简介:电子行业存在普遍的职业健康危害且极易被忽视,采用EPA吸入风险评估模型和职业病危害作业分级法,对电子行业的某电子零部件生产企业进行健康风险评价。结果表明:有毒有害化学物中一个H2SO4检测点、粉尘中8个矽尘检测点和部分噪声检测点超出了我国职业接触限值外,其他各现场采样检测值均不超过我国规定的职业接触限值;EPA法评估结果显示,从业人员接触的H2SO4、H3PO4、C3H8O、HCl、V及其化合物等有毒有害化学物和粉尘存在较大的职业健康风险;而职业病危害作业分级法评估结果显示,从业人员除接触到的H2SO4的职业健康风险水平为I级轻度作业危害外,其余有毒有害化学因素的职业健康风险水平为无害作业水平,同时接触到的粉尘和噪声则达到Ⅲ级高度危害作业水平,存在较高的职业健康风险。EPA法的评估结果普遍比职业病危害作业分级方法的评估结果高;且EPA法适用于电子行业职业危害因素中有毒有害化学物和粉尘的职业健康风险评估,而职业病危害作业分级方法的适用范围比EPA法还多一项物理因素的职业健康风险评估。针对该电子零部件制造企业建议从加强工艺设备的密闭性、提升系统的通风性、改善个人健康管理措施三方面进行防毒、防尘、防噪风险管理。
简介:摘要交通流预测是交通控制与管理,交通状况改善的重要参考指标。本文建立灰色模型和BP神经网络相结合的组合模型,利用灰色模型对实际监测到的数据进行拟合、预测,得到预测值和预测残差,将预测残差输入到神经网络模型进行残差的学习、仿真和预测,残差预测值和灰色模型预测值的和值作为最终预测结果。结果表明,用灰色模型对神经网络模型预测进行优化,其预测结果比单一的神经网络建模预测具有更高的准确性和实用性,提高了预测的精度。
简介:短文本情感分类是一种面向主观信息分类的文本分类任务,具有重要的研究价值和广泛的应用前景,如旅游景区口碑评价、舆情跟踪、产品声誉分析等。为了提高短文本情感分类准确率,文章提出了一种基于Stacking融合深度学习模型和传统机器学习模型的短文本情感分类方法。该方法从短文本数据集分别提取TFIDF和Word2Vec特征,并作为传统机器学习模型和深度学习模型的输入,再基于Stacking技术将多个基分类器(包括Logistic,PassiveAggressive,Ridge,SVC,SVR等传统机器学习模型和深度学习文本分类模型TextRCNN)的分类结果进行融合处理,得到短文本情感分类的最终结果。该方法采用LightGBM作为Stacking最后一层的分类器,基于旅游景区网络评论数据集进行了验证。实验结果表明,该方法能够获得比最好基分类方法更好的分类效果,而且对积极、中性和消极三类情感文本的平均分类准确率达到了71.02%。