楊同標(biāo) 林王兵＊ 成艷 王衛(wèi)

（南京理工大學(xué)泰州科技學(xué)院，江蘇泰州 225300）

高校實驗室是學(xué)生實踐訓(xùn)練的主戰(zhàn)場，是教師科研創(chuàng)新的重要基地，也是為社會培養(yǎng)實踐能力強(qiáng)、具備創(chuàng)新能力的高素質(zhì)技能人才的重要平臺。伴隨著高校對教學(xué)、科研實驗室的投入力度不斷加大，實驗室安全事故屢見不鮮，也引起高校和社會的廣泛關(guān)注。

由于實驗室安全的風(fēng)險的類型和成因復(fù)雜，存在的安全隱患多種多樣[1-3]。在實驗室安全管理研究上，專家和學(xué)者主要研究成果有：高惠玲、董鵬等提出構(gòu)建一種基于危險源辨識分類實驗室、基于風(fēng)險評價劃分實驗室級別、依據(jù)管理措施及成效開展達(dá)標(biāo)驗收的“三位一體”的新型管理模式[4]。潘越等，設(shè)計出高校實驗室?；钒踩A(yù)警評價體系[5]。張煜炯，提出基于DHGF 算法的高職院校實驗室安全管理評價[6]。目前，國內(nèi)對實驗室安全預(yù)警主要針對風(fēng)險評價進(jìn)行研究，而對安全預(yù)警研究較少。本文將在汲取信息融合在其他安全領(lǐng)域預(yù)警研究的基礎(chǔ)上，將其應(yīng)用在高校實驗室安全預(yù)警機(jī)制構(gòu)建上，結(jié)合了D-S證據(jù)理論與信息熵理論，以求對其高校實驗室安全管理做出更為客觀和準(zhǔn)確的科學(xué)評價。

1 基礎(chǔ)理論

1.1 扎根理論

Glaser 和Strauss 首創(chuàng)并發(fā)展的扎根理論是一種質(zhì)化研究方法,其基本宗旨是從經(jīng)驗資料的基礎(chǔ)上建立理論，從最初作為方法工具應(yīng)用在社會學(xué)研究，逐漸被引入管理學(xué)研究領(lǐng)域[7]。

高校實驗室安全信息數(shù)據(jù)來源多樣，應(yīng)用扎根理論，通過問卷調(diào)查、深入訪談、案例分析等方法獲得第一手資料，進(jìn)一步歸納提升至高一級的范疇[8]。

1.2 K-means 聚類算法

K-means 聚類算法是由Steinhuas 等人分別在不同的科學(xué)研究領(lǐng)域獨立提出來的一種聚類算法[9]。它的核心思想是用兩個數(shù)據(jù)元之間的距離來確定是否是一個簇，這個數(shù)據(jù)元與質(zhì)心距離越小，相異度就越小，這兩個數(shù)據(jù)元就屬于一個簇[10]。

算法的具體過程：

（2）對樣本中的點xi，計算其與簇心cj的歐氏距離并獲取其類別標(biāo)號：

（4）重復(fù)步驟2 和步驟3，迭代n 次取到最優(yōu)解。

1.3 信息熵理論

不同指標(biāo)在評價體系中所占權(quán)重顯然是不同的,Shannon 引入了信息熵的概念，解決了對信息的量化度量的問題，且在信息預(yù)測中得到了廣泛的應(yīng)用[11]。

算法的具體過程：

（1）設(shè)原始評價矩陣En，m其中指標(biāo)個數(shù)為m，對象個數(shù)為n，先對En，m進(jìn)行規(guī)范化處理，得到規(guī)范化矩陣Rn，m，步驟如下：

1.4 多信息融合：D-S 證據(jù)理論

D-S 證據(jù)理論是基于辨識框架的一種決策理論，辨識框架Ω 定義了一個互不相容事件的完備集合。貝葉斯推理是對Ω中的元素進(jìn)行運算, 而D-S 證據(jù)理論則是對2Ω中的元素進(jìn)行運算[12]。該理論給出上、下概率的概念及合成規(guī)則和不滿足可加性的概率。G Shafer 在此基礎(chǔ)引入信任函數(shù)概念，形成了一套基于“證據(jù)”和“組合”來處理不確定性推理問題的數(shù)學(xué)方法[13]。

算法的具體過程：

（1）基本概率分配函數(shù)M：

Bel 函數(shù)也稱為下限函數(shù)，表示對A 的全部信任。由概率分配函數(shù)的定義容易得到

A 的不確定性由下式表示

2 基于多信息融合的高校實驗室安全預(yù)警模型的建立

2.1 高校實驗室安全預(yù)警指標(biāo)的確立

安全預(yù)警模型的確立離不開監(jiān)測指標(biāo)的確立，本文從安全監(jiān)管視角，運用扎根理論的方法，采用訪談、問卷等形式向高校實驗室管理人員等20 多人進(jìn)行了咨詢，對高校實驗室安全影響因素進(jìn)行了識別。共設(shè)置4 個主范疇作為預(yù)警一級指標(biāo)、并從44 個相關(guān)概念中提取16 個范疇作為預(yù)警二級指標(biāo)，預(yù)警指標(biāo)體系如圖1 所示，其中A1、A3、A4 為正向指標(biāo)，數(shù)值越大越安全，評分方法參考文獻(xiàn)[5],A2 為負(fù)向指標(biāo)，數(shù)值越大越危險。

圖1 高校實驗室安全預(yù)警指標(biāo)體系

2.2 多信息融合預(yù)警模型的建立步驟

信息融合技術(shù)又被稱之為數(shù)據(jù)融合，其目的是通過多源信息的高效融合避免單指標(biāo)評判的誤差性[14]。影響高校實驗室安全的因素種類繁多，如何將多信息進(jìn)行有效的融合是安全預(yù)警是否科學(xué)的關(guān)鍵。

本文通過對某高校的調(diào)研，選擇S1、S2、S3、S4、S5 五個實驗室作為分析樣本，通過以下步驟完成對多信息融合預(yù)警模型的建立，流程圖如圖2 所示。

圖2 高校實驗室多信息融合預(yù)警模型建立流程

（1）通過2.1 預(yù)警指標(biāo)體系的建立，可對每個實驗室的具體情況進(jìn)行打分。A2 指標(biāo)選取K-means 算法，對一段時間內(nèi)的實驗室流量數(shù)據(jù)進(jìn)行聚類計算，得到簇中心數(shù)據(jù)后在對各中心點進(jìn)行加權(quán)平均，以此作為該實驗室的人流量數(shù)據(jù)。A1、A3、A4 指標(biāo)則可以通過專家打分獲得相應(yīng)分?jǐn)?shù)。

（2）不同指標(biāo)權(quán)重不同，本文利用已有數(shù)據(jù)將安全等級分為四級分別是無警、輕警、中警和重警，將各個指標(biāo)的閾值對應(yīng)安全級別進(jìn)行劃分，再利用信息熵計算各指標(biāo)權(quán)重。

（3）根據(jù)D-S 理論設(shè)置不同焦元對應(yīng)不同指標(biāo)，通過D-S計算規(guī)則得到多個實驗室數(shù)據(jù)融合后的基本概率分配函數(shù)，選取主焦元作為預(yù)測結(jié)果。

3 基于多信息融合的高校實驗室安全預(yù)警模型的應(yīng)用

3.1 預(yù)警指標(biāo)的確定

本文通過對某高校的調(diào)研，選擇S1、S2、S3、S4、S5 五個實驗室作為分析樣本，其中A2 指標(biāo)的分值獲取過程如下：

（1）以實驗室S1 為例，選取其16 天的人流量數(shù)據(jù)進(jìn)行聚類分析。

（2）結(jié)合2.2 中K-means 算法對S1 數(shù)據(jù)進(jìn)行聚類處理，其中橫坐標(biāo)為時間（1-8 節(jié)課），縱坐標(biāo)為人數(shù)（流量），k 值取4，聚類結(jié)果如圖3 所示。

圖3 K-means 聚類后數(shù)據(jù)

（3）聚類后得到四個簇中心，坐標(biāo)如表1 所示，其余實驗室同理。

表1 人流量數(shù)據(jù)簇心坐標(biāo)表

實驗室S1 的設(shè)計人流量70，對四個簇心點加權(quán)平均，得到實驗室1 對于人流量指標(biāo)的分?jǐn)?shù)0.60，其他實驗室同理，A2 指標(biāo)的打分情況如表2 所示。

表2 各實驗室人流量指標(biāo)得分表

結(jié)合3.1 中對A1、A3、A4 指標(biāo)的打分情況，可以得到實驗室S1-S5 的預(yù)警指標(biāo)得分情況，結(jié)果如表3 所示。

表3 實驗室S1-S5 預(yù)警指標(biāo)數(shù)據(jù)

3.2 分配指標(biāo)權(quán)重

（1）預(yù)警指標(biāo)閾值的確定：

根據(jù)已有的實驗室安全評級制度，結(jié)合表3 中的實際預(yù)警指標(biāo)數(shù)據(jù)對閾值進(jìn)行劃分，將樣本實驗室安全等級分為四級，結(jié)果如表4 所示。

表4 實驗室安全指標(biāo)預(yù)警等級表

（2）原始預(yù)警數(shù)據(jù)的規(guī)范化：

設(shè)原始評價矩陣En,m 其中指標(biāo)個數(shù)為m，對象個數(shù)為n，先對En,m 進(jìn)行規(guī)范化處理，規(guī)范化后矩陣如表5 所示。

表5 預(yù)警數(shù)據(jù)規(guī)范化矩陣

（3）權(quán)重計算

對表5 中的數(shù)據(jù)利用信息熵算法求各指標(biāo)在綜合體系中所占的權(quán)重。公式（4）計算指標(biāo)j 熵值Hj，由式（5）計算熵權(quán)（即權(quán)重ωj），結(jié)果如表6 所示。

表6 高校實驗室安全預(yù)警指標(biāo)權(quán)重

3.3信息融合后的基本概率函數(shù)

在本案例中，針對不同的指標(biāo)選取三個元素A、B、C，用M（A）、M（B）、M（C）、M（AB）分別對應(yīng)無、輕、警、警四個等級的基本概率分配函數(shù)，由表3 的指標(biāo)數(shù)據(jù)和表4 的警限閾值，得出每個實驗室不同的預(yù)警指標(biāo)所對應(yīng)的基本概率分配函數(shù)焦元[15]，如表7 所示。

表7 樣本實驗室預(yù)警指標(biāo)對應(yīng)的焦元

根據(jù)表6 給出的權(quán)重，加權(quán)合成基本概率分配函數(shù)，結(jié)果如表8 所示。

表8 基本概率分配函數(shù)

根據(jù)公式（8）合成5 個基本概率分配函數(shù)，結(jié)果如表9 所示。

表9 實驗室融合結(jié)果

3.4 預(yù)警判定

根據(jù)表9，我們可以選取四個證據(jù)中的主焦元作為分析依據(jù)。根據(jù)前文敘述的焦元與預(yù)警等級的映射關(guān)系，對五個樣本實驗室的預(yù)警判定結(jié)果如表10 所示。

表10 高校實驗室安全預(yù)警結(jié)果

3.5 融合結(jié)果分析

通過表10 可以得出結(jié)論：實驗室S1-S2 為無警狀態(tài)，實驗室S3、S5 為輕警狀態(tài)，實驗室S4 的預(yù)警等級為重警狀態(tài)。結(jié)合表2 的打分?jǐn)?shù)據(jù)，可確定出實驗室S4 的4 項指標(biāo)的預(yù)警等級分別為重警、輕警、中警、重警，該結(jié)果與表10 給出的實驗室S4 安全等級為重警的結(jié)論完全吻合。說明基于D-S 證據(jù)理論的多信息融合模型在高校實驗室安全預(yù)警方面具有很好的可行性與適用性。

4 結(jié)論

4.1 本文依托多信息融合技術(shù)，以扎根理論構(gòu)建高校實驗室安全預(yù)警指標(biāo)體系，運用D-S 證據(jù)理論與信息熵理論實現(xiàn)了不同信息源、不同量綱信息的有機(jī)融合，建立預(yù)警融合模型輸出預(yù)警結(jié)果，避免了單一指標(biāo)預(yù)警的片面性[15]。

4.2 通過對樣本實驗室的四項預(yù)警指標(biāo)數(shù)據(jù)進(jìn)行打分，通過k-means 算法對人流量數(shù)據(jù)進(jìn)行聚類，克服了實驗人數(shù)不固定的缺點，又通過信息熵確定了各指標(biāo)在預(yù)警系統(tǒng)中的權(quán)重。最后結(jié)合D-S 證據(jù)理論將各項證據(jù)融合，給出預(yù)警評價。實證表明，預(yù)警判定結(jié)果客觀的反映了各實驗室的風(fēng)險類別，與真實情況吻合，對高校實驗室安全預(yù)警管理有一定的指導(dǎo)意義。

4.3 本文也存在不盡完善之處。雖然D-S 證據(jù)理論多用于信息融合領(lǐng)域，但其受限于證據(jù)的獨立性，在很多情況下此條件不易成立；另外D-S 的合成算法，其合理性和有效性還存在一定的爭議。