本文主要研究内容
作者张国琛（2019）在《基于词扩展LDA的铁路事故致因分析方法研究》一文中研究指出：铁路系统的自动化、智能化和集成化程度日益提高导致人机交互的难度也随之加大。因此,人和组织因素已成为引发铁路事故发生的重要原因。为防止类似的事故再次发生,可通过对铁路事故报告的细致分析,确定导致事故发生的源头和传播机理,从而有针对性采取相应的安全策略。本文提出了基于文本挖掘的铁路事故致因分析方法,针对铁路事故文本特点,设计特征提取算法提取事故中人和组织因素并对其进行定性定量分析,论文主要工作如下:(1)为从事故报告中提取导致事故的人因和组织因素,提出了词扩展-隐含狄利克雷分布(EW-LDA)主题模型,利用TextRank算法确定词的重要性,结合词分布和文档分布之间的语义相似度对主题词进行扩展。仿真结果表明,与传统LDA模型相比,本文提出的EW-LDA主题模型能够提取出更多和事故致因相关的特征。(2)基于提取的事故文本特征设计了 HFACS-RAs的改进模型并构建了结构化事故数据集。按照人和组织不同层面对事故原因进行详细分类,将不安全行为的前提条件进行进一步细分为任务条件、环境条件和个人条件,每一个层次根据提取的事故文本特征进一步划分至更具体的因素。考虑到改进的HFACS-RAs中具有父类和子类两级事故致因,利用支持向量机(SVM)将事故报告按照事故致因进行两级分类,构建了结构化的事故数据集。(3)为了找出引发事故的最关键致因,使用改进贝叶斯网络(BN)构建定量分析模型,设计了基于改进卡方检验的贝叶斯网络结构优化算法。以改进的HFACS-RAs模型中上层与下层因素间的关系确定节点间弧的方向,以文本特征提取和分类处理得到事故数据集(AD)为基础,结合无约束0/1优化的卡方检验构建全局因果关系度量,从而实现最优网络结构。针对铁路事故数据特点,设计了基于Logistic回归的条件概率参数学习算法,实现了贝叶斯网络中条件概率参数的估计。(4)将建立的改进贝叶斯网络模型应用于实际案例,验证了模型的有效性,使用贝叶斯网络推理分析了事故的因果关系,同时通过敏感性分析识别了导致事故发生的最关键因素。
Abstract
tie lu ji tong de zi dong hua 、zhi neng hua he ji cheng hua cheng du ri yi di gao dao zhi ren ji jiao hu de nan du ye sui zhi jia da 。yin ci ,ren he zu zhi yin su yi cheng wei yin fa tie lu shi gu fa sheng de chong yao yuan yin 。wei fang zhi lei shi de shi gu zai ci fa sheng ,ke tong guo dui tie lu shi gu bao gao de xi zhi fen xi ,que ding dao zhi shi gu fa sheng de yuan tou he chuan bo ji li ,cong er you zhen dui xing cai qu xiang ying de an quan ce lve 。ben wen di chu le ji yu wen ben wa jue de tie lu shi gu zhi yin fen xi fang fa ,zhen dui tie lu shi gu wen ben te dian ,she ji te zheng di qu suan fa di qu shi gu zhong ren he zu zhi yin su bing dui ji jin hang ding xing ding liang fen xi ,lun wen zhu yao gong zuo ru xia :(1)wei cong shi gu bao gao zhong di qu dao zhi shi gu de ren yin he zu zhi yin su ,di chu le ci kuo zhan -yin han di li ke lei fen bu (EW-LDA)zhu ti mo xing ,li yong TextRanksuan fa que ding ci de chong yao xing ,jie ge ci fen bu he wen dang fen bu zhi jian de yu yi xiang shi du dui zhu ti ci jin hang kuo zhan 。fang zhen jie guo biao ming ,yu chuan tong LDAmo xing xiang bi ,ben wen di chu de EW-LDAzhu ti mo xing neng gou di qu chu geng duo he shi gu zhi yin xiang guan de te zheng 。(2)ji yu di qu de shi gu wen ben te zheng she ji le HFACS-RAsde gai jin mo xing bing gou jian le jie gou hua shi gu shu ju ji 。an zhao ren he zu zhi bu tong ceng mian dui shi gu yuan yin jin hang xiang xi fen lei ,jiang bu an quan hang wei de qian di tiao jian jin hang jin yi bu xi fen wei ren wu tiao jian 、huan jing tiao jian he ge ren tiao jian ,mei yi ge ceng ci gen ju di qu de shi gu wen ben te zheng jin yi bu hua fen zhi geng ju ti de yin su 。kao lv dao gai jin de HFACS-RAszhong ju you fu lei he zi lei liang ji shi gu zhi yin ,li yong zhi chi xiang liang ji (SVM)jiang shi gu bao gao an zhao shi gu zhi yin jin hang liang ji fen lei ,gou jian le jie gou hua de shi gu shu ju ji 。(3)wei le zhao chu yin fa shi gu de zui guan jian zhi yin ,shi yong gai jin bei xie si wang lao (BN)gou jian ding liang fen xi mo xing ,she ji le ji yu gai jin ka fang jian yan de bei xie si wang lao jie gou you hua suan fa 。yi gai jin de HFACS-RAsmo xing zhong shang ceng yu xia ceng yin su jian de guan ji que ding jie dian jian hu de fang xiang ,yi wen ben te zheng di qu he fen lei chu li de dao shi gu shu ju ji (AD)wei ji chu ,jie ge mo yao shu 0/1you hua de ka fang jian yan gou jian quan ju yin guo guan ji du liang ,cong er shi xian zui you wang lao jie gou 。zhen dui tie lu shi gu shu ju te dian ,she ji le ji yu Logistichui gui de tiao jian gai lv can shu xue xi suan fa ,shi xian le bei xie si wang lao zhong tiao jian gai lv can shu de gu ji 。(4)jiang jian li de gai jin bei xie si wang lao mo xing ying yong yu shi ji an li ,yan zheng le mo xing de you xiao xing ,shi yong bei xie si wang lao tui li fen xi le shi gu de yin guo guan ji ,tong shi tong guo min gan xing fen xi shi bie le dao zhi shi gu fa sheng de zui guan jian yin su 。
论文参考文献
论文详细介绍
论文作者分别是来自北京交通大学的张国琛，发表于刊物北京交通大学2019-09-27论文，是一篇关于主题模型论文,人因分析与分类系统论文,贝叶斯网络论文,回归论文,条件概率表论文,北京交通大学2019-09-27论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自北京交通大学2019-09-27论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：主题模型论文; 人因分析与分类系统论文; 贝叶斯网络论文; 回归论文; 条件概率表论文; 北京交通大学2019-09-27论文;