模糊综合风险评估在中小化工企业职业病危害风险评估的应用(4)

Ｒ

ｉ＝（ｒｉ１，ｒｉ２，＾，‰）（ｉ＝１，２，＾，ｍ）。以ｍ个单因素评判集Ｒ１，Ｒ２，＾，Ｒｍ为行

组成矩阵Ｒ，即为模糊综合评判矩阵。④确定评价因素权向量Ａ。一般说来，在评价工作

，Ｈ

ｙ口，＝ｌ

中，各因素的重要程度有所不同，为此给各因素赋予一个权重ａｉ且要求百‘

。各因

素的权重分配为ｕ上的模糊集：Ａ＝（口－，口ｚ，＾，口脚，。⑤建立评判模型，进行综合评判。确定Ｒ、

Ａ之后．通过模糊变换将Ｕ上的模糊向量Ａ变为Ｖ上的模糊向量Ｂ，即得到综合评判模

Ｂ：ＡＯＲ：（６ｌ，６２，＾，６。。其中Ｂ称为综合评判向量，。 ｏ”称为综合评判合成算子。⑥对评判结果Ｂ分析处理。综合评判向量Ｂ的元素６』（ｊ：１，２，＾，珂）称为模糊综合评判指标，简称

评判指标，其含义为：综合考虑所有因素的影响时，评价对象对评价集第ｊ个评价元素的隶属度。

模糊风险评估的结果不仅包含风险因素发牛概率及其后果，还会包含一些有用的不确定性内容，因此，模糊数学在风险评估中得到了广泛的应用。模糊集理论广泛应用于各种风险，各种安全评价及安全模型等。环境评估也应用大量的模糊数学理论进行风险评估。对于职业危害的风险评估是一种很好的借鉴。

⑤蒙特卡罗模拟

蒙特卡罗（Ｍｏｎｔｅ—Ｃａｒｌｏ）方法是一种模拟技术．即通过对每一随机变量进行抽样．将其带入数据模型中，确定函数值。一般而言，用蒙特卡罗方法模拟一个实际问题，基本步

骤如下：

根据实际问题，构造模拟的数学模型：根据模型的特点．进行相应概率分布的多次重复抽样：将抽样模拟结果进行统计处理：得出结论。

简言之．蒙特卡罗方法就是模拟随机变量ｘ ，工：，＾，ｘｐ的函数，７２，７（ｘ－，ｘ：，＾，ｘｐ）得到的抽样值编，叩ｚ，人，玑，经统计处理后得出的，７的概率分布或各阶矩阵的统计估计，最后得到问题的近似解，是一种独具风格的方法。

１）、适用范围。具有许多风险因素的风险事件的评估，尤其在较大的复杂的风险管理中使用极为合理。

２）、具体操作步骤：ａ编制风险清单；ｂ采用专家调查法确定风险因素的影响程度和发：牛概率；ｃ建立数学模型；ｄ用随机数发生器产牛随机数序列；ｅ将随机抽样的数据进行模拟试验，取得计算结果后从中找出规律；ｆ分析与总结，用标准差检验结果，确定模拟可靠性程度，并根据可靠性确定是否另行试验。

３）优缺点。蒙特卡罗风险模拟法全面考虑风险事件的风险因素，可以直接处理每一个风险因素的不确定性，使决策更加合理和准确，它是一种多元素变化的方法，在模拟过程中，可以编制计算机软件对模拟过程进行处理，大大节约了时间，此方法较注重对风险因素相关性的识别和评价，这给使用此法带来了难度和困难，通常费用也较高，但它对概率的分析偏差一般最小，从整个工程项目的经济性上，将是最节省的方法之一。无论在理论上，还是在操作上都较前几种方法有所进步，因此比较适合在大中型项目中应用。已经用于经济安全，疾病发病率的预测等都广泛采用了蒙特卡洛法。

（３）综合评价方法

①模糊数据挖掘技术

由于建设项目职业病危害评价的复杂性、随机性和不确定性，传统的数学方法一直未能取得令人满意的预测效果，而且采集的数据容量越大时，系统的复杂性越高，精确化能力就越低，即模糊性越强，因而仪靠复杂的算法和推理并不能完全发现知识。通过引入数据挖掘技术，运用模糊数据挖掘方法（ＦＤＭ）来进行职业病危害的评价工作，进行更准确的预测。

１）数据挖掘技术概述

数据挖掘是一种从大型数据库或数据仓库中提取隐藏的预测性信息的新技术。它能开采出潜在的模式，找出最有价值的信息，指导商业行为或辅助科学研究。还有很多和数据挖掘（ＤＭ）这一术语相近的术语，如从数据库中发现知识（ＫＤＤ）、数据分析、数据融合（ＤａｔａＦｕｓｉｏｎ）等。原始数据可以是结构化的，如关系数据库中的数据，也可以是半结构化的，如文木、图形、图像数据，甚至是分布在网络上的异构型数据发现知识的方法可以是数学的，也可以是非数学的；可以是演绎的，也可以是归纳的。已有的知识可以被用于信息管理、查询优化、决策支持、过程控制等，还可以用于数据自身的维护。

数据挖掘技术是一个多步骤、可能需多次反复的处理过程。丰要包括以下步骤：准备、

数据选择、数据预处理、数据缩减、确定数据挖掘的目标、确定知识发现算法、数据挖掘、模式解释、知识评价。其中最重要的一个步骤是数据挖掘，它是利用某些特定的知识发现算法，在可接受的运算效率的限制下，从有效数据中发现有关的知识。

２）模糊数据挖掘方法（ＦＤＭ）ａ建立带分类的样本集Ｕ

把要分类的对象作为样本，如：Ｕ１．，Ｕ２…．Ｕｎ，称Ｕ＝（ｕ１，ｕ２…．ｕｎ）为样本集。

为了做到合理的样本分类，应将其具体属性数量化，数量化的性质称为样本指标，设有ｍ项指标，则可用ｍ维向量描述样本，即：ｕ＝（ｕｉｌ，ｕｉ２，…，ｕｉｗ）（ｉ＝ｌ，２。…，ｎ）由于在实际问题中，采集到的数据往往不是［０，１］闭区间里的数，因此应将这些原始数据标准化，先求其平均值。

耻（“鸲＾…饥ｍ２吉善风

（ｉ＝１，２…．ｎ）（１）

按式（２）求出这些原始数据的标准差Ｓｋ

ｓｋ：√去喜ｃ应肚一∥ｉｙ

以＝

。２，

按式（３）求出各数据的标准化值∥请

（３）

所得的标准化数据ｕ，不一定全在闭区间［Ｏ，１］之内，须用公式（４）进行极值标准化

舻寿氅

式中，

吒ｌ吃ｌ

＿２吃２

… …

㈤

∥乏，ｔ和∥‰ｔ分别表示丘 ”丘ｚＰ．．，应础中的最大值和最小值。

ｂ建立模数相似关系Ｒ可表示为相似矩阵，一般的形式为

‘。，２。

Ｒ＝

‘ｌ‘２…，肌

（５）

ｊ＝１，２，Ｌ，ｎ

式中：０≤勺≤Ｉ，ｉ＝ｌ，２，Ｌ，ｎ，

山西医科大学硕士学位论文

计算勺的方法较多，采用最大最小法，即

。ｐ＝女＝１

ｒ∑ｍｉｎ（∥疆，∥业）／∑ｍａｘ（心，鲰）（ｆ，／≤，ｚ）

ｆ－ｌ

ｃ聚类分析

采用最大数方法，即构造一个特殊的图，以所有被分类的对象为顶点，当勺≠０时，顶点ｉ与顶点Ｊ就可以连成一条边。具体的做法是先画出顶点集中，某一个ｊ，然后勺大到小的顺序依次连边，并要求不产牛回路，直到所有顶点都被连通为止，这样就得到一棵最大的树。精确一点说是一棵。。赋权”树，每一条边都能赋以某一权数，勺。但是由于具体的连法不同，这种最大树不可能是唯一的。

然后对最大树取Ａ截集，即去掉那些权数勺＜五的边，旯∈［０，１］。这样就把一棵树截成互不连通的几棵子树。虽然最大树并不唯一，但取了截集之后，取得的子树是一样的，这些子树即为从数据仓库中归纳发现的模式。

（１）求各模式平均指标

对所取得的每一模式．按式（７）求其平均指标为

Ｍ。ｄｅｉｊ：∑∥酊／ｐ（ｉ：ｌ，２…，Ｓ，ｊ＝１，２…．．ｍ）

式中，ｓ表示总共有的模式数。ｋ表示该模式（即第ｉ种模式）由仓库中的哪几条记录推出。ｐ表示推出该模式的记录总数。

（２）预测

待预测的样本ｘ（而，石：，．．‘Ｊ一）是该样本在论域Ｕ上的ｎ个模糊子集。与 …… 此处隐藏：1954字，全部文档内容请下载后查看。喜欢就下载吧 ……