基于自然语言处理的事故隐患信息挖掘算法研究
发布时间：2021-01-12 04:49
当今社会,矿山安全问题是国家关注的重点问题,防止安全生产过程中各种事故的发生是安全生产最重要的任务。本文利用国家安全部门网站发布的权威事故信息,利用现代科学手段,充分挖掘事故隐患信息,找出事故发生的关键隐患,以实现对安全事故的预防,减少事故的发生。本文来源于国家安全监管总局“基于深度学习的大数据煤矿安全事故预警与应急管理平台的研究”项目,主要进行了基于自然语言处理的事故隐患信息挖掘算法研究。本文的研究工作如下:（1）首先介绍了本文的研究背景和意义,分析了国内外在自语言处理领域信息处理、相似度计算方面的研究现状以及煤矿事故预警的研究现状,阐述了论文的研究内容和组织结构;其次介绍了论文用到的相关技术,包括数据预处理、神经网络模型和信息检索等,为事故隐患分类算法和信息查询算法奠定了理论基础。（2）针对长短期记忆网络模型词语分配相同权重的问题,在长短期记忆网络模型后加入了一层注意力机制,为事故隐患信息分配不同的权重,提出了基于注意力机制的长短期记忆网络事故隐患分类模型算法。首先爬取了官方网站的事故隐患信息,对信息进行了数据预处理,根据事故隐患等级分类将数据分成了不同的语料库;其次将数据输入到改...
【文章来源】：青岛理工大学山东省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
基于不同的词向量训练方法事故隐患分类结果图
青岛理工大学工程硕士学位论文39表3.7基于不同事故隐患分类模型的分类结果模型准确率召回率F1测度汉明损失W2V-SVM0.82350.82260.82300.1765W2V-LSTM0.86510.86390.86450.1349W2V-ATT-CNN0.87340.87170.87250.1266W2V-ATT-LSTM0.88430.88240.88330.1157图3.6基于不同事故隐患分类模型的分类结果对表3.6和图3.6和图3.7实验结果进行分析，将W2V-SVM模型和W2V-LSTM模型进行分类结果对比发现（如图3.7（a）），长短期记忆网络模型是深度学习模型，充分考虑了事故隐患信息的上下文关系，所以准确率相比于W2V-SVM模型提高了0.0416，W2V-LSTM模型效果更好；将W2V-LSTM模型和W2V-ATT-LSTM模型进行分类结果对比发现（如图3.7（b）），加入注意力机制赋予了隐患信息相应的权重，所以准确率相比于W2V-LSTM模型提高了0.0192，W2V-ATT-LSTM模型效果更好；将W2V-ATT-CNN模型和W2V-ATT-LSTM模图3.7（c）W2V-ATT-CNN模型和W2V-ATT-LSTM模型实验对比图图3.7（a）W2V-SVM模型和W2V-LSTM模型实验对比图图3.7（b）W2V-LSTM模型和W2V-ATT-LSTM模型实验对比图
青岛理工大学工程硕士学位论文39表3.7基于不同事故隐患分类模型的分类结果模型准确率召回率F1测度汉明损失W2V-SVM0.82350.82260.82300.1765W2V-LSTM0.86510.86390.86450.1349W2V-ATT-CNN0.87340.87170.87250.1266W2V-ATT-LSTM0.88430.88240.88330.1157图3.6基于不同事故隐患分类模型的分类结果对表3.6和图3.6和图3.7实验结果进行分析，将W2V-SVM模型和W2V-LSTM模型进行分类结果对比发现（如图3.7（a）），长短期记忆网络模型是深度学习模型，充分考虑了事故隐患信息的上下文关系，所以准确率相比于W2V-SVM模型提高了0.0416，W2V-LSTM模型效果更好；将W2V-LSTM模型和W2V-ATT-LSTM模型进行分类结果对比发现（如图3.7（b）），加入注意力机制赋予了隐患信息相应的权重，所以准确率相比于W2V-LSTM模型提高了0.0192，W2V-ATT-LSTM模型效果更好；将W2V-ATT-CNN模型和W2V-ATT-LSTM模图3.7（c）W2V-ATT-CNN模型和W2V-ATT-LSTM模型实验对比图图3.7（a）W2V-SVM模型和W2V-LSTM模型实验对比图图3.7（b）W2V-LSTM模型和W2V-ATT-LSTM模型实验对比图
【参考文献】：
期刊论文
[1]美国煤矿安全风险管控和隐患排查治理[J]. 孙洪灵. 劳动保护. 2019(07)
[2]一种基于本体与关联规则的煤矿安全监控预警模型[J]. 王向前,朱佳,孟祥瑞,何叶荣. 矿业安全与环保. 2019(03)
[3]基于全路径相似度的大规模层次分类算法[J]. 朱建林,陈忠阳,张永俊,孙存一. 计算机工程与设计. 2019(05)
[4]A Text Sentiment Classification Modeling Method Based on Coordinated CNN-LSTM-Attention Model[J]. ZHANG Yangsen,ZHENG Jia,JIANG Yuru,HUANG Gaijuan,CHEN Ruoyu. Chinese Journal of Electronics. 2019(01)
[5]主题网络爬虫关键技术的应用探讨[J]. 杨凌云. 电脑编程技巧与维护. 2018(11)
[6]2017年我国煤矿死亡事故统计分析[J]. 张盈盈,郭巍,潘志栋. 内蒙古煤炭经济. 2018(20)
[7]煤矿安全监控系统瓦斯预警结果分析方法[J]. 蔡崇. 工矿自动化. 2018(10)
[8]基于循环神经网络和注意力模型的文本情感分析[J]. 胡荣磊,芮璐,齐筱,张昕然. 计算机应用研究. 2019(11)
[9]国外煤矿安全技术规程研究与借鉴[J]. 刘毅. 煤炭科学技术. 2018(S1)
[10]自然语言数据驱动的智能化软件安全评估方法[J]. 张一帆,汤恩义,苏琰梓,杨开懋,匡宏宇,陈鑫. 软件学报. 2018(08)
博士论文
[1]煤矿安全隐患层次分析与预警方法研究[D]. 王龙康.中国矿业大学(北京) 2015
硕士论文
[1]基于自然语言处理的法务服务系统的设计与实现[D]. 徐浩广.中国科学院大学(中国科学院沈阳计算技术研究所) 2018
[2]基于LSTM神经网络的电商需求预测的研究[D]. 王渊明.山东大学 2018
[3]基于自然语言处理的智能识别和智能控制应用[D]. 张静.南京邮电大学 2017
[4]基于多元特征融合和LSTM神经网络的中文评论情感分析[D]. 李科.太原理工大学 2017
[5]基于自然语言理解的安全事故信息处理系统的设计与实现[D]. 张振宇.华北电力大学(北京) 2017
本文编号：2972183
【文章来源】：青岛理工大学山东省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
基于不同的词向量训练方法事故隐患分类结果图
青岛理工大学工程硕士学位论文39表3.7基于不同事故隐患分类模型的分类结果模型准确率召回率F1测度汉明损失W2V-SVM0.82350.82260.82300.1765W2V-LSTM0.86510.86390.86450.1349W2V-ATT-CNN0.87340.87170.87250.1266W2V-ATT-LSTM0.88430.88240.88330.1157图3.6基于不同事故隐患分类模型的分类结果对表3.6和图3.6和图3.7实验结果进行分析，将W2V-SVM模型和W2V-LSTM模型进行分类结果对比发现（如图3.7（a）），长短期记忆网络模型是深度学习模型，充分考虑了事故隐患信息的上下文关系，所以准确率相比于W2V-SVM模型提高了0.0416，W2V-LSTM模型效果更好；将W2V-LSTM模型和W2V-ATT-LSTM模型进行分类结果对比发现（如图3.7（b）），加入注意力机制赋予了隐患信息相应的权重，所以准确率相比于W2V-LSTM模型提高了0.0192，W2V-ATT-LSTM模型效果更好；将W2V-ATT-CNN模型和W2V-ATT-LSTM模图3.7（c）W2V-ATT-CNN模型和W2V-ATT-LSTM模型实验对比图图3.7（a）W2V-SVM模型和W2V-LSTM模型实验对比图图3.7（b）W2V-LSTM模型和W2V-ATT-LSTM模型实验对比图
青岛理工大学工程硕士学位论文39表3.7基于不同事故隐患分类模型的分类结果模型准确率召回率F1测度汉明损失W2V-SVM0.82350.82260.82300.1765W2V-LSTM0.86510.86390.86450.1349W2V-ATT-CNN0.87340.87170.87250.1266W2V-ATT-LSTM0.88430.88240.88330.1157图3.6基于不同事故隐患分类模型的分类结果对表3.6和图3.6和图3.7实验结果进行分析，将W2V-SVM模型和W2V-LSTM模型进行分类结果对比发现（如图3.7（a）），长短期记忆网络模型是深度学习模型，充分考虑了事故隐患信息的上下文关系，所以准确率相比于W2V-SVM模型提高了0.0416，W2V-LSTM模型效果更好；将W2V-LSTM模型和W2V-ATT-LSTM模型进行分类结果对比发现（如图3.7（b）），加入注意力机制赋予了隐患信息相应的权重，所以准确率相比于W2V-LSTM模型提高了0.0192，W2V-ATT-LSTM模型效果更好；将W2V-ATT-CNN模型和W2V-ATT-LSTM模图3.7（c）W2V-ATT-CNN模型和W2V-ATT-LSTM模型实验对比图图3.7（a）W2V-SVM模型和W2V-LSTM模型实验对比图图3.7（b）W2V-LSTM模型和W2V-ATT-LSTM模型实验对比图
【参考文献】：
期刊论文
[1]美国煤矿安全风险管控和隐患排查治理[J]. 孙洪灵. 劳动保护. 2019(07)
[2]一种基于本体与关联规则的煤矿安全监控预警模型[J]. 王向前,朱佳,孟祥瑞,何叶荣. 矿业安全与环保. 2019(03)
[3]基于全路径相似度的大规模层次分类算法[J]. 朱建林,陈忠阳,张永俊,孙存一. 计算机工程与设计. 2019(05)
[4]A Text Sentiment Classification Modeling Method Based on Coordinated CNN-LSTM-Attention Model[J]. ZHANG Yangsen,ZHENG Jia,JIANG Yuru,HUANG Gaijuan,CHEN Ruoyu. Chinese Journal of Electronics. 2019(01)
[5]主题网络爬虫关键技术的应用探讨[J]. 杨凌云. 电脑编程技巧与维护. 2018(11)
[6]2017年我国煤矿死亡事故统计分析[J]. 张盈盈,郭巍,潘志栋. 内蒙古煤炭经济. 2018(20)
[7]煤矿安全监控系统瓦斯预警结果分析方法[J]. 蔡崇. 工矿自动化. 2018(10)
[8]基于循环神经网络和注意力模型的文本情感分析[J]. 胡荣磊,芮璐,齐筱,张昕然. 计算机应用研究. 2019(11)
[9]国外煤矿安全技术规程研究与借鉴[J]. 刘毅. 煤炭科学技术. 2018(S1)
[10]自然语言数据驱动的智能化软件安全评估方法[J]. 张一帆,汤恩义,苏琰梓,杨开懋,匡宏宇,陈鑫. 软件学报. 2018(08)
博士论文
[1]煤矿安全隐患层次分析与预警方法研究[D]. 王龙康.中国矿业大学(北京) 2015
硕士论文
[1]基于自然语言处理的法务服务系统的设计与实现[D]. 徐浩广.中国科学院大学(中国科学院沈阳计算技术研究所) 2018
[2]基于LSTM神经网络的电商需求预测的研究[D]. 王渊明.山东大学 2018
[3]基于自然语言处理的智能识别和智能控制应用[D]. 张静.南京邮电大学 2017
[4]基于多元特征融合和LSTM神经网络的中文评论情感分析[D]. 李科.太原理工大学 2017
[5]基于自然语言理解的安全事故信息处理系统的设计与实现[D]. 张振宇.华北电力大学(北京) 2017
本文编号：2972183
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2972183.html
