基于神经模糊的多标准风险评估方法研究

### 基于神经模糊的多标准风险评估方法研究 #### 风险评估基础 在风险评估中，概率和严重程度的分级是重要的基础。概率分级如下表所示： | 概率（概率值） | 出现可能性的分级步骤 | | --- | --- | | 非常低（1） | 几乎从不 | | 低（2） | 非常罕见（一年一次），仅在异常条件下 | | 中等（3） | 罕见（一年几次） | | 高（4） | 经常（一个月一次） | | 非常高（5） | 非常频繁（一周一次，每天），在正常工作条件下 | 严重程度分级如下表： | 严重程度（严重程度值） | 分级 | | --- | --- | | 非常轻微（1） | 无工作时间损失，可消除，需要急救 | | 轻微（2） | 无工作日损失，门诊治疗无持久后果 | | 中度（3） | 轻度身体伤害，住院治疗/受伤 | | 严重（4） | 严重伤害，长期治疗，职业病 | | 非常严重（5） | 死亡，永久完全残疾 | 根据概率和严重程度，构建了风险评分评估矩阵： | 风险评分 | 严重程度 | 概率 | | --- | --- | --- | | | 1（非常轻微） | 2（轻微） | 3（中度） | 4（严重） | 5（非常严重） | | 1（非常低） | 微不足道 1 | 低 2 | 低 3 | 低 4 | 低 5 | | 2（低） | 低 2 | 低 4 | 低 6 | 中等 8 | 中等 10 | | 3（中等） | 低 3 | 低 6 | 中等 9 | 中等 12 | 高 15 | | 4（高） | 低 4 | 中等 8 | 中等 12 | 高 16 | 高 20 | | 5（非常高） | 低 5 | 中等 10 | 高 15 | 高 20 | 不可容忍 | 同时，对于风险的可接受性，有如下评估矩阵： | 风险类型 | 处理建议 | | --- | --- | | 不可容忍的风险 | 工作不应开始，直到确定的风险可以降低到可接受的水平；如果有正在进行的行动，应立即停止。如果即使采取了预防措施也无法降低风险，则应阻止该行动 | | 重要风险 | 工作不应开始，直到确定的风险可以降低；如果有正在进行的行动，应立即停止。如果风险与工作的继续有关，则应采取紧急措施，并根据这些措施决定活动是否继续 | | 中等风险 | 应开展活动以降低确定的风险。风险缓解措施可能需要时间 | | 可容忍风险 | 可能不需要额外的控制过程来降低确定的风险。但是，应继续现有的控制措施，并对其进行监督 | | 不重要风险 | 可能不需要规划控制过程和记录要采取的行动，以消除确定的风险 | 传统的 5×5 矩阵方法基于对严重程度和概率的同等衡量权重，可能会导致局限性和不一致性。因此，提出了一种模糊方法，允许专家使用语言变量评估 5×5 矩阵方法的两个参数，以克服计算明确风险评分的不足和减少决策中的不一致性。 #### 模糊逻辑与人工神经网络 在 20 世纪 40 年代，神经生理学专家沃伦·麦卡洛克和数学家沃尔特·皮茨对神经元的工作方式进行了研究，这被认为是神经网络的首次研究，他们的研究产生了一个简单的神经网络。到了 20 世纪 50 年代，随着计算机的发展，开始能够模拟假设的神经网络，但最初的研究并不成功。60 年代，开发了“ADALINE”和“MADALINE”模型，ADALINE 旨在识别二进制模式，而 MADALINE 首次应用于神经网络解决实际问题，用于自适应滤波器以消除电话线上的回声，该模型至今仍在商业上使用。70 年代后，人工神经网络（ANN）的发展加速，并为重要问题提供了解决方案，如相关矩阵存储器和多层感知器的发展。 ANN 具有强大的非线性映射能力、学习能力和高灵敏度水平，它是模仿人类大脑的分类器。人类大脑有数十亿个神经细胞，它们通过连接形成复杂的信号传输网络系统。ANN 期望模仿人类大脑，其工作方式与人类大脑中的生物神经元结构相同，但基于数学证据。 ANN 的基本单元是人工神经元，其结构如下：  常见的传递函数有： 1. **线性函数**：用于解决线性问题，结果是求和函数乘以某个系数，表达式为 $y = c.s$，其中 $c$ 值不变。 2. **阈值函数**：取值为 1 或 -1，根据设定的阈值水平确定，表达式为 $y = \begin{cases}1, & s \geq 0 \\ -1, & s < 0\end{cases}$ 3. **Sigmoid 激活函数**：是一个连续可导的函数，使用时人工神经元可能看起来像自然神经元，输出在 0 到 1 之间，表达式为 $y = \frac{1}{1 + e^{-s}}$ 4. **正切 Sigmoid 函数**：与 Sigmoid 函数类似，不同之处在于输出值在 -1 到 1 之间变化，表达式为 $y = \frac{e^{s}-e^{-s}}{e^{s} + e^{-s}}$ ANN 在处理风格和速度、存储结构和网络普遍性、学习能力、容错水平、利用经验和规则设置灵活性等方面优于传统算法，广泛应用于航天工业、电气电子、健康、银行股票市场和金融、国防工业和优化等领域。 #### ANFIS 相关内容 模糊逻辑的主要贡献是提供了一种可以处理文字、模糊性和细节水平的计算方法。模糊推理系统（FIS）的结构基于模糊逻辑、模糊集理论和模糊 if - then 规则，其关键组件是构建模糊 if - then 规则，常用于系统识别、自动控制、专家系统、决策、模型分类机器人、时间序列分析和预测等领域。 Jang 提出了基于自适应网络的模糊推理系统（ANFIS），它是一种神经模糊技术，是人工神经网络和模糊推理系统的融合。ANFIS 的结构由一组通过自适应网络连接的节点组成，其输出取决于与这些节点相关的可变参数，学习规则旨在通过更新这些参数来最小化误差。 ANFIS 结构假设模糊推理系统由两个输入和一个输出组成，规则库包含 Takagi 和 Sugeno 的模糊 if - then 规则。如果 $f(x,y)$ 是固定值，则形成零阶 Sugeno 模糊模型；如果 $f(x,y)$ 是一阶多项式，则形成一阶 Sugeno 模糊模型。例如，一阶 Sugeno 模糊推理系统的两条规则可以表述为