CN107358363A - 基于径向基函数神经网络组合模型的煤工发病率预测方法 - Google Patents
基于径向基函数神经网络组合模型的煤工发病率预测方法 Download PDFInfo
- Publication number
- CN107358363A CN107358363A CN201710580693.XA CN201710580693A CN107358363A CN 107358363 A CN107358363 A CN 107358363A CN 201710580693 A CN201710580693 A CN 201710580693A CN 107358363 A CN107358363 A CN 107358363A
- Authority
- CN
- China
- Prior art keywords
- neural network
- prediction
- disease
- incidence
- pattern
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 201000010099 disease Diseases 0.000 title claims abstract description 25
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 25
- 239000003245 coal Substances 0.000 title claims abstract description 23
- 206010035653 pneumoconiosis Diseases 0.000 claims abstract description 18
- 230000001717 pathogenic effect Effects 0.000 claims abstract description 16
- 239000000428 dust Substances 0.000 claims abstract description 11
- 238000011835 investigation Methods 0.000 claims abstract description 4
- 238000002474 experimental method Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 14
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 3
- 231100000419 toxicity Toxicity 0.000 claims description 3
- 230000001988 toxicity Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 239000000843 powder Substances 0.000 claims 1
- 238000005065 mining Methods 0.000 abstract description 4
- 238000012706 support-vector machine Methods 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 208000028571 Occupational disease Diseases 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于径向基函数神经网络组合模型的煤工发病率预测方法。目前对尘肺病发病的预测方法存在参数设置好,简单易实现,利用线性变化模型进行模拟,导致预测结果与实际要求存在差距。本发明方法包括:采用实验和实地考察方法收集发病因素:粉尘种类、工作环境粉尘浓度、接尘时间,应用构建BP神经网络和支持向量机算法对尘肺病发病率进行预测。本发明能够实现对尘肺病发病率的预测。具有在小样本的煤矿企业内进行尘肺病发病率预测结果准确的优点。
Description
技术领域:
本发明涉及一种基于径向基函数神经网络组合模型的煤工发病率预测方法。
背景技术:
在我国的煤炭生产企业中,包括国有大型煤炭企业、股份制煤炭企业以及众多小煤窑。煤炭企业生产过程中不仅存在职业性有毒有害因素,而且还存在超时、高强度劳动及新工艺新材料带来的新的职业病危害等问题。每年我国煤炭行业因尘肺病死亡12000多人,造成数以亿计的直接经济损失,可见职业危害程度相当严重。根据国家煤矿安全监察局对23个省市16792个煤矿企业的调查统计,截至2014年,累计尘肺病例153027例,仅2014年新增尘肺病例5629例。现阶段对于尘肺病的研究大多处于理论探究、监测与数值模拟相结合的方式,然而区域内罹患尘肺病是小样本事件,想要预测粉尘的潜在职业危害性,事先给出一个合理的统计模型进行风险评估几乎是不可能的。
目前对尘肺病发病的预测方法存在参数设置好,简单易实现,利用线性变化模型进行模拟,导致预测结果与实际要求存在差距。
发明内容:
本发明的目的是提供一种基于径向基函数神经网络组合模型的煤工发病率预测方法。
上述的目的通过以下的技术方案实现:
基于径向基函数神经网络组合模型的煤工发病率预测方法,所述的方法通过以下步骤实现:
步骤一、收集尘肺病发病因素数据并进行预处理,发病因素包括:与粉尘毒性相关的粉尘种类E、工作环境粉尘浓度C、接尘时间T,且三个发病因素之间的关系为:P=F(E,C,T);
步骤二、对BP神经网络进行建模,确定出入层、隐含层以及输出层的层数,调节阈值和权重;
步骤三、利用遗传算法对BP神经网络优化以得到最优网络初始权值和网络阈值;
步骤四、进行结果预测并对预测结果进行优化处理;
步骤五、形成预测结果;
步骤六、对收集的发病因素数据进行归一化处理;
步骤七、应用回归支持向量算法进行模型建立;
步骤八、进行结果预测并用网格搜索法、遗传算法、粒子群算法对所建模型进行优化处理;
步骤九、形成预测结果;
步骤十、结合步骤五和步骤九得出的两个预测结果进行最终的煤工尘肺病发病率的最终预测。
有益效果:
1.本发明通过收集的发病因素数据进行处理、对BP神经网络进行建模、调节阈值和权重、优化处最优网络初始权值和网络阈值的步骤,进行结果预测,形成煤工尘肺发病概率的预测结果。本发明方法用到的BP神经网络具有算法推导清楚、学***方和最小。
2.本发明针对尘肺病发病的预测,突出BP神经网络和支持向量机方法的优越性。研究BP神经网络和支持向量机的非线性优越性,研究BP神经网络和支持向量机算法,完成对尘肺病发病率的预测。具有在小样本的煤矿企业内进行尘肺病发病率预测结果准确的优点。
具体实施方式:
具体实施方式一:
本实施方式的基于径向基函数神经网络组合模型的煤工发病率预测方法,所述的方法通过以下步骤实现:
步骤一、收集尘肺病发病因素数据并进行预处理,发病因素包括:与粉尘毒性相关的粉尘种类E、工作环境粉尘浓度C、接尘时间T,且三个发病因素之间的关系为:P=F(E,C,T);
步骤二、对BP神经网络进行建模,确定出入层、隐含层以及输出层的层数,调节阈值和权重;
步骤三、利用遗传算法对BP神经网络优化以得到最优网络初始权值和网络阈值;
步骤四、进行结果预测并对预测结果进行优化处理;
步骤五、形成预测结果;
步骤六、对收集的发病因素数据进行归一化处理;
步骤七、应用回归支持向量算法进行模型建立;
步骤八、进行结果预测并用网格搜索法、遗传算法、粒子群算法对所建模型进行优化处理;
步骤九、形成预测结果;
步骤十、结合步骤五和步骤九得出的两个预测结果进行最终的煤工尘肺病发病率的最终预测。
具体实施方式二:
与具体实施方式一不同的是,本实施方式的基于径向基函数神经网络组合模型的煤工发病率预测方法,步骤一所述的收集尘肺病发病因素数据的过程为,采用实验和实地考察法手机所需的数据。
具体实施方式三:
与具体实施方式一或二不同的是,本实施方式的基于径向基函数神经网络组合模型的煤工发病率预测方法,步骤二所述的对BP神经网络进行建模,确定出入层、隐含层以及输出层的层数,调节阈值和权重的过程中,涉及的
(1)对BP神经网络进行建模具体为:
设所预测的煤工尘肺发病概率的实际测量值为X=(x1,x2,x3……xn),有m个不同的模型进行预测,且m≥2,组合模型中的权重分别是向量w=(w1,w2……wm)中的元素,第j种预测模型的预测值为则组合预测模型中第t期的预测值为式中t=1,2,3,4……n,第t期的实际观测值为Xt,第t期的第j种方法的预测值为
在组合预测方法中,权重的确定方法很多,可以从不同的方向出发,例如线性、非线性,还有矩阵等。研究表明,若权重系数选择恰当,组合模型预测结果优于各单一模型预测结果。该研究采用取方差倒数的方法求解权重,使组合模型的预测精度尽可能的高,其误差平方和必须最大限度地小,因此对误差平方和小的模型给予较大权重系数,而对误差平方和大的模型给予较小的权重系数。考虑到协方差性质显然有COV(e1,e2)=0,e为各模型的预测误差,于是w1可表达为:
从而有,
(2)涉及的调节阈值和权重的过程具体为:
采用Moody和Darken学习算法,其隐含单位数目比训练样本数目少得多。整个训练过程分为非监督学习和监督学习2个阶段。由于Moody和Darken学习算法中的K-Means算法需要事先确定中心点的个数,这将给不熟悉神经网络的用户带来诸多不便,若中心点个数确定不妥则可能会对网络性能造成一定影响。采用最近邻聚类算法该研究确定中心点,该算法不需要事先确定隐层神经元个数即可构建出理想的网络,更加适应根据实时样本数据自动构建网络的要求。确定网络的基函数中心等参数及初始权值后,用有监督学习算法调整隐含层的权重。
具体实施方式四:
与具体实施方式五不同的是,本实施方式的基于径向基函数神经网络组合模型的煤工发病率预测方法,步骤五所述的形成预测结果的过程为,
通过组合预测法以及组合权重系数的确定方法,可以使组合预测误差的方差最小,由各种单项预测方法的误差平方和计算出权重系数,再乘以单项预测值,就可以得到组合预测的结果。采用SPSS19.0进行数据处理,利用Excel对数据进行录入,发病概率的真实值、预测值及模型误差值均用x±s模式表示,发病工龄真实值与模型预测值的比较采用配对t检验,多组均数的比较采用随机区组方差分析和SNK-q检验,检验水准α=0.05。
Claims (4)
1.一种基于径向基函数神经网络组合模型的煤工发病率预测方法,其特征是:所述的预测方法通过以下步骤实现:
步骤一、收集尘肺病发病因素数据并进行预处理,发病因素包括:与粉尘毒性相关的粉尘种类E、工作环境粉尘浓度C、接尘时间T,且三个发病因素之间的关系为:P=F(E,C,T);
步骤二、对BP神经网络进行建模,确定出入层、隐含层以及输出层的层数,调节阈值和权重;
步骤三、利用遗传算法对BP神经网络优化以得到最优网络初始权值和网络阈值;
步骤四、进行结果预测并对预测结果进行优化处理;
步骤五、形成预测结果;
步骤六、对收集的发病因素数据进行归一化处理;
步骤七、应用回归支持向量算法进行模型建立;
步骤八、进行结果预测并用网格搜索法、遗传算法、粒子群算法对所建模型进行优化处理;
步骤九、形成预测结果;
步骤十、结合步骤五和步骤九得出的两个预测结果进行最终的煤工尘肺病发病率的最终预测。
2.根据权利要求1所述的基于径向基函数神经网络组合模型的煤工发病率预测方法,其特征是:步骤一所述的收集尘肺病发病因素数据的过程为,采用实验和实地考察法手机所需的数据。
3.根据权利要求1或2所述的基于径向基函数神经网络组合模型的煤工发病率预测方法,其特征是:步骤二所述的对BP神经网络进行建模,确定出入层、隐含层以及输出层的层数,调节阈值和权重的过程中,涉及的
(1)对BP神经网络进行建模具体为:
设所预测的煤工尘肺发病概率的实际测量值为X=(x1,x2,x3……xn),有m个不同的模型进行预测,且m≥2,组合模型中的权重分别是向量w=(w1,w2……wm)中的元素,第j种预测模型的预测值为则组合预测模型中第t期的预测值为式中t=1,2,3,4……n,第t期的实际观测值为Xt,第t期的第j种方法的预测值为
采用取方差倒数的方法求解权重,使组合模型的预测精度尽可能的高,其误差平方和必须最大限度地小,因此对误差平方和小的模型给予较大权重系数,而对误差平方和大的模型给予较小的权重系数。考虑到协方差性质显然有COV(e1,e2)=0,e为各模型的预测误差,于是w1可表达为:
从而有,
(2)涉及的调节阈值和权重的过程具体为:
采用Moody和Darken学习算法,其隐含单位数目比训练样本数目少,整个训练过程分为非监督学习和监督学习2个阶段;确定网络的基函数中心等参数及初始权值后,用有监督学习算法调整隐含层的权重。
4.根据权利要求3所述的基于径向基函数神经网络组合模型的煤工发病率预测方法,其特征是:步骤五所述的形成预测结果的过程为,
通过组合预测法以及组合权重系数的确定方法,可以使组合预测误差的方差最小,由各种单项预测方法的误差平方和计算出权重系数,再乘以单项预测值,就可以得到组合预测的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710580693.XA CN107358363A (zh) | 2017-07-17 | 2017-07-17 | 基于径向基函数神经网络组合模型的煤工发病率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710580693.XA CN107358363A (zh) | 2017-07-17 | 2017-07-17 | 基于径向基函数神经网络组合模型的煤工发病率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107358363A true CN107358363A (zh) | 2017-11-17 |
Family
ID=60293096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710580693.XA Pending CN107358363A (zh) | 2017-07-17 | 2017-07-17 | 基于径向基函数神经网络组合模型的煤工发病率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358363A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108630320A (zh) * | 2018-05-10 | 2018-10-09 | 北京大学 | 一种基于医保大数据测算疾病患病率的方法 |
CN109215743A (zh) * | 2018-09-04 | 2019-01-15 | 南京工业大学 | 一种基于新型bp神经网络建模的沼气生产过程的预测方法 |
CN109827879A (zh) * | 2019-03-07 | 2019-05-31 | 北京华电天仁电力控制技术有限公司 | 一种基于机器学习的风粉在线测量方法 |
WO2019128184A1 (zh) * | 2017-12-26 | 2019-07-04 | 中煤科工集团重庆研究院有限公司 | 矿山作业人员呼吸尘累积接尘量计算方法及测试*** |
CN114066069A (zh) * | 2021-11-18 | 2022-02-18 | 国网综合能源服务集团有限公司 | 一种组合权重的副产煤气发生量预测方法 |
CN114167726A (zh) * | 2021-12-03 | 2022-03-11 | 哈尔滨理工大学 | 一种基于节能优化的火电厂粉尘实时监测***及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
WO2017095942A1 (en) * | 2015-12-03 | 2017-06-08 | Rovi Guides, Inc. | Methods and systems for targeted advertising using machine learning techniques |
-
2017
- 2017-07-17 CN CN201710580693.XA patent/CN107358363A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
WO2017095942A1 (en) * | 2015-12-03 | 2017-06-08 | Rovi Guides, Inc. | Methods and systems for targeted advertising using machine learning techniques |
Non-Patent Citations (2)
Title |
---|
武建辉等: "基于径向基函数神经网络的组合模型在煤工尘肺发病工龄预测中的应用", 《郑州大学学报(医学版)》 * |
洪烨: "基于机器学习算法的糖尿病预测模型研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019128184A1 (zh) * | 2017-12-26 | 2019-07-04 | 中煤科工集团重庆研究院有限公司 | 矿山作业人员呼吸尘累积接尘量计算方法及测试*** |
CN108630320A (zh) * | 2018-05-10 | 2018-10-09 | 北京大学 | 一种基于医保大数据测算疾病患病率的方法 |
CN108630320B (zh) * | 2018-05-10 | 2021-07-09 | 北京大学 | 一种基于医保大数据测算疾病患病率的方法 |
CN109215743A (zh) * | 2018-09-04 | 2019-01-15 | 南京工业大学 | 一种基于新型bp神经网络建模的沼气生产过程的预测方法 |
CN109827879A (zh) * | 2019-03-07 | 2019-05-31 | 北京华电天仁电力控制技术有限公司 | 一种基于机器学习的风粉在线测量方法 |
CN109827879B (zh) * | 2019-03-07 | 2022-07-05 | 北京华电天仁电力控制技术有限公司 | 一种基于机器学习的风粉在线测量方法 |
CN114066069A (zh) * | 2021-11-18 | 2022-02-18 | 国网综合能源服务集团有限公司 | 一种组合权重的副产煤气发生量预测方法 |
CN114167726A (zh) * | 2021-12-03 | 2022-03-11 | 哈尔滨理工大学 | 一种基于节能优化的火电厂粉尘实时监测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358363A (zh) | 基于径向基函数神经网络组合模型的煤工发病率预测方法 | |
CN107377634B (zh) | 一种热轧带钢出口凸度预报方法 | |
CN109540212A (zh) | 一种基于大数据的电缆井状态评估预警***及方法 | |
CN110610285A (zh) | 一种地下金属矿采空区危险度分级评价方法 | |
Jia et al. | An improved method for integrated water security assessment in the Yellow River basin, China | |
CN110210681B (zh) | 一种基于距离的监测站点pm2.5值的预测方法 | |
Revell | The G matrix under fluctuating correlational mutation and selection | |
CN110490409B (zh) | 一种基于dnn的低压台区线损率标杆值设定方法 | |
CN103793788B (zh) | 一种有序用电管理方法 | |
CN104537433A (zh) | 基于存量容量与业扩报装特征的售电量预测方法 | |
CN109934398A (zh) | 一种钻爆法施工隧道瓦斯危险等级预测方法和装置 | |
CN112801687A (zh) | 基于架空线路工程的费用预测模型的构建方法 | |
CN107092751B (zh) | 基于Bootstrap的变权重模型组合预测方法 | |
CN109829534B (zh) | 露天煤矿排土场群落稳定性的评价方法、装置和*** | |
CN107220735A (zh) | 一种电力行业分类的多变量农网电量预测方法 | |
CN109165807A (zh) | 一种基于概率神经网络的电能质量综合评估方法 | |
CN110472363A (zh) | 适用于高速铁路隧道的围岩变形等级预测方法及*** | |
CN107834551A (zh) | 一种基于支持向量机的配电网低电压预测方法 | |
CN109521304A (zh) | 一种节点电压暂降耐受特性的描述及评估方法及装置 | |
CN106408119A (zh) | 基于类气象分区综合评价的大电网负荷预测方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN108764589A (zh) | 一种基于支持向量机的离子浓度预测方法 | |
Aritonang et al. | An application of backpropagation neural network for sales forecasting rice miling unit | |
Fang et al. | Joint back‐analysis for dynamic material parameters of concrete dam based on time‐frequency domain information | |
Song et al. | Energy consumption combination forecast of Hebei province based on the IOWA operator |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171117 |