CN106096834B - 一种基于sem-fsvm的煤矿安全管理风险评价方法 - Google Patents

Abstract

本发明公开一种基于SEM‑FSVM的煤矿安全管理风险评价方法，根据SEM路径系数值计算出评价指标特征权重，消除评价指标贡献度对评价结果的影响；对FSVM核函数进行改进，运用通过SEM路径系数值与GAUSS核函数进行内积运算所形成的指标特征加权GAUSS核函数，运用基于SEM‑FSVM的煤矿安全管理风险评价方法，对煤矿安全管理风险进行评价，消除评价样本贡献度对评价结果的影响，确保风险评价过程的科学性和评价结果的精确度。本发明解决了煤矿安管理风险评价指标特征重要性和样本贡献度对评价结果的影响问题，增加了评价过程的科学性和评价结果的精确度。

Description

一种基于SEM-FSVM的煤矿安全管理风险评价方法

技术领域

本发明涉及一种煤矿安全管理风险评价方法，尤其是一种基于SEM-FSVM的煤矿安全管理风险评价方法。

背景技术

煤炭行业是高危行业，虽然近几年我国加大了煤矿安全管理的力度，使煤矿安全事故总体有所下降，但仍不乐观。据统计，在发生的煤矿安全事故中，90％以上是由于人的因素所致，人的不安全因素本质上是由于安全管理失误所导致的。

由于煤矿安全管理具有复杂性和时变性等特点，传统的风险识别与评价方法在煤矿安全管理上的应用存在一定的局限性，尤其在解决煤矿安全管理风险评价的主观性和实施动态评价方面显得不足。

煤矿安全系统包括煤矿安全生产和煤矿安全管理两大系统。目前，国内外进行煤矿安全风险评价方法也很多，大多集中对煤矿安全生产的风险评价上，如风险评价指数(Risk Assessment Code，RAC)法、作业条件危险性分析(LEC)法、事件树分析(ETA)、网络层次分析方法(ANP)、模糊综合评价法、层次分析与BP 神经网络组合法等。在煤矿安全管理方面，由于煤矿安全管理的非线性、动态性时变性和模糊性等，一些评价方法目前还没有得到很好的应用。

本发明在分析煤矿安全事故频发深层次原因的基础上，深入挖掘煤矿安全管理中存在的风险因素；借助因子分析和主成分分析对潜在的风险因子进行提炼；建立煤矿安全管理风险路径关系模型，运用结构方程模型SEM对风险因素关系模型进行验证，识别出煤矿安全管理的关键风险因素，并以此提炼出煤矿安全管理风险评价指标体系，运用结构方程模型SEM路径系数计算出煤矿安全管理风险评价指标权重，将所述的风险评价指标权重与GAUSS核函数进行内积运算，建立特征加权核函数，消除指标贡献度对评价结果的影响；将FSVM理论应用于煤矿安全管理风险评价中，消除样本贡献度对评价结果的影响；构建SEM和FSVM相结合的煤矿安全管理风险评价模型，提出一种基于SEM-FSVM的煤矿安全管理风险评价方法，对煤矿安全管理风险进行评价。

发明内容

针对上述现有技术存在的问题，本发明提出一种基于SEM-FSVM的煤矿安全管理风险评价方法，结合煤矿安全管理非线性、动态时变性及小样本事件等特点，从煤矿安全管理多元风险致因入手，结合煤矿安全管理的特殊性；建立煤矿安全管理风险路径关系模型，运用结构方程模型SEM对煤矿安全管理风险路径关系模型进行验证，提炼出煤矿安全管理的关键风险因素，并以此构建出煤矿安全管理风险评价的指标体系，并运用结构方程模型SEM路径系数计算出风险评价指标权重，将所述评价指标权重与GAUSS核函数进行内积运算，建立特征加权核函数，消除指标贡献差异对评价结果的影响；将FSVM理论应用于煤矿安全管理风险评价中，消除样本贡献度对评价结果的影响。

为了实现上述目的，本发明的技术方案为：一种基于SEM-FSVM的煤矿安全管理风险评价方法，包括如下步骤：

(1)基于煤矿安全管理多元风险致因，运用主成分分析与因子分析的方法，提取煤矿安全管理关键风险因素；

(2)对步骤(1)提取识别出来的风险因素进行提炼、归类与命名，构建出煤矿安全管理风险评价指标体系；

(3)建立煤矿安全管理风险路径关系模型，运用结构方程模型SEM对煤矿安全管理风险概念模型进行验证，计算出煤矿安全管理风险关系路径系数；

(4)通过对煤矿安全管理风险关系路径系数进行归一化处理，计算出煤矿安全管理风险评价指标特征权重；

(5)将通过步骤(4)计算出来的评价指标特征权重与FSVM的核函数GAUSS 核函数进行内积运算，构建特征加权GAUSS核函数；

(6)将模糊支持向量机FSVM理论应用于煤矿安全管理风险评价中，消除样本贡献度对评价结果的影响；

(7)通过结构方程模型SEM和模糊支持向量机FSVM相结合，形成一种基于 SEM-FSVM的煤矿安全管理风险评价方法，消除评价指标特征贡献度及样本贡献度对评价结果的影响。

作为上述方案的进一步优化，步骤(1)提取的煤矿安全管理关键风险因素包括五个外源潜变量和一个内源潜变量，所述外源潜变量包括煤矿安全管理组织 (SMO)、煤矿安全管理能力(SMA)、煤矿安全管理模式(SMM)、煤矿安全管理要素(SMF)和煤矿安全管理监控(SMC)，所述内源潜变量为煤矿安全管理风险后果(SMR)。

作为上述方案的进一步优化，所述煤矿安全管理组织包括安全管理组织结构风险因子(v₁)、安全管理组织行为风险因子(v₂)和安全管理组织文化风险因子 (v₃)；

所述煤矿安全管理模式包括安全管理计划制定与完善(v₄)、安全管理计划实施与控制(v₅)、安全激励机制(v₆)和安全培训及教育(v₇)；

所述煤矿安全管理能力包括安全行为管理能力风险因子(v₈)、安全行政管理能力风险因子(v₉)、安全技术管理能力风险因子(v₁₀)和安全创新管理能力风险因子(v₁₁)；

所述煤矿安全管理要素包括人因要素风险因子(v₁₂)、机械(设备)的安全性风险因子(v₁₃)、环境安全性(v₁₄)和信息的安全性风险因子(v₁₅)；

所述煤矿安全管理监控包括监测产品的标准与规程完备程度风险因子(v₁₆)、安全检测系统校正或维修及时性风险因子(v₁₇)和安全管理监测制度的完善程度风险因子(v₁₈)；

所述煤矿安全管理风险后果包括安全事故发生率与预期的差异(v₁₉)、煤矿企业销售绩效与预期差异(v₂₀)、安全事故造成人员及经济损失值与预期的差异(v₂₁)。

作为上述方案的进一步优化，步骤(3)涉及的具体步骤如下:

(31)根据外源潜变量测量方程的一般公式:X＝Λ_xξ+δ，提出了外源潜变量的测量方程，参见下式，其中，X为p×1阶外源指标向量；Λ_x表示外源指标与外源潜变量之间的关系；δ为外源指标X的误差项；

(32)根据内源潜变量测量方程的一般公式:Y＝Λ_yη+ε，确立了内源潜变量测量方程：

式中：Y为q×1阶内源指标向量；Λ_y表示内源指标与内源潜变量之间的关系；ε为内源指标Y的误差项；

(33)根据结构方程的基本形式:η＝βη+Γξ+ζ，提出了内源潜变量的结构方程式：

其中，ξ为m×1阶外源潜变量向量。

η为n×1阶内源潜变量向量。

β为内源潜变量η之间的回归系数，反映了内源潜变量之间的关系。

Γ为ξ与η间的回归系数，反映了外源潜变量对内源潜变量的影响。

ζ为残差项，反映了η在方程中未被解释的部分；

(34)根据绝对拟合度指标和相对拟合度指标进行拟合，获取初始模型拟合优度指数；

(35)对初始模型的路径进行修改，获取修正后模型拟合优度指数，并将修正后模型拟合优度指数与初始模型拟合优度指数进行比较。

作为上述方案的进一步优化，步骤(4)归一化处理后的，得到一级评价指标权重值W＝(0.188,0.152,0.137,0.356,0.187)；

二级评价指标权重分别为：

w_smo＝(0.38,0.33,0.29)w_smm＝(0.30,0.20,0.28,0.22)w_sma＝(0.27,0.26,0.24,0.23)，

w_smf＝(0.32,0.23,0.24,0.26)w_smc＝(0.25,0.38,0.37)；其中，w_smo、w_smm、w_smf、w_sma、w_smc分别表示煤矿安全管理组织、煤矿安全管理模式、煤矿安全管理要素、煤矿安全管理能力和煤矿安全管理监控五个一级指标下的各二级指标对应的权重值。

作为上述方案的进一步优化，步骤(5)具体包括如下步骤：

(51)令K(z_i,z_j)是定义在上Z'Z上的核函数，

W是给定输入空间的l×l维矩阵，即基于SEM路径系数的权重向量，式中:l为输入空间的维数，特征加权核函数K_f定义为K_f(z_i,z_j)＝K(z_i ^TW,z_j ^TW)，W称为特征加权矩阵； W＝dig(w₁,w₂,...,w_l)，w_i∈(0,1)，i＝1,2,…,l为煤矿安全管理风险评价指标的特征权重值，w_i取值不同直接影响到回归函数的选择；

(52)采用Gauss径向基核函数：

(53)将评价指标特征权重加权后的Gauss核函数变为：

即为特征加权Gauss核函数，由基于SEM路径系数的权重向量W计算特征加权Gauss核函数。

作为上述方案的进一步优化，步骤(6)具体包括如下步骤：

(61)对于含有模糊信息的非线性问题，首先引入从输入空间Rⁿ到一个高维空间H的变换

构建模糊训练集式为：

(62)将原来Rⁿ上的模糊非线性问题转化为特征空间H上的模糊线性问题，选择恰当的阈值γ0＜γ≤1，适当的惩罚参数C，模糊问题就转化为以求解 W,b,ξ^T为决策变量的模糊机会约束规划问题：

式中：C＞0为惩罚参数，ξ＝ξ₁，ξ₂,...，ξ_l ^T为松弛变量。

(63)本发明通过引入适当的核函数Kx_j，x_k＝Φx_j·Φx_k，其中

构造二次规划式：

式中：

(64)该规划式为凸二次规划式，求解该规划式，得到最优解

(65)选择β^*的正分量

或者α^*的正分量

可以计算出

(66)本发明构给出了最优分类函数式：

(67)本发明提出模糊训练集：

构造支持向量回归机，

得到回归函数

和

由此建立最优分类函数的隶属函数式：

(68)本发明提出特征加权的模糊支持向量机FSVM的风险评价方法，在进行评价时将样本的特征权重考虑进行，能大大提高评价的精度，使评价过程更科学合理。具体算法原理如下：

设训练集为x₁,y₁,...,x_l,y_l，其中,

是d维的向量 y_i＝1，-1，i＝1.,..,l。构造特征权重向量β_m＝β_m1,β_m2,...,β_ml ^T,m＝1,...,l,选择合适的惩罚参数C＞0,构造并求解最优化问题

0≤α_i≤C,i＝1,...,l

其中，P＝dig(β₁,β₂,...,β_m)。

计算权重

选择α的一个分量0＜α_j＜C所对应的样本点,并以此计算

由此求出最终决策函数：

f(x)＝sgn((w·x+b))。

与现有技术相比，本发明构建了适用于煤矿安全管理风险的评价指标体系，使用结构方程，解决了风险因素关系分析及风险评价指标特征权重计算问题；使用模糊支持向量机，解决了煤矿安管理的小样本、非线性及模糊信息问题，消除样本贡献度对评价结果的影响问题；将结构方程和模糊支持向量机相结合，提出一种基于SEM-FSVM的煤矿安全管理风险评价方法；本发明解决了煤矿安管理风险评价指标特征重要性和样本贡献度对评价结果的影响问题，增加了评价过程的科学性和评价结果的精确度。

附图说明

图1是本发明提供的一种基于SEM-FSVM的煤矿安全管理风险评价方法的流程图；

图2是本发明的评价指标体系示意图。

具体实施方式

为了使本发明所实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施例和附图对本发明作进一步的详细说明。

如图1和图2所示，本发明所述的一种基于SEM-FSVM的煤矿安全管理风险评价方法，从煤矿安全管理多元风险致因入手，收集相关数据，运用主成分分析与因子分析的方法对煤矿安全管理中潜在的风险因素进行识别；通过对风险因子归类和变量命名，构建出煤矿安全管理风险评价指标体系；建立煤矿安全管理风险路径关系模型，运用结构方程模型SEM对所述的风险路径关系模型进行验证，通过结构方程模型SEM路径系数计算出风险评价指标权重；对FSVM核函数进行改进，运用通过SEM路径系数与GAUSS核函数进行内积运算所形成的风险评价指标特征加权GAUSS核函数，提出基于SEM-FSVM的煤矿安全管理风险评价方法，对煤矿安全管理风险进行评价，消除评价样本贡献度对评价结果的影响，确保风险评价过程的科学性和评价结果的精确度。具体步骤如下：

(1)从煤矿安全管理多元风险致因入手，运用主成分分析与因子分析的方法对煤矿安全管理中潜在的风险因素进行识别。

影响煤矿安全管理的风险因素很多，运用多元统计的因子分析和主成分分析方法，提取煤矿安全管理关键风险因素，识别出煤矿安全管理组织、安全管理能力、安全管理模式、安全管理要素、安全管理监控5个方面18个风险因素及风险后果的3个指标，共计21个因子变量。

主成分分析最早是英国生物统计学家K.Pearson于1901年提出的。基本思想是运用几个新的不相关的主成分去替代原来较多的初始变量，通过对原变量进行整合，根据实际情况踢出重复变量，建立互不相关的少数几个新变量，且新变量能保持原有的信息，达到有效降维的目的。假如有P个指标，将这P个指标看成P个变量，记作：X₁,X₂,...,X_P。

F₁＝u₁₁X₁+u₁₂X₂+...+u_p1X_p

F₂＝u₁₂X₁+u₂₂X₂+...+u_p2X_p

......

F_p＝u_1pX₁+u_2pX₂+...+u_ppX_p

主成分分析就是将这P个变量转变为P个指标的线性组合，这些新的指标 F₁,F₂,...,F_K(K＜P)，既要保留原有信息，又要相互独立，且要满足：

每个主成分系数的平方和为1，即：

主成分之间相互独立，COV(F_i,F_j)＝0,i≠j,i,j＝1,2,...,p；主成分的方差依次递减，重要性依次递减，即VAR(F₁)≥VAR(F₂)≥....≥VAR(F_p)。

因子分析基本原理是对具有一定相关关系的多个变量进行精简，精炼为少数几个相互独立的因子，将相同本质的变量归为一个因子。设有N个样本，每个样本有P个观测指标，即X＝[X₁,X₂,...,X_p]′是可观测的随机向量，且E(X)＝0， COV(X)＝∑，协方差矩阵∑与相关矩阵R相等。

F＝[F₁,F₂,...,F_m]′m＜p，是不可观测变量，且E(F)＝0，COV(F)＝I，F 的各个分量是相互独立的。ε＝[ε₁,ε₂,...,ε_p]′与F是相互独立的，且E(ε)＝0，ε的协方差矩阵∑_ε是对角矩阵，即ε跟分量之间是相互独立的。

因子分析的数学模型为：

其中：

因子载荷a_ij是第i个变量与第j个公共因子的相关系数， X_i＝a_i1F₁+...+a_imF_m+ε_i反映第i个变量与第j个公共因子的重要性。

(2)对识别出来的风险因素进行提炼、归类与命名，构建出煤矿安全管理风险评价指标体系。通过主成分分析和因子分析，得出提取影响煤矿安全管理的主要风险因素，进行因子归类和变量命名，构建出煤矿安全管理风险评价指标体系，如表1所示。煤矿安全管理关键风险因素包括五个外源潜变量和一个内源潜变量，所述外源潜变量包括煤矿安全管理组织(SMO)、煤矿安全管理能力(SMA)、煤矿安全管理模式(SMM)、煤矿安全管理要素(SMF)和煤矿安全管理监控(SMC)，所述内源潜变量为煤矿安全管理风险后果(SMR)。

煤矿安全管理组织包括安全管理组织结构风险因子(v₁)、安全管理组织行为风险因子(v₂)和安全管理组织文化风险因子(v₃)；所述煤矿安全管理模式包括安全管理计划制定与完善(v₄)、安全管理计划实施与控制(v₅)、安全激励机制(v₆)和安全培训及教育(v₇)；所述煤矿安全管理能力包括安全行为管理能力风险因子(v₈)、安全行政管理能力风险因子(v₉)、安全技术管理能力风险因子 (v₁₀)和安全创新管理能力风险因子(v₁₁)；所述煤矿安全管理要素包括人因要素风险因子(v₁₂)、机械(设备)的安全性风险因子(v₁₃)、环境安全性(v₁₄)和信息的安全性风险因子(v₁₅)。煤矿安全管理监控包括监测产品的标准与规程完备程度风险因子(v₁₆)、安全检测系统校正或维修及时性风险因子(v₁₇)和安全管理监测制度的完善程度风险因子(v₁₈)。所述煤矿安全管理风险后果包括安全事故发生率与预期的差异(v₁₉)、煤矿企业销售绩效与预期差异(v₂₀)、安全事故造成人员及经济损失值与预期的差异(v₂₁)。

通过对前五个主成分进行梳理，进行因子归类和变量命名，构建出本发明一种基于SEM-FSVM的煤矿安全管理风险评价方法中的评价指标体系。

表1：因子分析结果

(3)建立煤矿安全管理风险路径关系模型，运用结构方程模型SEM对煤矿安全管理风险概念模型进行验证，通过结构方程模型SEM路径系数计算出煤矿安全管理风险评价指标特征权重，具体步骤如下：

1)本发明提出了风险关系的初始模型。包括5个外源潜变量(自变量)，即煤矿安全管理组织(SMO)、煤矿安全管理模式(SMM)、煤矿安全管理能力(SMA)、煤矿安全管理要素(SMF)和煤矿安全管理监测(SMC)，一个内源潜变量(因变量)，即安全管理风险后果(SMR)。

2)外源潜变量和内生潜变量之间有11条传导路径，即代表煤矿安全管理风险后果产生的11种风险演化路径。假设5个外源潜变量之间有一定的影响作用，可以通过这5个外源潜变量之间6条路径反映出来。

3)本发明根据外源潜变量测量方程的一般公式:X＝Λ_x+δ，提出了外源潜变量的测量方程。式中：X为p×1阶外源指标向量；Λ_x表示外源指标与外源潜变量之间的关系；δ为外源指标X的误差项。

4)本发明根据内源潜变量测量方程的一般公式:Y＝Λ_yη+ε，确立了内源潜变量测量方程：

式中：Y为q×1阶内源指标向量；Λ_y表示内源指标与内源潜变量之间的关系；ε为内源指标Y的误差项。

5)本发明根据结构方程的基本形式，η＝βη+Γξ+ζ，提出了结构方程式：

其中，ξ为m×1阶外源潜变量向量。

η为n×1阶内源潜变量向量。

β为内源潜变量η之间的回归系数，反映了内源潜变量之间的关系。

Γ为ξ与η间的回归系数，反映了外源潜变量对内源潜变量的影响。

ζ为残差项，反映了η在方程中未被解释的部分；

(34)根据绝对拟合度指标和相对拟合度指标进行拟合，获取初始模型拟合优度指数；

(35)对初始模型的路径进行修改，获取修正后模型拟合优度指数，并将修正后模型拟合优度指数与初始模型拟合优度指数进行比较。

6)本发明对结构方程式进行具体解释：公式左边SMR是内生潜变量，代表煤矿安全管理风险后果；公式右边SMO、SMM、SMA、SMF和SMC是外源潜变量，分别代表煤矿安全管理组织、煤矿安全管理模式、煤矿安全管理能力、煤矿安全管理要素、煤矿安全管理监测5个方面的风险因素。

7)根据如表2拟合指数与评价标准对本发明的模型进行拟合。

表2：拟合指数与评价标准

8)本发明对初始模型的路径进行修改。修正后模型比初始模型的拟合优度指数有了很大的改善。对比结果如表3所示。

表3修正后模型与初始模型拟合优度指数比较

9)本发明拟合结果给出所有参数的标准化估计都在0.5-0.95之间，临界值 (C.R)的绝对值大于1.96的参考值，显著性水平p小于0.05。表明模型符合基本拟合评价标准。

(4)通过对煤矿安全管理风险关系路径系数进行归一化处理，计算出煤矿安全管理风险评价指标的特征权重；使用结构方程模型SEM解决煤矿安全管理风险因素关系分析及风险评价指标特征权重计算问题，运用所述的煤矿安全管理风险评价指标体系建立煤矿安全管理风险因素关系模型，通过结构方程模型SEM 对所述的煤矿安全管理风险因素关系模型进行验证，分析风险路径系数，通过对风险路径系数的归一化处理，计算出煤矿安全管理风险评价指标特征权重。具体如下：

1)本发明将5个一级指标和各二级指标SEM路径系数分别进行归一化处理，得到一级评价指标权重值为W＝(0.188,0.152,0.137,0.356,0.187)各二级评价指标权重分别为：

w_smo＝(0.38,0.33,0.29)w_smm＝(0.30,0.20,0.28,0.22)w_sma＝(0.27,0.26,0.24,0.23)，

w_smf＝(0.32,0.23,0.24,0.26)w_smc＝(0.25,0.38,0.37)

2)本发明给出了符号的具体解释：W表示一级指标权重，w_smo、w_smm、w_smf、w_sma、w_smc分别表示煤矿安全管理组织、煤矿安全管理模式、煤矿安全管理要素、煤矿安全管理能力及煤矿安全管理监控等五个一级指标下各二级指标对应的权重值。

(5)本发明提出了一种基于SEM路径系数的特征加权核函数构建方法，将通过步骤

(4)计算出来的评价指标特征权重与FSVM的核函数GAUSS核函数进行内积运算，构建特征加权GAUSS核函数。具体步骤如下:

1)令K(z_i,z_j)是定义在上Z'Z上的核函数，

W是给定输入空间的 l×l维矩阵，即基于SEM路径系数的权重向量，式中:l为输入空间的维数。特征加权核函数K_f定义为

W称为特征加权矩阵。 W＝dig(w₁,w₂,...,w_l)，w_i∈(0,1)，i＝1,2,…,l为煤矿安全管理风险评价指标的特征权重值。w_i取值不同直接影响到回归函数的选择。

2)本发明选用性能较好的Gauss径向基核函数

3)加权后的Gauss核函数变为：

即为特征加权Gauss核函数。由基于SEM路径系数的权重向量W计算特征加权Gauss核函数。

(6)在充分考虑煤矿安全管理非线性、动态时变性、小样本事件及含有模糊信息等特点的基础上，将模糊支持向量机FSVM理论应用于煤矿安全管理风险评价中，消除样本贡献度对评价结果的影响；在支持向量机二次规划的惩罚参数中添加模糊隶属度，构建模糊支持向量机FSVM，通过核函数实现到高维空间的非线性映射，适合于解决本质上含有模糊信息、非线性分类和小样本事件、回归和密度函数估计等问题，使用模糊支持向量机解决煤矿安管理的小样本、非线性及模糊信息问题，消除样本贡献度对评价结果的影响。具体如步骤下：

1)对于含有模糊信息的非线性问题，首先引入从输入空间Rⁿ到一个高维空间H的变换

构建模糊训练集式为：

2)将原来Rⁿ上的模糊非线性问题转化为特征空间H上的模糊线性问题，选择恰当的阈值γ0＜γ≤1，适当的惩罚参数C，模糊问题就转化为以求解W,b,^T为决策变量的模糊机会约束规划问题：

式中：C＞0为惩罚参数，ξ＝ξ₁，ξ₂,...，ξ_l ^T为松弛变量。

3)本发明通过引入适当的核函数

其中

构造二次规划式：

式中：

4)该规划式为凸二次规划式，求解该规划式，得到最优解

5)选择β^*的正分量

或者α^*的正分量

可以计算出

6)本发明构给出了最优分类函数式：

7)本发明提出模糊训练集：

构造支持向量回归机，

得到回归函数

和

由此建立最优分类函数的隶属函数式：

8)本发明提出特征加权的模糊支持向量机FSVM的风险评价方法，在进行评价时将样本的特征权重考虑进行，能大大提高评价的精度，使评价过程更科学合理。具体算法原理如下：

设训练集为x₁,y₁,...,x_l,y_l，其中,

是d维的向量 y_i＝1，-1，i＝1.,..,l。构造特征权重向量β_m＝β_m1,β_m2,...,β_ml ^T,m＝1,...,l,选择合适的惩罚参数C＞0,构造并求解最优化问题

0≤α_i≤C,i＝1,...,l

其中，P＝dig(β₁,β₂,...,β_m)。

计算权重

选择α的一个分量0＜α_j＜C所对应的样本点,并以此计算

由此求出最终决策函数：

f(x)＝sgn((w·x+b))

(7)本发明提出了一种基于SEM-FSVM的煤矿安全管理风险评价方法，通过结构方程模型SEM和模糊支持向量机FSVM相结合，消除评价指标特征贡献度及样本贡献度对评价结果的影响，增加评价过程的科学性和评价结果的精确性。具体步骤如下：

1)本发明提供一种风险类别设计方法。按风险评价指标对导致风险后果的可能性及影响程度进行打分，可能性越低意味着潜在风险越小，可能性越高意味着潜在风险越大。

风险等级区间采用1-10分分值来表示，划分为5级分值区间：无风险为[0-2] 分，轻微风险(2-4]分，一般风险(4-6]，较大风险(6-8]、严重风险(8-10]；对应的风险后果根据11位相关专家对各个样本煤矿的安全管理风险评价指标打分及对各个样本煤矿整体安全管理风险综合评价等级的预判，按照正、负二类设置，分别赋值为：有风险后果(-1)；无风险后果(+1)。

2)模糊隶属函数选择。

本发明运用基于距离的隶属度函数确定方法，依据样本在类中的相对重要性或对类的贡献大小来确定隶属度的大小，样本到类中心距离是衡量样本对所在类重要程度的依据。

式中：设

代表类中心，||·||代表欧式距离，

ε为很小的整数，0＜δ＜ε，这样将异常数据控制在[ε,1]之间。根据各种因素综合评判，这里取δ值为0.3，ε值为0.5。

3)参数的确定

需要对相关参数进行优化(主要是惩罚参数c和核函数参数σ)才能得到准确的评价结果。本发明通过10折交叉验证的方法确定参数c和σ，选取C＝100，σ＝0.5。置信水平λ＝0.9。

4)本发明提出了一种基于SEM路径系数的特征加权核函数构建方法，具体如下:

令K(x_i,x_j)是定义在上X×X上的核函数，

W是给定输入空间的 m×m维矩阵，即基于SEM路径系数的权重向量，式中:m为输入空间的维数。特征加权核函数K_f定义为K_f(x_i,x_j)＝K(x_i ^TW,x_j ^TW)。W称为特征加权矩阵。 W＝dig(w₁,w₂,...,w_m)，w_i∈(0,1)，i＝0,1,...,m为各特征的权重值。w_i取值不同直接影响到回归函数的选择。

本发明选用性能较好的Gauss径向基核函数

加权后的Gauss核函数变为：

即为特征加权Gauss核函数。由基于SEM路径系数的权重向量W计算特征加权Gauss核函数。

5)选定训练样本，确定模糊训练集

选定训练样本和测试样本，确定模糊训练集，如下公式：

其中x₁＝(0.00,0.33,...,0.20)^T,…,x₆＝(0.33,0.67,...,0.20)^T

x₂＝(0.67,1.00,...,0.40)^T,…,x₁₂＝(0.00,0.00,...,0.00)^T

6)本发明根据非线性模糊支持向量机，对模糊训练点进行训练，这里取惩罚参数C＝100，σ＝0.5。置信水平λ＝0.9，特征加权Gauss核函数

7)将相关数据带入分类函数f(x)＝sgn(w·x+b)得出：

f(x)＝sgn(wx+b)＝sgn(40.021[x]₁+38.098[x]₂+41.320[x]₃+35.046[x]₄+37.968[x]₅-10.805)

8)构建最优分类函数的隶属函数

本发明根据模糊正类点的输入x_t(t＝1,3,5,6)，函数g(x)，模糊训练点属于正类的模糊隶属度，得到模糊训练集

S₁＝(10.056,1),...,(0.897,0.786)

构造支持向量回归机，得到回归函数

本发明根据模糊负类点的输入x_i(i＝2,4,7)，函数g(x)，模糊训练点属于负类的模糊隶属度，得到模糊训练集

S₂＝(-1.056,0.542),...,(-1.597,0.586)

构造支持向量回归机，得到回归函数

9)本发明给出了最优分类函数的隶属函数为：

10)本发明通过选定测试样本进行测试。由于样本量较少，本发明为了使结果更加合理，这里选择对所有样本数据进行测试，数据带入最优分类函数和最优分类函数隶属函数，得

f(x₁)＝1,μ(g(x₁))＝0.67；f(x₂)＝-1,μ(g(x₂))＝0.92；

f(x₃)＝1,μ(g(x₃))＝1；f(x₄)＝1,μ(g(x₄))＝0.68；…；f(x₁₂)＝1,μ(g(x₁₂))＝0.79

11)本发明通过对几种评价方法的评价结果进行比较，找出最优方法。

本发明为了检验特征和样本双重加权的一种基于SEM-FSVM煤矿安全管理风险评价方法的有效性和实用性，将SEM、FSVM与SEM-FSVM评价方法对相同样本点数据进行风险评价，并对评价结果进行分析比较，具体如下。

通常对几种评价方法的评价结果比较是通过测试评价正确率进行的，即：将测试结果(1或-1)与原参照值(1或-1)进行比较，如果相同，认为测试正确，如果不同则认为测试不正确。

测试正确率是通过测试正确点数与总点数的比值来衡量的。但是，对于模糊支持向量机测试结果评价较为复杂。本发明对每个测试点需要对其结果(隶属度) 与原参照值进行比较。具体步骤如下：

步骤一：根据

转换成

FSVM与SEM-FSVM的测试结果隶属度值，如表4所示。

表4：FSVM与SEM-FSVM的测试结果隶属度值

步骤二：根据隶属函数公式，将测试结果的隶属度转化为综合评价结果分值。

步骤三：将以上三种方法的评价结果分别与实际值进行比较，计算每个测试点的误差

步骤四：计算出每种评价方法的总误差和平均误差，平均误差越小，测试越精确。通过计算，三种评价方法的最后综合评价误差，总误差及平均误差见表5。

表5：评价总误差与平均误差比较

12)本发明给出了几种评价方法评价结果的分析总结。由表5评价结果数据可以看出，基于SEM的评价结果平均误差为0.18。总误差为3.53；基于FSVM 评价结果平均误差为0.08，总误差为2.33；基于SEM-FSVM的评价结果与实际结果是完全一致的，评价总误差为0.67，平均误差值均为0.06，由上述三种评价方法的评价结果来看，SEM-FSVM的评价结果总误差和平均误差均最小，结果明显显示SEM-FSVM方法评价精度最高。

13)本发明提供的一种基于SEM-FSVM的煤矿管理风险评价方法，是基于特征和样本双重加权的评价方法，通过主成分方法与因子分析提炼出煤矿安全管理的关键风险因素，并通过结果方程SEM煤矿安全管理风险路径系数对指标权重进行了精确计算，将所述权重向量与GAUSS核函数进行集成，构建特征加权GAUSS 核函数，消除了煤矿安全管理风险评价指标贡献度对评价结果的影响。

14)本发明提供了一种基于SEM-FSVM的煤矿安全管理风险评价方法，在解决煤矿安全管理风险评价问题时较其它方法有明显优势，该方法是基于小样本的复杂多因素评价，不仅可以解决煤矿安全管理风险多因素复杂变量关系问题，又能很好的解决煤矿安全管理典型数据较少的问题，而且还可以降低采集数据成本，是一种具有较高实际应用价值的评价方法。

以上显示和描述了本发明的基本原理、步骤、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于SEM-FSVM的煤矿安全管理风险评价方法，其特征在于：包括如下步骤：

(1)基于煤矿安全管理多元风险致因，运用主成分分析与因子分析的方法，提取煤矿安全管理关键风险因素；

(2)对步骤(1)提取识别出来的风险因素进行提炼、归类与命名，构建出煤矿安全管理风险评价指标体系；

(3)建立煤矿安全管理风险路径关系模型，运用结构方程模型SEM对煤矿安全管理风险概念模型进行验证，计算出煤矿安全管理风险关系路径系数；

(4)通过对煤矿安全管理风险关系路径系数进行归一化处理，计算出煤矿安全管理风险评价指标特征权重；

(5)将通过步骤(4)计算出来的评价指标特征权重与FSVM的核函数GAUSS核函数进行内积运算，构建特征加权GAUSS核函数；

(6)将模糊支持向量机FSVM理论应用于煤矿安全管理风险评价中，消除样本贡献度对评价结果的影响；

(7)通过结构方程模型SEM和模糊支持向量机FSVM相结合，形成一种基于SEM-FSVM的煤矿安全管理风险评价方法，消除评价指标特征贡献度及样本贡献度对评价结果的影响；

步骤(1)提取的煤矿安全管理关键风险因素包括五个外源潜变量和一个内源潜变量，所述外源潜变量包括煤矿安全管理组织(SMO)、煤矿安全管理能力(SMA)、煤矿安全管理模式(SMM)、煤矿安全管理要素(SMF)和煤矿安全管理监控(SMC)，所述内源潜变量为煤矿安全管理风险后果(SMR)；

所述煤矿安全管理组织包括安全管理组织结构风险因子(v₁)、安全管理组织行为风险因子(v₂)和安全管理组织文化风险因子(v₃)；

所述煤矿安全管理模式包括安全管理计划制定与完善(v₄)、安全管理计划实施与控制(v₅)、安全激励机制(v₆)和安全培训及教育(v₇)；

所述煤矿安全管理能力包括安全行为管理能力风险因子(v₈)、安全行政管理能力风险因子(v₉)、安全技术管理能力风险因子(v₁₀)和安全创新管理能力风险因子(v₁₁)；

所述煤矿安全管理要素包括人因要素风险因子(v₁₂)、机械设备的安全性风险因子(v₁₃)、环境安全性(v₁₄)和信息的安全性风险因子(v₁₅)；

所述煤矿安全管理监控包括监测产品的标准与规程完备程度风险因子(v₁₆)、安全检测系统校正或维修及时性风险因子(v₁₇)和安全管理监测制度的完善程度风险因子(v₁₈)；

所述煤矿安全管理风险后果包括安全事故发生率与预期的差异(v₁₉)、煤矿企业销售绩效与预期差异(v₂₀)、安全事故造成人员及经济损失值与预期的差异(v₂₁)；

步骤(3)涉及的具体步骤如下：

(31)根据外源潜变量测量方程的一般公式：X＝Λ_xξ+δ，提出了外源潜变量的测量方程，参见下式，其中，X为p×1阶外源指标向量；Λ_x表示外源指标与外源潜变量之间的关系；δ为外源指标X的误差项；

(32)根据内源潜变量测量方程的一般公式：Y＝Λ_yη+ε，确立了内源潜变量测量方程：

式中：Y为q×1阶内源指标向量；Λ_y表示内源指标与内源潜变量之间的关系；ε为内源指标Y的误差项；

(33)根据结构方程的基本形式：η＝βη+Γξ+ζ，提出了内源潜变量的结构方程式：

其中，ξ为m×1阶外源潜变量向量；

η为n×1阶内源潜变量向量；

β为内源潜变量η之间的回归系数，反映了内源潜变量之间的关系；

Γ为ξ与η间的回归系数，反映了外源潜变量对内源潜变量的影响；

ζ为残差项，反映了η在方程中未被解释的部分；

(34)根据绝对拟合度指标和相对拟合度指标进行拟合，获取初始模型拟合优度指数；

(35)对初始模型的路径进行修改，获取修正后模型拟合优度指数，并将修正后模型拟合优度指数与初始模型拟合优度指数进行比较；

步骤(4)归一化处理后的，得到一级评价指标权重值

W＝(0.188，0.152，0.137，0.356，0.187)；

二级评价指标权重分别为：

w_smo＝(0.38，0.33，0.29)，w_smm＝(0.30，0.20，0.28，0.22)，w_sma＝(0.27，0.26，0.24，0.23)，

w_smf＝(0.32，0.23，0.24，0.26)，w_smc＝(0.25，0.38，0.37)；其中，w_smo、w_smm、w_smf、w_sma、w_smc分别表示煤矿安全管理组织、煤矿安全管理模式、煤矿安全管理要素、煤矿安全管理能力和煤矿安全管理监控五个一级指标下的各二级指标对应的权重值；

步骤(5)具体包括如下步骤：

(51)令K(z_i，z_j)是定义在Z′Z上的核函数，

W是给定输入空间的l×l维矩阵，即基于SEM路径系数的权重向量，式中：l为输入空间的维数，特征加权核函数K_f定义为K_f(z_i，z_j)＝K(z_i ^TW，z_j ^TW)，W称为特征加权矩阵；W＝dig(w₁，w₂，...，w_l)，w_i∈(0，1)，i＝1，2，...，l为煤矿安全管理风险评价指标的特征权重值，w_i取值不同直接影响到回归函数的选择；

(52)采用Gauss径向基核函数：

(53)将评价指标特征权重加权后的Gauss核函数变为：

即为特征加权Gauss核函数，由基于SEM路径系数的权重向量W计算特征加权Gauss核函数。

Images