基于AHP与重要性指标筛选的神经网络评价模型与应用.pdf

第 1 7卷 第 4期 2 0 0 7 年 4 月 中 国 安 全 科 学 学 报 C h i n a S a f e t y S c i e n c e J o u r n a l Vo 11 7 No4 Apr2 0 0 7 基于 A H P与重要性指标筛选的 神经 网络评价模型 与应 用 周荣义 讲师 张诺曦 周 瑛(1湖南科技大学能源与安全7-程学院，湘潭 4 1 1 2 0 1 2湘潭市安全生产监督管理局，湘潭 4 1 1 0 0 0)学科分类与代码：6 2 0 203 0 中图分类号：X 9 1 3 4 文献标识码：A 基金项目：国家安全生产监督管理总局科研计划项目(0 64 o 7)；湖南省自然科学基金资助(06J J 5 0 0 7 9)。【摘要】以对评价 目 标有影响的所有评价指标作为神经网络的输入，会导致网络模型复杂、降低其 性能和影响计算精度的问题，因而提 出基于层次分析法和重要性指标筛选法的神经 网络评价建模方法 即首先运用层次分析法对评价指标进行重要度排序，然后利用重要性指标筛选法过滤出对评价 目标有 重要影响的指标，以其结果作为神经网络的输入。该法不仅简化网络模型，而且提高网络的性能和计 算精度。运用该法对企业安全工作评价，结果证明，不仅是可行的，而且达到了预期的目的。【关键词】层次分析法(A H P)；重要性指标筛选；人工神经网络(A N N)；评价模型；安全工作 ANN As s e s s me n t Mo d e l a n d I t s Ap p l i c a t i o n Ba s e d o n AHP a n d t h e S i e v i n g o f I mp o r t a n t I n d e x ZH OU Ro ng y i L e c t u r e r ZHANG Nuo-x i ZHOU Yi ng (1 S c h o o l o f E n e r g y&S a f e t y E n g i n e e ri n g，H u n a n U n i v e r s i t y o f S c i e n c e&T e c h n o l o gy，X i a n g t a n 4 1 1 2 0 1，C h i n a 2 X i a n t a n A d m i n i s t r a t i o n o f Wo r k S af e t y，X i a n g t a n 4 1 1 0 0 0，C h i n a)A b s t r a c t：R e g a r d i n g t h e e n t i r e i n d i c e s a ff e c t i n g a s s e s s i n g o b j e c t i v e a s t h e i n p u t v a r i a b l e s o f A N N(A r t i f i c i a l N e u r al N e t w o r k)m o d e l n o t o n l y m a k e s t h e m o d e l v e r y c o m p l e x，b u t a l s o g r e a t l y l o w e rs t h e c a p a c i t y a n d c a l c u l a t i o n a c c u r a c y o f t hi s mo d e 1 To s o l v e t h i s p r o b l e m，a n e w me t h o d f o r e s t ab l i s h i n g ANN mo d e l i s p r e s e n t e d b a s e d o n A H P(A n a l y t i c H i e r a r c h y P r o c e s s)a n d t h e s i e v i n g o f i mp o r t a n t i n d e x T h e e s t ab l i s h me n t s t e p s a r e a s f o l l o ws：fir s t l y t h e a s s e s s i n g i n di c e s a r e p ut i n o r d e r a c c o r d i n g t o t h e i r i mp o r t a nc e i n a s s e s s i n g o b j e c t i v e b y u s i n g A HP，s e c o n d l y a l l t h e i m p o rt a n t i n d i c e s gre a t l y a f f e c t i n g t h e o b j e c t i v e a r e s e l e c t e d b y t h e me t ho d for s i e v i n g i mpo rta nt i n d e x，t h e n t h e i n d i c e s o b t a i ne d a r e r e g a r d e d a s t h e i n p u t o f ANN，t h u s a n e w mo d e l i s s e t u p，wh i c h gre a t l y i mp r o v e s t he c a p a c i t y a n d c a l c u l a t i n g a c c u r a c y o f ANN F i n all y，t h e a p p l i c a t i o n o f t hi s mo d e l i n t h e a s s e s s me n t o f e n t e r pris e s afe t y wo r k i s g i v e n；t h e r e s u l t s h o ws t h a t t hi s me t h o d i s f e as i b l e a nd o v e r c o me s t h e s h o rta g e s d e s c rib e d a b o v e K e y w o r d s：A H P(a n al y t i c h i e r a r c h y p r o c e s s)；s i e v i n g o f i m p o rt a n t i n d e x；A N N(a rt i fi c i a l n e u r a l n e t w o r k)；a s s e s s me n t m o d e l；s af e t y w o r k 0 引 言 神经 网络是由大量的简单处理单元所构成 的非 线性系统，并具有巨量并行性、存储分布性、结构可 变性、高度非线性、自学 习性、自组织性 及有效的函 数逼近能力等特点。目前，在工业、农业、经济等领 域的预测与评估中得到了广泛的应用。在神经网络 的运用过程 中，普遍 的做法都是将所有对 因变量有 影响的变量均作为输入变量，从而确定输入、输出层 维数 和神经 网络的建模问题。该方法有其总体合理$文章编 号：1 0 0 3 3 0 3 3(2 0 0 7)0 40 04 3 0 5；收稿 口期：2 0 0 61 1 0 7；修稿 口期：2 0 0 70 32 7 维普资讯 http:/ 4 4 中国安全科学学报 C h i n a S a f e t y S c i e n c e J o u r n a l 第 1 7 卷 2 0 0 7生 性、可行性，但也有其弊端所在。主要表现在：其一，当研究复杂系统建模 时，例如：社会、经济 系统，由于其影响因素众多，关系复杂，若把它们都 作为神经 网络的输人，显然会增加网络的复杂度，降 低网络性能，大大增加计算运行 的时间，影响计算 的 精度；其二，在复杂系统的评估模型中，庞杂的指标体 系及其错综复杂关系不仅使得收集数据和处理数据 之间的关系变得复杂，而且要耗费大量的人力和财 力，给评估的专家及数据提供者带来很大的负担；其三，对于有些系统，还不能完全掌握其全部的 影响因素，而只是其 中一部分较为重要的影响因素，如果按照前述的做法，势必使得神经网络的应用受到 限制，而实际上，神经网络由于采用分布式存储结构 的特点，使得其具有很好的“柔软性”、鲁棒性和很强 的容错能力，少量单元的局部缺损不会造成网络的瘫 痪和影响全局，因而它可以处理不完整、不精确的信 息，如在煤矿底板突水预测中，虽然还不清楚影响底 板突水的全部因素，但利用影响突水的几个主要因素 建立神经网络预测模型，其预测精度都很高 。鉴于上述原 因，笔者试 图利用层次分析法和重 要性指标筛选法作 为神经 网络的前端处理，首先通 过层次分析法将多个 变量(评价指标)的重要 程度 数量化，然后利用重要性指标筛选法选 出重要性指 标，以其结果作为神经网络的输入，从而提高模型的 效率。将几种方法结合在一起的另一个理由就是，考虑到虽然层次分析法和重要性指标筛选法在筛选 出对因变量有重要影响 的因素(自变 量)方 面有独 到的优点，然而在用其他方法进行拟合时，其精度往 往不如神经 网络 理想。故将几种方 法有机地结 合起来，从而大大增强了神经 网络对复杂系统建模 的能力。1 基本理论 1 1 层次分析法 层次分析法 是美国运筹学家 S a l t y在 1 9 7 7年 提 出的一种定性与定量相结合 的决策分析方法，它 把复杂的问题分解 为各个组成 因素，将因素的支配 关系分组形成有序的递 阶层次结构，通过 两两 比较 的方式确定层次中诸 因素的相对重要性，然后综合 专家的判断以决定诸因素相对重要性的总顺序。其 分析过程大体上可以分为 4步 J：1)分析系统 中各 因素之间的关系，建立 系统 的 递阶层次结构。2)对同一层次的各元素之 间的关于上层 次 中 某一准则的重要性进行两两比较，构造判断矩阵。3)由判断矩阵计算比较元素对于该准则 的相 对权重(指标单权重)，并进行一致性检验。4)计算底层元素对系统目标的合成权重(综合 权重)，进行一致性检验，并予以排序。1 2 重要性指标筛选 假设一个问题有 n个指标，。，2，其重要 性大小分别是。，这里，i 都是正数，其值 越大，表明相应的指标越重要，从 n个指标 中筛选出 重要 的指标，剔除不重要 的指标，即叫重要性指标筛 选。其方法如下：将 n ：。按从 大到小排列，不妨 n 仍记为，：，并记：Z ，求最小的 m，使 l I m 得 n(n为小 于 1的常数，称 为重 要性 常 数)，。，：，对应 的指标，。，2，即为重要 性指标。n的选取并无定量规定，应视实 际情况而 定，一般取 n 0 7。经验表明，取 n：0 7是合适 的，它不仅能保证所选 出来的指标是重要的，而且能 保证重要的指标都已被选上。1 3 人工神经网络 人工神经网络是基于连接学说构造的智能仿生 模型，它是由大量神经元组成 的非线性动力学系统，是由大量 的，同时也是很简单 的处理单元(神经元)广泛地相互连接而形成 的复杂 网络系统 J。它能 模拟人的大脑活动，具有 良好 的自学习、自适应、联 想记忆、并行处理和非线性映射 的能力 J。目前应 用最 为广 泛 的一 种人 工 神经 网络就 是 B P(B a c k P r o p a g a t i o n)网络。由于普通人 工神经 网络存 在学 习过程收敛时间过长，易陷人局部最小，鲁棒性较差 的问题 j。而乔迎贤和 吕朗霞零仿真结果表 明，小 波神经网络 的逼近能力 比利用 s i g m o i d作为激活函 数要好 j。因此，结合 了小 波基 函数 的小波神经网 络比一般神经 网络具有更多的优越性。故笔者在后 面的应用 中选取 了以小波基 函数作 为激活函数的神 经网络模型。2 基 于 A H P和重要性指标筛选的神 经 网络评价模型原理及评价过程 2 1 评价原理 基于 A H P和重要性指标筛选的神经网络模型 维普资讯 http:/ 第4期 周荣义等：基于 A H P与重要性指标筛选的神经网络评价模型与应用 4 5 原理，是根据评价的 目标，运用层次分析法建立评价 指标体系的递阶层次结构，并计算底层指标对系统 目标的综合权重，然后按照从大到小的顺序对这些 底层指标进行排序。再根据重要性指标筛选法选出 对系统 目标有重要性影响的底层指标，以其属性值 作 为神经 网络模型的输入向量，将评价结果作 为神 经网络的输出向量。然后用一定数量的样本训练该 网络，使其获得评价专家的知识、经验以及各指标权 重数值。从而达到 自适应学习的目的。训练好的神经网络就可以作为评价模 型，只要 把待评价对象 的输入指标 向量 值输入 神经 网络模 型，便可得到关于该评 价对 象的评价结果。评价 的 结果可以以分数、序数、评语 等形式输 出。同时，被 评价后的对象又可 以作 为新 的学习样本来 训练 网 络，从而实现网络的不断学习和对新知识的获取。2 2 评价过程与评价模型 神经网络评价过程可概括为如下步骤：1)依据 系统工程理论 与方法以及评价系统 的 实际，针对评 价 目标 确定被 评 价系统 的指标 体 系 结构。2)利用层次分析法计算底层指标的综合权重，并按照指标权值 的重要性大小进行降序排列。3)依据重要性指标筛选 法选 出对系统评 价 目 标有重要影响的评价指标。4)依据重要性指标个数确定神经网络模 型输 入层 的节点数，将评价的 目标值作为模型的输 出，隐 含层层数及每层的神经元个数可通过试验或逐步增 长的方法确定，从而可 以确定神经网络模型 的拓扑 结构。5)选取足够 的样本，对神经网络模型进行训练 学习，使模型获得知识和经验。6)将被评价对象相应 的指标值输 入到训 练好 的神经 网络 模 型，即可得 到对该 评价 对象 的评价 结果。基于 A HP与重要性 指标筛选的神经网络评价 模型，如下图所示。3 应用 实例 基于 A I P与重要性指 标筛选的神经 网络评价模 型 对企业安全工作进行评价既是国家有关管理部 门对企业安全 生产实行宏观指 导和监督 的有效途 径，也是企业不断改进 自身管理工作 和提高 自身安 全水平的有效方法。由于企业的安全工作涉及面非 常大，不仅涵盖了人、机、物、环境，而且还包括 了管 理和技术等各个环节，评 价的指标体 系非常复杂和 庞大，考虑到一些指标 对系统 目标 的影响作用不大 以及某些指标之间存在动态的交互作用，决定选用 上图所示 的神经 网络模型进行评价。3 1 企业安全工作评价指标体 系 通过运用 系统工程 的方法，将企业 的安全工作 评价指标分解为安全管理、安技措施、机一物一环境 以及人等 4个一级指标，然后再分解为若干个二级 指标，从 而 建 立 起 企 业 安 全 工 作 的评 价 指标 体 系 ，如表 1 所示。维普资讯 http:/ 4 6 中国安全科学学报 C h i n a S a f e t y S c i e n c e J o u r n a l 第1 7 卷 2007钲 3 2 评价过程 3 2 1 利用 A H P 计算评价指标综合权重 通过运用 A H P法，得出了企业安全工作二级指标的综合权重值，如表 1 所示。表 1 企业安 全工 作评价指标 一级指标 二级指标 代号 总排序权值 劳动保护用品发放情况 C l 0 0 0 7 3 5 安全教育情况 0 0 1 9 6 7 安全管理制度建立与执行情况 C 3 0 0 9 2 8 0 安全管理组织机构健全情况 0 0 o 64 4 安全管理 安全生产责任制建立与执行情况 0 0 1 96 7 事故处理“四不放过”执行情况 0 0 1 96 7 领导对安全生产重视程度 G 0 O 5 8 3 O 标准化班组建设工作情况 0 0 0 2 4 0 安全装置、设施的配置和完好状况 G 0 0 4 9 2 4 安全防护和报警系统状况 C I o 0 049 2 4 安技措施 应急措施完好程度 C l l 0 0 1 4 6 2 专业性安全检查执行情况 C l 2 0 0 o 6 9 0 设备的本质安全状况 C l 3 0 O 6 7 4 1 设备、管道的监测和维护情况 C l 4 0 0 2 0 0 3 机一物 一环境 作业环境状况 Cl 5 O 0 o 94 5 化学危险品管理情况 C l 6 0 O 6 7 4 1 职工岗位责任制执行情况 C l 7 0 1 2 6 4 1 人 安全意识和自我保护能力 C l 8 0 0 5 1 2 4 职工思想和技术素质 C l 9 0 3 l l 7 5 3 2 2 进行重要性指标筛选 根据前述 的重要性指标筛选法，选出对企业安 全工作影响较大的重要 因素，其计算过程如下：1)首先将评价指标的综合权重值按照从大到 小的顺序进 行 排列，依 据 表 1，排 列顺 序依 次 为：0 3 1 1 7 5，0 1 2 6 4 1，0 0 9 2 8 0，0 0 6 7 4 1，0 0 6 7 4 1，0 0 5 8 3 0，0 051 2 4，0 0 4 9 2 4，0 04 9 2 4，0 0 2 0 0 3 0，0 01 96 7，0 01 9 6 7，0 01 9 6 7，0 01 4 6 2，00 0 9 4 5，0 0 0 7 3 5，0 0 0 6 9，0 0 0 64 4，0 0 0 24 0。故企业安全 工作评价指标重要度大小 的排列 为：C l 9，C l 7，C 3，C l 6，C l 3，C 7，C l 8，C 9，C l o，C l 4，C 2，C 5，C6，CI l，Cl 5，Cl，Cl 2，C4，Cs o 1 9 2)求 各 指 标 综 合 权 重 值 之 和，即C=C ：1。3)取重要性常数 0=0 8 5，求最小 的 m，使得 c C0 8 5，由此得m：9。故企业安全工作评价的重要性指标 为：c C C 3，C 6，C I 3 C ，C C ，C 1 0 o 这 个结 果与企业实 际安全工作的重点相吻合。3 2 3 神经网络模型的建立及其训练与评价 考虑到小波神经网络的优越性以及含一个隐含 层(只要允许 隐层单元足够多)就可 以实现对任意 连续函数的逼近，笔者选用了3层小波神经网络模 型进行评价。依据企业安全工作重要性指标筛选 的 结果，模型的输人节点数为 9，隐含层节点数通过逐 步增长的方法最终确定为 5，输出的节点数为 1，输 出的分值为企业安全工作的评价结果。为 了使 网络获得知识，需要足够的样本来进行 训练，笔者选取了多位专家对 1 2家不同企业的安全 工作的评价数据及评价结果作为样本。其中，样本 1至 1 0为学 习样本，样本 1 1至 1 2为检验样本，将 样本 1至 1 0的 c I 9，c I 7，G，c C ，。，C l o 的值分别输入模型训练，当学习因子 r=0 3，预设 误差为 0 0 0 1，模型迭代次数 2 1 3 8次后，达到 了要 求。然后又建立了拓扑结构为 1 9 5 1的小波神 经网络模 型，采用 同样的样本、学习因子和误差水平 进行训练，迭代 5 2 7 1次后 达到预期结果，这说 明该 模型比基于 A H P和重要性指标筛选的神经网络模 型计算复杂，耗费的时间也相对较长。将训练好的两种小波神经网络模型对样本 1 1 维普资讯 http:/ 第4期 周荣义等：基于 A H P与重要性指标筛选的神经网络评价模型与应用 4 7 和 1 2分别进行 了评价，结果如表 2所示。的神经网络模型的计 算结 果相对来说，其计算精度 从表 2可以看出，基于 A H P和重要性指标筛选 更高一些，误差更小一些。表 2 检验阶段两种模型评价结果及比较 评价 专家评 基于 A H P和重要性指标筛选的小波神经网络模型 小波神经网络模型 对象 价结果 评 价结 果 相 对误 差()评价结果 相 对误 差()厂 l l 7 0 7 0 6 5 2 0 9 3 7l _ 2 5 3 1 8 厂 l 2 8 3 8 2 3 8 7 0 7 4 8 4 3 6 8 1 6 4 结 论 1)运用神经网络对复杂系统进行评价时，如运 用层次分析法和重要性指标筛选法对评价指标进行 适 当的前端过滤处理，不仅会使神经网络模 型变得 简单，而且可以提高评价 的精度和减少模 型计算 的 时间。2)事例证明，用基于层次分析法和重要性指标 筛选的神经网络模型评价企业 的安全工作是合理可 行的，是符合实际的。同时，也应看到，不是任何系统用神经网络模型 进行评价时都需要用层次分析法和重要性指标筛选 法作前端处理，如对评价指标体 系较简单 的系统或 各评价指标几乎具有同等重要的系统运用此法反而 可能会弄巧成拙。此外，关 于重要性指标筛选法 中的重要性常数 到底取 0 7以上的何值，还必须依据系统评价指标 的具体情况以及评价者 的经验而定。参 考 文 献 李晓峰基于 A HP的人工神经网络模型的建立I-J 1 四川大学学报(工程科学版)，2 0 0 3，3 5(1)：1 0 1 1 0 3 侯定丕，王战军非线性评估的理论探索与应用 M 合肥：中国科学技术大学出版社，2 0 0 1 廖巍，周荣义，李树清 基于小波神经网络的煤层底板突水非线性预测方法研究I-J 1 中国安全科学学报，2 0 0 6，1 6 (1 2)：2 4-2 8 许福永，申健，李剑英 基于 A H P和 A N N的网络安全综合评价方法研究I-J 1 计算机工程与应用，2 0 0 5(2 9)：1 271 29 白绍鸣 层次分析法(A H P)在安全经济分析中的应用I-J 1 中国安全科学学报，1 9 9 7，7(5)：5 7 6 1 周长春，陈勇刚 基于人工神经网络的城市火灾事故的预测方法I-J 1 中国安全科学学报，2 0 0 5，1 5(5)：2 1 2 3 王志军，郭忠平，李勇 基于神经网络的安全评价指标重要度判定方法及应用I-J 1 中国安全科学学报，2 0 0 5，1 5 (1 2)：2 1 2 4 薛鹏骞，吴立锋，李海军 基于小波神经网络的瓦斯涌出量预测研究I-J 1 中国安全科学学报，2 0 0 6，1 6(2)：2 2 2 5 周荣义，李树清，牛会永小波神经网络在矿井安全管理评价中的应用I-J 1 煤炭科学技术，2 0 0 6，3 4(5)：6 7 7 0 白咏玲层次分析法在企业安全工作评价中的应用I-J 1 安全，1 9 9 6，1 7(6)：4 8 门幻 阳 m 维普资讯 http:/