事故发生的可能性分为极低（VL）、低（L）、中（M）、高（H）、极高（VH）五个等级，采用三角和梯形模糊数表示专家的评判语言，模糊数的定量化表达如图 所示。通过截集操作，我们可以获得一个新的模糊集合，其中隶属度大于等于截集阈值的元素被保留，而隶属度小于截集阈值的元素被剪除，从而将模糊集合转化为非模糊的集合。给定一个模糊集合，其隶属度函数表示元素与该模糊集合的隶属关系。其中，A_cut(x) 表示截集后的模糊集合，μ_A(x) 是原始模糊集合的隶属度函数，cut level 是设定的截集阈值。

（2）证据节点，也就是树状结构的根节点，在树状结构的最底端，是对事件致因最宽泛的分类，该类节点的赋值一般比较容易获得，该节点是进行贝叶斯推导及求得叶节点概率的依据；贝叶斯网络通过部分已知的模糊节点来推导整体的过程并非最重要的，相反，其通过数学推导得出的与事实相同的结果才是贝叶斯网络的优势所在。（1）目标节点，将影响整体事件的因素细分后对应的变量，是分类最细致的节点，处在树状结构的末梢，这些变量是事件发生后最主要的致因；（3）中间节点，起到联系以上两类节点的作用。