煤矿安全动态评价及组合预测模型.pdf

安徽理工大学 硕士学位论文 煤矿安全动态评价及组合预测模型 姓名孙云霞 申请学位级别硕士 专业计算机应用技术 指导教师陆奎 20110530 摘要 摘要 为了研究煤矿安全预测本质，正确有效地预测煤矿系统的安全状况，基于目 前煤矿安全研究现状和手段，从煤矿系统安全预测的内在规律性、有效时间长度 及有效性等方面对煤矿进行了研究，试图总结出煤矿系统安全预测的本质特征， 并研究安全预测的建模过程。 本论文依据以往的煤矿安全评价中得到的经验，结合我国以及国外煤矿安全 评价与预测的发展情况，并利用从煤矿现场所采集到的数据建立煤矿安全动态评 价以及预测模型。 本论文是以神经网络和模糊神经网络两者的优点为基础，建立煤矿安全评价 的模糊神经网络模型，此模型在并行计算、对复杂数据的处理以及自身的学习等 方面具有更强的能力。 本论文主要研究如何去建立一套完整评价指标体系，它能够客观的去反映评 价对象的本质，该指标体系希望尽可能的包括能够影响到煤矿安全生产的所有因 素 但实际上并不能把所有的影响因素都覆盖 ，同时建立的这个指标体系能够应 用在煤矿安全的神经网络和模糊神经网络模型中，并能够进行应用研究最后， 对矿井安全状态的动态预测主要利用的是神经网络对时序性指标的预测功能。 最后，本论文将结合具体实例，建立煤矿安全预测系统。因为非线性组合预 测模型有较高的精度，并且非线性组合要好于线性组合，非线性组合预测模型能 克服单一预测模型的缺点，从而能够解决由于系统状态安全指标数量随机变动而 造成的预测困难，所以本论文将采用模糊神经网络与B P 反馈神经网络相结合的 非线性组合预测模型。 图3 4 表1 1 参5 0 关键词煤矿；预测； 分类号T P 3 9 模型；神经网络；组合 l 。． A b s t r a c t T h ec o a la n dm i n es y s t e m ’Ss e c u r i t ys t a t u sc o u l db ep r e d i c t e da c c u r a t e l ya n d e f f i c i e n t l yb yr e s e a r c h i n gi n t on a t u r eo fc o a lm i n es a f e t yf o r e c a s t ．B a s e do na c t u a l i t y a n dm e a n so fp r e s e n tr e s e a r c ho nc o a lm i n es a f e t y , r e s e a r c ho ni n t e r n a lr e g u l a r i t ya n d e f f e c t i v et i m eo fc o a lm i n es a f e t yf o r e c a s th a sb e e nd o n ei no r d e rt os u m m a r i z e s u b s t a n t i v ec h a r a c t e r i s t i c so nc o a lm i n es a f e t yf o r e c a s ta n ds t u d ym o d e l i n gp r o c e s so f s a f e t yf o r e c a s t ． A c c o r d i n gt oe x p e r i e n c eg a i n e df r o mp r e v i o u sc o a lm i n es a f e t ye v a l u a t i o n , c o m b i n e d 、析t l lp r e s e n ts t a t u so fd e v e l o p m e n to fc o a lm i l l es a f e t ye v a l u a t i o na n d f o r e c a s t i n ga th o m ea n da b r o a d , c o a lm i n es a f e t ye v a l u a t i o na n df o r e c a s t e dm o d e li s b u i l tb yu t i l i z i n gd a t ac o l l e c t e do ns c e n eo fc o a lm i n e ． B a s e do nn e u r a ln e t w o r ka n df u z z yn e u r a ln e t w o r k , n e u r a ln e t w o r km o d e lo fc o a l m i n es a f e t ye v a l u a t i o ni sb u i l t ．T h a tm o d e li sb e t t e ra tp a r a l l e lc o m p u t i n g ，c o m p l e x d a t ap r o c e s s i n ga n da b i l i t yo fl e a r n i n gf r o mi t s e l f ． As u i to fi n t e g r a t e dt a r g e t e ds y s t e mu s e df o re v a l u a t i o nw h i c hc a nr e f l e c tn a t u r e o fe v a l u a t e do b j e c to b j e c t i v e l yw i l lb em a i n l yr e s e a r c h e d ．T h a tt a r g e t e ds y s t e mi s w i s h e dt oi n c l u d ea l lt h ef a c t o r sw h i c hc a na f f e c tc o a lm i n es a f e t yp r o d u c t i o n ．I nf a c t , n o ta l lt h ef a c t o r sc o u l db ec o v e r e d ．T h i st a r g e t e ds y s t e mc a nb ee m p l o y e di nm o d e lo f n e u r a ln e t w o r ka n df u z z yn e u r a ln e t w o r ko fc o a lm i n es a f e t ya n db es t u d i e di na p p l i e d a s p e c t ．T h em i n i n gw e l ls e c u r i t yi sd y n a m i c a l l yf o r e c a s t e db ym a i n l yu t i l i z i n gt h e a b i l i t yt h a tn e u r a ln e t w o r kc a nf o r e c a s tt i m i n gt a r g e t s ． F i n a l l y , c o a lm i n es a f e t yf o r e c a s t i n gs y s t e mw i l lb eb u i l tc o m b i n e dw i t l lc o n c r e t e e x a m p l e s ．N o n l i n e a rc o m b i n a t i o nf o r e c a s tm o d e lh a sv e r yh i g ha c c u r a c ya n dn o n l i n e a r c o m b i n a t i o ni sb e t t e rt h a nl i n e a ro n e ．N o n l i n e a rc o m b i n a t i o nf o r e c a s tm o d e lc a n o v e r c o m et h es h o r t c o m i n go fs i n g l ef o r e c a s tm o d e l ．T h e nd i f f i c u l t yi nf o r e c a s t i n g c a u s e db ys t o c h a s t i ca l t e r n a t i o no ft a r g e t e dv a l u ef o rs y s t e ms a f e t yc a nb es o l v e d ． F o r e c a s tm o d e lw i t hf u z z yn e u r a ln e t w o r ka n dB Pf e e d b a c kn e u r a ln e t w o r kw i l lb e u s e d ． F i g u r e ‘3 4t a b l eIIr e f e r e n c e s5 0 K e yw o r d s c o a lm i n e ，f o r e c a s t ，m o d e l ，n e u r a ln e t w o r k , c o m b i n a t i o n C h i n e s eb o o k sc a t a l o g T P 3 9 ．ⅡI ． 1绪论 1 ．1 煤矿安全评价的重要性 1 ．1 ．1 我们煤矿安全形势 l绪论 煤矿安全事故在现实生活中很重要，它会对人员的安全和生产的进行造成一 定程度的影响，在经济上造成了很大的损失。要预防煤矿安全事故的发生一般分 为两种情况，一是要了解究竟是什么原因造成了煤矿企业安全事故的产生；二是 在煤矿安全生产中预测比整治更重要。 根据1 9 9 8 年到2 0 0 2 年一共5 年的时间内，对由于工矿死亡的人数做了统计。 因为中煤矿业死亡的人数 大约3 1 2 3 3 人 将占到所有行业死亡人数 大约6 6 4 0 6 人 的一半 大约各行业一共是4 7 ％左右 。仅在2 0 0 3 年一年中我国就发生了1 5 5 9 7 起安全生产事故，死亡人数竟高达1 7 3 1 5 人，仅煤矿死亡人数就高达6 4 3 4 人，占 总数的3 9 ％，平均每天死亡1 8 ．5 人【1 1 。 表12 0 0 4 - 2 0 0 9 年我国煤矿安全生产状况 T a b l e lP r o d u c t i o nc o n d i t i o no f c o a lm i n es a f e t yi n2 0 0 4 - 2 0 0 9y e a r s 项目2 0 0 4 年2 0 0 5 年2 0 0 6 年2 0 0 7 年2 0 0 8 年2 0 0 9 年 煤炭总产量 百万吨1 9 5 5 ．9 3 2 11 0 ．0 02 3 2 5 ．0 02 5 0 0 ．0 02 7 5 0 ．0 02 9 5 0 ．o o 事故总起数3 6 4 l 3 3 4 13 2 4 43 5 4 33 4 4 13 3 4 1 总死亡人数6 0 2 75 9 8 64 7 4 6 3 7 8 63 2 1 52 6 3 1 特火事故起数4 95 85 3 6 04 95 4 特大事故死亡人数1 4 9 61 7 3 01 5 7 41 6 2 1 1 4 8 3l5 3 0 百万吨死亡率 3 ．0 82 ．8 12 ．0 41 ．5 l1 ．1 7O ．8 9 我国煤炭的产量虽然占世界煤炭产量的很大成分 大约3 5 ％ ，但是由于煤 矿死亡的人数占全世界煤矿事故死亡人数的比例更大 大约8 0 ％ 。 从上面表l 近五年来我国煤矿安全生产情况表中的数据可以看出我国关于煤 矿安全生产的工作还需要更进一步的改进，因为从这些数字可以看出我国煤矿安 全生产还存在许多隐患问题。 在煤矿生产中，有害因素很多以及工艺也比较复杂，自然条件非常恶劣并且 危险。我国的煤矿绝大多数都是井工矿 大约有9 5 ％ ，矿井的深度一般都是4 0 0 m 以上。由于煤矿矿井的地质比较复杂而且危害因素众多，所以进行多工种、多方 位、而又立体交叉的连续生产作业是很危险的。 安徽理工大学硕士学位论文 社会的各个角度都会受到煤矿事故发生的影响，而且会威胁到社会的稳定。 从2 0 0 0 ．2 0 0 5 年统计数字可以看出，我国煤矿事故死亡总人数数量很大，占国内 工业死亡人数很大的比例 大约6 0 ％以上 。 1 ．1 ．2 煤矿安全评价的重要性 在安全评价中，关于煤矿的安全评价是其最重要的评价之一，因为它对人的 生命和财产损失有很大影响。依据煤矿生产的反面效应以及可能造成的损失和影 响进行煤矿安全分析和评价，进而提出相应的预防措施。 对于开展煤矿安全评价工作来说，安全一直是一个很重要的因素，而预防要 比整治重要的多，在开展煤矿安全评价工作之前我们就应该找出煤矿中存在的一 些潜在的危险因素。因此要加强煤矿安全生产管理水平，以促进煤矿安全生产状 况的稳定好转。 煤矿安全评价可以改变煤矿企业的安全管理模式，例如它可以使企业的管理 模式从“单一纵向“ 向“全面系统“ 发展。 煤矿安全评价还可以改变管理的方向，例如可以从“经验管理”向“目标管 理”转换。煤矿安全评价可以改变煤矿安全管理，让煤矿安全管理能够比以往更 具有科学性，提高煤矿安全管理的质量。 1 ．2 煤矿安全评价方法研究发展状况 1 ．2 ．1国外煤矿安全评价方法研究发展状况 在煤矿开采中，危险是无处不在的，而且死亡率很高。尽管危险存在，但是 通过努力还是取得了显著的成绩，世界上的煤矿产业在一定程度上降低了死亡人 数和死亡率。但是在过去的1 0 0 多年里，世界煤矿产业还是通过努力显著降低了 死亡人数和死亡率，从而提高了煤矿安全的现状。 预测和预防事故的系统安全评价是以系统安全工程的发展和应用为基础的。 安全评价在现实中占有很重要的地位，许多国家和企业都加强对安全评价的研究， 希望能有自己的评价方法，预测系统的安全性，尽可能的避免一些不必要的损失。 2 0 世纪6 0 年代，在系统安全工程发展的基础上，安全评价技术也得到了突 破。在7 0 年代以后，由于世界上发生了很多起事故，所以各国采取了措施规定工 程以及技术项目等都必须先进行安全评价，采用明确的安全技术。 在2 0 世纪初期的时候，由于美国的生产技术和管理都比较落后，因而这个时 一2 一 1 绪论 期是美国煤矿事故的高发期，据有关专家统计，在当时美国因为煤矿事故的发生 每年大约有6 ％的矿工死于井下，6 ％的矿工落下终身残疾，6 ％的矿工受到不同程 度的暂时性损害。尤其是2 0 世纪的前2 0 年，美国每年因为煤矿事故死亡的人数 很多 大约2 0 0 0 人左右 ，这主要是因为在管理水平和生产技术方面还很欠缺所 造成的，而且历史上的最高纪录是1 9 0 7 年发生的煤矿事故 死亡人数大约有3 2 4 2 人左右 。美国历史上4 起重大的煤矿伤亡事故是g1 9 0 7 年西弗吉尼亚洲费尔蒙 特公司孟农加煤矿瓦斯爆炸事故，死亡3 6 2 人；1 9 0 9 年伊利诺伊州查理煤矿火灾 事故，死亡2 5 9 人；1 9 4 7 年伊利诺伊州塞特拉利5 号矿煤尘爆炸事故，死亡1 1 1 人；1 9 6 8 年西弗吉尼亚州固本公司9 号煤矿瓦斯爆炸事故，．死亡7 8 人1 2 1 。 美国等一些国家也加入了对煤矿安全评价及预测的研究中，但是他们的研究 主要集中在以下两个方面因为安全评价过程中的局部关键技术得到了较快发展， 所以加强了对煤矿安全生产系统的不确定性的研究；他们关于煤矿的安全评价是 以概率风险为依据的，把事故的概率和损害相乘，并把这个结果作为系统状态的 危险度，而这两者是通过统计数据获得的，由于得到的数据并不清晰，讨论的也 只是关于数据的模糊性问题，因而缺乏实用性。 1 ．2 ．2 我国煤矿安全评价方法的现状 我国对煤矿安全评价和预测的着手进行相比其它各个行业来说在时间上大体 是一致的，但是在规模的研究、进行的程度等方面比别的行业都要落后。我国有 很多种用于煤矿安全评价的方法，一般最常见到的方法就是定量和定性两种方法， 它们是依据量化的程度来划分的。 关于定性安全评价方法的过程通常比较简单，一般都很容易被理解和掌握， 但有一定的局限性，这是因为不同的参加评价的人员他们的经验、经历和历史背 景都各不相同有一定的差异性，因而并不能准确的把事故存在的风险预测出来。 当对象的类型不相同时，它们之间的安全评价的结果就不具有可比性，这是因为 安全评价结果对于危险度不能给出量化。 关于我国煤矿安全评价的工作，主要经历了以下所述的三个发展阶段 1 ．探索阶段，在这个阶段的时候，我国的一部分研究家以国外评价经验为 基础研究出了一些安全评价方法，并把它们运用到了实际生产中，而且效果不错。 2 ．起步阶段，在这个时期，关于加强安全评价机构管理的意见这一文件 被公布，该文件是原国家经贸委开展的劳动安全卫生预评价工作的延续，明确了 安全评价的概念。 一3 一 安徽理工大学硕士学位论文 3 ．发展规范阶段，2 0 0 3 年、2 0 0 4 年以及2 0 0 5 年国家先后颁布了一些关于煤矿 安全的规定，如 安全评价通则、 鸠 时 在式子 2 ．2 中E C M S U 的意思是第i 类第j 个定量指标的确定值； 蜘、y ．，2 、y 扩Y ．，4 、Y 』5 的意思是第1 、2 、3 、4 、5 变化区间内的数值； 而，的意思是第i 类的第j 个指标的原始采集的数据值； M ．、鸩、M 3 、M 4 、M ，的意思是第l 、2 、3 、4 、5 区间变化的临界值。 2 定性指标的量化方法。定性指标和定量指标一样也是采用5 段区间值的 方法来确定 E C M S U a ， 当4 ， T e x t l 时 E C M S o b ，当4 T e x t 2 时 E C M S o ． c ，当4 T e x t 3 时 2 ．3 E C M S d ， 当4 ， T e x t 4 时 E C M S 扩 e ，当4 T e x t s 时 在式子 2 ．3 中，E C M S o 的意思是第i 类第j 个定性指标的确定值； a ，b ，C ，d ，e 分别代表的意思为一个特定的量化指标值，它是有定性描述的特 性所决定的，这整个特性又是某一定性指标多对应的。A 盯所代表的意思是原始状 态的描述，而特指的是第i 类第j 个的定性指标，例如可以表示为“很好’’、“较 好”或者“好”等意思。 3 分级指标的定量分析结果的综合。根据各分级指标体系进行评价得到评 价结果后，要根据下面这个式子进行综合。 ．2 0 - 2 煤矿安全评价指标体系 P J J G ∑∑％，M S v 2 ．4 ‘一‘J J ．Ji J 、’ i lj l 在式子 2 ．4 q b ，P J J G 的意思是模型根据原始数据得到的矿井安全状况综合 评价结果；i l l 的意思是待评价的矿井数；n 的意思是评价分级指标数‘1 。 2 ．3 ．3 煤矿安全评价模型的建立 1 ．对系统模型的要求 在煤矿安全评价中，系统模型很重要，因为系统模型的好坏能够影响到系统 的分析、评价以及决策提供的可靠性、有效性和实用性。从系统模型的定义和特 点看，对系统建模的要求可以概括为以下几个方面。 1 系统建模的现实性和可靠性。为了对实际对象进行深入分析和研究要建 立系统模型，这就要求保证建立的系统模型的有效性。 2 系统模型的精确性。系统模型要想很好地去反映系统的客观实际，就要 有足够的精确度。在进行系统模型的建立时，如果有些非本质因素对系统本职的 真实反映没有影响而且对系统的研究目的没有多大的影响，那么可以忽略，但是 系统模型必须能够反映系统的主要特征和关系。 3 系统模型的简明性。如果能够满足系统的可行性而且精确性也能达到要 求，系统的模型建立应该尽量的简单和明了，这样能够节约建模的费用、时间和 其它资源。 4 系统模型的标准化。相比复杂的模型，人们更容易接受标准化的模型， 但是标准化模型的建立需要经过长时间的实践检验才会得到，所以在建立系统模 型时，系统建模的一个重要要求就是最大化的采用标准化模型。 2 ．安全评价模型确定的基本思想 在安全系统中如何辨别危险是一项很重要的内容，而安全评价是其核心内容， 在建立评价模型的时候要遵循以下四条。 1 安全控制论是安全评价指标体系建立的基础，对安全评价指标体系的考 查、计量以及评估要依据安全控制理论和方法。 2 充分挖掘系统的安全历史数据。企业能够拥有多少信息资源在一定程度 上决定了这个企业能否实现安全生产，所以要想获得足够的安全信息资源，就要 要控制安全，能够辨识危险。 3 要把高科技和可操作性有机的结合起来。把高科技充分的运用到安全技 术的应用中，只有把高科技的最新成果掌握好，才能实现安全评价技术上的迅速 - 2 l 一 安徽理工大学硕士学位论文 发展和抄造技术的重大突破。 4 安全管理机制的建立必须是在管理科学的指导下建立的。安全问题不是 孤立存在的，它贯穿于企业管理和运作的全过程。提高安全管理现代化水平的同 时要建立完善的企业管理信息系统。 在系统分析的基础上，系统安全评价模型的建立可根据如图1 1 安全评价模型 建立的逻辑分析及其步骤所示进行。 建模模型 检验模型 风险值模型 事故率模型 危险程度模 型 加法模型 乘法模型 综合模型 逻辑模型 妻善柔釜篓墨鞠 ．程度 ll 型 图l l 安全评价模型建立的逻辑分析及其步骤 F i g ．11M o d e ls a f e t ye v a l u a t i o na n dt h el o g i co f t h es t e p s 、 3 ．评价指标综合的主要方法 1 加权平均法 加权平均法有两种形式，分别是加法和乘法规则，它们是指标综合的基本方 法。现在给出评价矩阵如表2 评价矩阵所示。 表2 评价矩阵 T a b l e 2E v a l u a t i o nm a t r i x 1 加法规则如下 ≯， ∑缈，口口 J l 一2 2 型一一型二度 模一一模二属望性一一性二隶魉撇～一撇一燃触 概一一指二模 财辫斛 型一一型二模模一一模二果 性一一性一一结型 构一一标一一统结一一指一一系 2 煤矿安全评价指标体系 0 ≤国』≤l ，∑功J 1 2 5 J I 2 乘法规则如下 ≯， 丌口二j 『 2 ．6 ，- i 要想使总的评价值提高，应该做到各项指标要尽可能得取得较好的水平，这 正是乘法规则应用的场合。这种算法和加法规则有不同之处，例如如果只要有一 项的指标得为0 ，那么无论其它的指标得多少分，它的总评价就会为O ，所以该算 法规定如果任一项指标出在最低水平上即为违规。 3 运用加权平均有两个问题需要注意第一，指标要写完整，不能丢三落 四。在制定指标系统时，要注意不是指标越多就越好，也不是指标越少就越好， 要根据系统评价的目的和目标来确定需要多少指标，如果指标的数量选择比较恰 当，这样不但可以保证系统评价的结果而且又不会增加工作量。第二，要恰当的 去分配各项指标因素的权重，而且要用科学的方法对各个指标计算权重，既不能 单纯地平均分配，也不能只靠经验确定。 2 ． 理想系数法 理想系数法是一种结合了经济指标等众多软指标的评价方法。一般情况下可 以分为五个步骤，分别如下 1 先用某种评分方法对每个方案的各项功能进行评分 2 计算功能满足系数Z z 5 该方案总分乡螽想状态总分F 2 7 几／理想状态总分 r “7 3 计算经济满意系数e 。 巳 成本基数一该方案预计成方磊本基数 2 ．8 4 计算方案的理想系数谚 ≯， √f ，P ， 2 ．9 下面两中情况应当保留识较高的方案。 妒，0 ，完全不理想 ≯。 1 ，完全理想 2 ．1 0 3 层次分析法 A H P 法 该方法的特点是层次分析法为分析人员提供一种思维方法，该思维方法是 - 2 3 ． 安徽理工大学硕士学位论文 一种系统分析与系统综合过程系统化、模型化的一种方法。层次分析法在选择方 案的时候是有根据的，它是把方案对总目标的权重为标准来作为方案选择的依据， 可对判断矩阵进行一致性检验，实现定性与定量的结合，可解决多层次、多目标、 半结构和无结构问题。 1 层次分析的模型在系统分析基础上，A H P 的核心和关键是建立分层递 阶结构模型，准则层、目标层以及方案层组成了分层递阶结构的模型，准则层可 以是方案的多层评价标准，目标层又可以分为总目标和分目标，总目标是最高目 标，一般情况下一个系统只有一个最高目标。方案层是被评价的方案或措施。如 图1 2 分层递阶结构模型所示。 2 A H P 的评价步骤第一，首先要考虑到评价的关键和核心，就是要建立 分层递阶结构模型。第二，在模型的每个层次上，以上一层的准则为依据，通过 两两比较的方法而形成判断矩阵，同时并进行一致性检验，从而得到每一层权重。 第三，总排序的问题，由上而下将权重分配到各方案，这个过程为综合过程。 2 ．4 本章小结 图1 2 分层递阶结构模型 F i g ．12H i e r a r c h i c a ls t r u c t u r em o d e l 本章只要是对安全评价指标系统的研究。讲述了评价方法的原则和确定方法 而且还分析了煤矿安全生产的分析原理，事故致因理论，煤矿安全评价分析的基 本内容，煤矿生产系统安全分析的方法，安全评价指标体系建立的原则，安全评 价指标体系的结构以及评价指标和煤矿安全评价模型的建立。 ．2 4 ． 3 煤矿安全预测中神经网络的提出 3 煤矿安全预测中神经网络的提出 3 ．1神经网络在煤矿安全评价中的应用 煤矿安全预测在评价中占有很重要的位置，煤矿安全预测用数学公式是很难 描述的，因为它是一个既复杂又非线性的系统，并且各个指标之间又不是孤立的 个体而是相互关联的，这就对预测系统有较高的要求，即预测系统必须具有一定 智能信息处理能力，这样才能保证预测的安全性。 神经网络具有较强的自学习和联想功能，人工对它基本没有什么干预，精度 相对来说也较高，这是因为它是模拟人脑结构的思维功能，所以对专家知识的利 用也比较少，尤其是具有误差反馈功能的B P 神经网络用于煤矿安全评价中可以 实现真正意义上的变权评价、非线性描述等功能。 B P 算法的学习过程是有信号的正向传播和误差的反响传播构成的，这也是 B P 算法的一个基本思想。在进行正向传播时，输入样本是从输入层进入的，然后 经过各个隐含层处理后，最后进入传输层。如果期望值从输出层输出后与实际输 出的值不符合的时候，则这个时候就进入误差的反向传播阶段。误差反向传播是 将输出误差通过某种形式经过隐含层向输入层逐层反传，这个误差会被每个层上 所有的单位分摊，从而得到各层单元的误差信号。得到的这个误差信号就是作为 修正各个单元的权值的依据。如图1 3B P 网络在综合指标煤矿安全预测所示 图13B P 网络在综合指标煤矿安全预测 F i g ．13B PN e t w o r k si nP r e d i c t i o no f C o a lM i n eS a f e t yC o m p r e h e n s i v e I n d e x 3 ．2 神经网络的基本原理 神经网络是模拟人脑功能的一种网络，它是有许多并不复杂的神经元互相连 接在一起而构成的一个复杂网络。在一定的条件下它能够客观的反应人脑功能的 许多特性，但是和人脑神经网络还是有一定的差别，它只是对一些动作简单的模 2 5 安徽理工大学硕士学位论文 拟。一般认为，神经网络系统是个高度复杂的非线性动力学系统。 神经元是神经网络中的接收、产生、传递以及处理信息的基本单元，神经元 是神经网络处理处理信息时必不可少的，而且在处理的时候是并行实现的。虽然 每个神经元孤立来看功能并不强大，而且它的结构也比较单一，但是如果许多神 经元综合起来而构成网络系统，那么这个系统的行为就非常丰富并且复杂。 神经网络可以构成信息处理系统，而且这个信息处理系统结构并不复杂，但 是它具有复杂的动态功能。神经网络在运算和功能上具有的特点为由于神经网 络是模拟人脑功能的一种网络，所以它的自学习能力很强，而且它可以和外界环 境互相交流从而可以对整个系统进行连接权值以及状态的调整，同时可以将外界 环境模式存储于神经网络模型中，这样就可以从外界环境中获取经验和知识；神 经网络具有概括、联想、推广和类比的能力；神经网络具有大规模并行计算的能 力。神经网络所进行的信息处理是在比较多的处理单元中有层次并行地进行的， 所以它的运行速度比较快；神经网络具有较强的容错能力和鲁棒性 r o b u s t 。处 理单元会影响到系统的功能，系统的功能会随着处理单元循环的越多而越差，因 而整个神经网络决定了系统的信息处理能力；硬件实现。神经网络在硬件实现后 还具有实时、并行、高速等特点。 正是由于神经网络具有以上特点，所以才使得神经网络具有独特的信息处理 特点和强大的信息处理能力。 3 ．3 人工神经网络 人工神经网络 砧州，A r t i f i c i a lN e u r a lN e t w o r k 又称连接主义模式，它是一 种大规模的并行计算模型，它主要是依据人类生物大脑处理信息过程进行抽象的 一种模型，它之所以复杂是因为它是有许多神经元节点相互连接在一起的，因此 它尤其擅长解决一些推理、形象思维以及意识方面的问题，而这些问题用常规的 处理方法是没有效的。人工神经网络是有许多并不复杂而且容易理解的处理单元 所组成的，而且它是依据现代生物学的研究成果，来反映人脑的结构及功能，人 工神经网络的学习是一种归纳学习方式。 3 ．3 ．1 神经元数学模型 在人工神经网络中占重要位置的一个元素就是神经元，它是人工神经网络的 基本处理单元，它在一般情况下是多个输入变量和一个输出量的非线性单元，基 本结构如图1 4 神经元结构所示。神经元的典型数学模型为 一2 6 ． 3 煤矿安全预测中神经网络的提出 b ／厂 刀口t ／ 3 1 忍Pt ／ A 幸W ，一国o ，0 ／ ∑口，C O U 一缈。，0J 3 ．2 ， l 其中A 口l ，岱2 ，口3 ，⋯⋯，口。 为输入矢量，％ c o 护国2 ．，，⋯⋯，c o n j 为编黾的神经元与向其传输信息的1 1 爪其他神经元之间的连接权值矢量，或联接强 度矢量；色为该神经元的内部阀值；％是调节巴的权值；乞为该神经元的输出阴。 图1 4 神经元结构 F i g ．1 4N e u r o n a ls t r u c t u r e s 3 ．3 ．2 人工神经网络联接特征 人工神经网络的特征有很多但是常用的几种主要类型有联接类型、联接方案 和层排列等。联接类型联接类型在通常情况下包括兴奋联接和抑制联接两种联 接类型；联接方案神经元之间一般存在三种基本类型的联接方案，它们分别为 横向联接、层联接以及递归联接；层排列神经元层可以分别以输入层、输出层 和隐层来区分。 3 ．3 ．3 人工神经网络分类、工作规则及学习 人工神经网络根据不同的情况，可以从几个方面进行分类 1 ．按功能分为连续型和离散型、确定型和随机型、静态与动态神经网络； 2 ．按连接方式分为前馈型和反馈型神经网络； 3 ．按逼近特性分为全局逼近型与局部逼近型神经网络； 4 ．按学习方式分为有监督学习、无监督学习和强化学习神经网络。 2 7 ． 安徽理工大学硕士学位论文 人工神经网络的信息处理过程一般分为三个阶段，它们分别为学习阶段、预 测阶段和主要人工神经网络类型。学习阶段又叫编码阶段。 监督学习可以分为结构学习和时间学习两种，而且这种学习必须借助外界才 能进行，并且对于一组给定的输入值能够得到期望的输出结果，这组输入数据作 为训练样本集。无监督学习和监督学习相反，它不需要导师信号只根据输入信号 调整权值以适应其分布。有监督学习原理图和无监督学习原理图分别如下图1 5 有监督学习原理图和图1 6 无监督学习原理图所示【1 2 J 3 ．4B P 神经网络 输 I 皿 图1 5 有监督学习原理图 F i g ．15S u p e r v i s e dl e a r n i n gs c h e m a t i c 输输出斗 图1 6 无监督学习原理图 F i g ．16S c h e m a t i cd i a g r a mo fu n s u p e r v i s e dl e a r n i n g B P 神经网络又叫反向传播 B a c k - P r o p a g a t i o n 神经网络。B P 网络是一个 前向多层网络，它对网络所进行的训练是基于误差反向传播的。在一定程度上它 能够解决解决人工神经网络解决不了的问题。它包括了神经网络中最为典型精华 的部分，在信息分类、函数逼近以及模式识别和数据压缩等方面得到了发展是基 于它的结构简单和可塑性强等。 3 ．4 ．1B P 神经网络的模型与结构 B P 神经网络模型设输入向量为Y Y z ，y , - - - , 咒，⋯咒 r ，隐含层输出向量为 ．2 8 - 3 煤矿安全预测中神经网络的提出 石 而，屯，⋯，_ ，⋯‰ 7 ’，输出层输出向量为z z 1 ，乞，⋯，z t ，⋯z ， 7 ’，期望输出向 量为P 国，p 2 ．g p k 2 国，，输入层到隐含层之间的权值矩阵y v 1 ，v 2 , ．- - , v j , - - - v ． 7 ’， 其中列向量屹为隐含层第j 个神经元所对应的权向量，隐含层到输出层之间的权值 矩阵肜 M ，w 2 ，⋯，w k ，⋯w r ，其中列向量屹为输出层第k 个神经元对应的权量。 对于输出层 z I 厂 ∑国肚x J 3 ．3 』 O 对于隐含层 x ， 厂 ∑1 ，∥Y ， 3 ．4 f 0 在 3 ．3 、 3 ．4 两个式子中，f x 为转移函数，并且均为单极性 ／ 工 2 ％ P 1 3 ．5 当期望输出与网络输出不符合时，存在一个输出误差F ，将误差代入输入层 F 。p z 哆彳{ 砉l p t 一厂r 薹仞幺厂c 窆i l 1 。咒，，1 2 3 ．6 1 主I 3 ．6 式子可以看出，％，％函数的各层权值决定了网络输入误差。 B P 网络是典型的前向神经网络。B P 网络的信息传播是向前的，但是它在训 练中的误差修正传播方向与信息的传播方向是相反的。B P 网络的原理结构如图 1 7B P 网络原理结构图所示f 1 3 】。 M胁．h I ， o 图1 7 B P 网络原理结构图 F i g ．17P r i n c i p l