煤矿安全风险预警是煤炭开采过程中实现安全保障的关键一环，在记录矿井下安全隐患数据时，采集相关的数据容易受到外界环境因素（如光线、温度、湿度等）和人为因素的影响，导致划分安全风险等级出现误差，从而使得处理安全隐患的措施得不到正确实施。为了解决煤矿等相关企业存在的安全风险等级划分不精确的问题，本文研究了一种基于改进基于粒子群算法（PSO）和卷积神经网络（CNN）的煤矿安全风险智能分级管控与信息预警系统。该系统采用基于改进PSO的智能数据筛选模型，利用PSO算法查找全局最优解的特性，筛选掉不合理的数据，减少了人工计算数据不准确或采集矿区信息过程中出现纰漏的问题；采用基于改进的CNN的智能风险分级模型，通过对数据特征的采集、融合处理，实现了高精确划分安全风险等级。实验与应用结果表明:该系统对安全风险数值的查全率为85.6%，查准率为91.7%，较其他系统查全率提升了4.2%，查准率提升了2.8%，大大提升了安全风险等级划分的精确度，对出现的安全隐患及时预警效果显著。此方法有效减少了安全隐患发生的频度。

探究构建新能源企业财务风险预警指标体系.pdf

基于模糊聚类与NARX神经网络的船舶市场两阶段风险预警模型研究.pdf

基于深度学习的上市公司财务风险预警模型研究.pdf

业分类-物理装置-一种通信设备运行风险预警方法及通信管理系统.zip

风控培训：提升企业风险预警能力

调控一体化在线数据挖掘与风险预警系统.pdf

大数据背景下企业财务风险预警机制对策研究.pdf

大数据背景下财务风险预警机制的研究.pdf

通过对供应链风险影响因素的分析建立了供应链风险预警指标体系,利用BP神经网络的自学习特性,反复修正模型的权值,不断减小系统误差,使系统的误差达到该模型要求的精度;然后根据网络输出结果,对网络各层的连接权值进行分析,对比连接权值的大小,找出产生供应链风险的关键风险因素。以河北省28条供应链为例,运用其中25组样本数据对该风险预警系统进行训练,另外3组数据进行测试,结果表明本模型对供应链风险预测的精度达到90%以上,通过网络权值分析可以找到更加切合实际的关键风险因素。