使用Flame-NIR近红外微型光谱仪采集木材样本横切面的近红外光谱曲线,采用Metric Learning算法进行光谱向量维度约简降维至4维(4D)。其次,改进闭集框架下的模糊推理分类器,根据模糊规则置信度和各维度隶属度概率的乘积构建Generalized Basic Probability Assignment(GBPA),再根据GBPA进行分类处理。在20个树种的具有不同的Openness指标下的近红外光谱数据集的分类识别对比实验表明,改进的开集模糊推理分类器(fuzzy reasoning classifier in an open set,FRCOS)优于现有的基于机器学习和深度学习的开集分类识别主流算法,具有较好的评价指标F-Score,Kappa系数及总体识别率。展开更多
文摘为有效评估和降低海上平台穿刺风险,提出一种基于事故树分析(fault tree analysis,FTA)和贝叶斯网络(Bayesian network,BN)的混合风险识别模型。根据相关事故报告和现有文献,构建海上平台穿刺事故的事故树模型。结合模糊集理论和事故树模型计算基本事件的概率,并根据映射规则将事故树模型转换为BN模型。通过BN模型的诊断推理和敏感性分析识别海上平台穿刺事故的关键影响因素。结果表明:导致海上平台穿刺事故的关键影响因素为安全培训不足、人员应急经验不足、应急预案不完善、管理者决策失误以及穿刺发生突然且剧烈。该模型可以有效评估海上平台穿刺风险,并为制定有针对性的风险防控措施提供科学依据。
文摘开集分类识别是近10多年来模式识别领域研究的热点,它能够识别训练集中已知类别的测试样本,同时还能够有效“拒识”未知类别的测试样本;这些未知类别样本不包含在训练集中。现有的开集分类识别算法主要是基于Support Vector Machine(SVM)和深度学习网络框架进行改进,并且主要应用在自然景物图像领域中;在光谱分析领域中还鲜有报道。将传统的闭集框架下的模糊推理分类器进行模型改进,提出了开集框架下的改进模糊推理分类器,并将其应用到木材树种近红外光谱分类识别中。首先,使用Flame-NIR近红外微型光谱仪采集木材样本横切面的近红外光谱曲线,采用Metric Learning算法进行光谱向量维度约简降维至4维(4D)。其次,改进闭集框架下的模糊推理分类器,根据模糊规则置信度和各维度隶属度概率的乘积构建Generalized Basic Probability Assignment(GBPA),再根据GBPA进行分类处理。在20个树种的具有不同的Openness指标下的近红外光谱数据集的分类识别对比实验表明,改进的开集模糊推理分类器(fuzzy reasoning classifier in an open set,FRCOS)优于现有的基于机器学习和深度学习的开集分类识别主流算法,具有较好的评价指标F-Score,Kappa系数及总体识别率。
