是的，DLGM！一种用于危险分类的新型层次模型
计算与语言
2022-09-13 v1
摘要
危险可通过 HAZOP 以文本信息形式暴露，研究其分类对工业信息学的发展具有重要意义，有利于安全预警、决策支持、政策评估等。然而，目前该重要领域尚无相关研究。本文中，我们提出一种称为 DLGM 的基于深度学习的新型模型用于危险分类。具体而言，首先，我们利用 BERT 将危险向量化，并将其视为一种时间序列（HTS）。其次，我们构建灰色模型 FSGM(1, 1) 对其建模，并在结构参数意义上获得灰色引导。最后，我们设计一种层次特征融合神经网络（HFFNN），从三个主题对带有灰色引导的危险时间序列（HTSGG）进行研究，其中 HFFNN 是一种具有四类模块的层次结构：两个特征编码器、一个门控机制和一个深化机制。我们以 18 个工业过程为应用案例并开展一系列实验。实验结果证明 DLGM 在危险分类方面具有良好潜力，且 FSGM(1, 1) 与 HFFNN 均有效。我们希望本研究能为工业安全的日常实践贡献附加价值与支持。
引用
@article{arxiv.2209.04576,
title = {Yes, DLGM! A novel hierarchical model for hazard classification},
author = {Zhenhua Wang and Ming Ren and Dong Gao and Bin Wang},
journal= {arXiv preprint arXiv:2209.04576},
year = {2022}
}
备注
information science