基于云模型的安全风险评价Matlab代码和数据

效果一览

基本介绍

基于云模型的施工安全风险评价Matlab代码和数据，运行环境matlab2020b及以上。两个MATLAB主程序代码文件主要实现了基于云模型的风险评估分析，结合专家打分数据，通过多级指标综合计算，最终生成风险等级的可视化云图。

主要功能

标准云模型构建
定义5个风险等级（稍有风险、一般风险、中度风险、较高风险、高度风险），通过期望（Ex）、熵（En）、超熵（He）生成标准云模型，并绘制云图，用于后续对比。

专家数据处理与二级指标建模
读取专家打分数据（20个二级指标，每个指标10个评分），利用cloud_SBCT_1thM函数为每个指标生成云模型参数（Ex, En, He），并保存结果。

多级指标综合

一级指标综合：将二级指标按权重（如人员风险、材料风险等类别）通过zonghe函数综合生成一级指标的云参数。

整体综合云：将一级指标按全局权重进一步综合，得到整体风险的综合云参数（EX, EN, HE）。

可视化对比
将各风险类别（人员、材料等）及整体综合云的云图与标准云模型叠加，直观展示风险隶属度分布。

算法原理

云模型
基于期望（Ex）、熵（En）、超熵（He）三个参数描述定性概念：

Ex：云滴分布的中心值，表示概念的核心。

En：反映概念的模糊范围，值越大覆盖范围越广。

He：控制云滴的离散程度，值越大云层越厚。
生成云滴时，通过正态分布随机生成（如En’ = normrnd(En, He)，再根据X = normrnd(Ex, En’)生成数据）。

权重综合方法

一级指标综合：使用加权平均法对二级指标的云参数进行聚合。

整体综合：通过权重向量对一级指标参数进行线性组合（期望加权求和，熵和超熵通过误差传递公式计算）。

流程

标准云模型生成

定义5个等级的参数（Ex, En, He）。

调用cloud函数生成各等级的云滴数据，绘制标准云图。

专家数据处理

读取专家打分矩阵，逐行调用cloud_SBCT_1thM生成二级指标的云参数。

保存参数至Excel文件。

多级指标综合

按风险类别划分二级指标权重，综合生成一级指标参数（如人员风险R1）。

使用全局权重对一级指标参数进一步综合，得到整体风险的综合云参数。

可视化对比

分别绘制各风险类别及综合云的云图，叠加到标准云图上，标注风险等级。

关键函数

cloud(Ex, En, He, N)：生成N个云滴（X,Y），用于绘制云图。

cloud_SBCT_1thM(data, N)：根据专家数据生成云模型参数。

zonghe(data, w)：按权重w综合多个云模型的参数。

应用场景

适用于施工安全、项目管理等领域中的风险评估，通过量化专家经验与不确定性分析，直观展示风险等级分布，辅助决策者制定风险应对策略。

计算公式

数据集

部分源码

%% 标准云参数 云模型
clc
clear 
close all
%% 等级1-稍有风险
Ex1=(0+20)/2;% 期望
En1=(20-0)/6;% 熵
He1=0.03;     % 超熵，控制标准隶属云的离散程度
%% 等级2-一般风险
Ex2=(20+40)/2;% 期望
En2=(40-20)/6;% 熵
He2=0.03;     % 超熵，控制标准隶属云的离散程度
%% 等级3-中度风险
Ex3=(40+60)/2;% 期望
En3=(60-40)/6;% 熵
He3=0.03;     % 超熵，控制标准隶属云的离散程度
%% 等级4-较高风险
Ex4=(60+80)/2;% 期望
En4=(80-60)/6;% 熵
He4=0.03;     % 超熵，控制标准隶属云的离散程度
%% 等级5-高度风险
Ex5=(80+100)/2;% 期望
En5=(100-80)/6;% 熵
He5=0.03;     % 超熵，控制标准隶属云的离散程度
% 等级1 云模型
N=4500;%% 云滴数
[X1,Y1]=cloud(Ex1,En1,He1,N);
% 等级2 云模型
[X2,Y2]=cloud(Ex2,En2,He2,N);
% 等级3 云模型
[X3,Y3]=cloud(Ex3,En3,He3,N);
% 等级4 云模型
[X4,Y4]=cloud(Ex4,En4,He4,N);
% 等级5 云模型
[X5,Y5]=cloud(Ex5,En5,He5,N);
rtcContent { padding: 30px; } .lineNode {font-size: 10pt; font-family: Menlo, Monaco, Consolas, "Courier New", monospace; font-style: normal; font-weight: normal; }
function [X,Y]=cloud(Ex,En,He,N)
% %cloud正向云发生器
% 输入参数：Ex 期望；En 熵；He超熵;N 生成云滴的个数
% 输出：X,Y为云滴对应的坐标值
% 首先生成以En为数学期望，He2为方差的正态随机数
X=zeros(1,N);
Y=zeros(1,N);
X=normrnd(En,He,1,N);
%生成以Ex为期望，X（i）为方差的正态随机数
for k=1:N
    E1=X(k);
    X(k)=normrnd(Ex,E1,1);
    Y(k)=exp(-(X(k)-Ex)^2/(2*(E1^2)));
end

参考资料

https://hmlhml.blog.csdn.net/article/details/145554366
https://hmlhml.blog.csdn.net/article/details/144132533
https://hmlhml.blog.csdn.net/article/details/142660665