模糊人工神经网络在矿井构造评价中的应用.pdf

第3 4 卷第5 期中国矿业大学学报 V 0 1 ．3 4N o ．5 2 0 0 5 年9 月J o u r n a lo fC h i n aU n i v e r s i t yo fM i n i n g8 LT e c h n o l o g y S e p ．2 0 0 5 文章编号1 0 0 0 1 9 6 4 2 0 0 5 0 5 0 6 0 9 0 4 模糊人工神经网络在矿井构造评价中的应用 汪吉林，姜 波 中国矿业大学资源与地球科学学院，江苏徐州 2 2 1 0 0 8 摘要介绍了模糊综合评判和人工神经网络原理，分析了一般B P 神经网络在研究复杂性问题时 存在的局限性，根据模糊人工神经网络模型的构建方法，探讨了该模型在矿井构造定量评价中的 应用，结合鲍店煤矿的实际资料，对建立的模糊人工神经网络模型进行了学习训练，对未采区的 构造复杂程度进行了预测，结果表明模糊人工神经网络较一般B P 神经网络具有更快的收敛速 度和更准确的预测效果． 关键词模糊人．Y - 神经网络；B P 神经网络；模糊综合评判；矿井构造；定量评价 中图分类号T D1 6 3文献标识码A U s i n gF u z z yA r t i f i c i a lN e u r a lN e t w o r kt O E v a l u a t et h eM i n eS t r u c t u r e W A N Gj i l i n 。J I A N GB o S c h o o Io fR e s o u r c e sa n dE a r t hS c i e n c e ， C h i n aU n i v e r s i t yo fM i n i n g8 LT e c h n o l o g y ，X u z h o u ，J i a n g s u2 2 1 0 0 8 。C h i n a A b s t r a c t T h ep r i n c i p l eo ff u z z yc o m p r e h e n s i v ea s s e s s m e n ta n da r t i f i c i a ln e u r a in e t w o r ki S p r e s e n t e d ．T h el i m i t a t i o no fg e n e r a lB Pn e u r a ln e t w o r ki ns t u d y i n gt h ec o m p l e xq u e s t i o ni s a n a l y z e d ．A c c o r d i n gt ot h ec o n s t r u c t i o nm e t h o do ff u z z ya r t i f i c i a ln e u r a ln e t w o r k F A N N m o d e l ， i t sa p p l i c a t i o ni nq u a n t i t a t i v ee v a l u a t i o no fm i n es t r u c t u r ei Sd i s c u s s e d ．C o m b i n e dw i t ht h er e a ld a t a o fB a o D i a nC o a lM i n e 。t h em o d e lo fF A N Ni Ss e tu pa n dt r a i n e dt op r e d i c tt h ec o m p l e x i t yo fm i n e s t r u c t u r ei nn o n e x p l o i t i n gf i e l d ．T h er e s u l ts h o w st h a tt h ec o n v e r g e n c es p e e do fF A N Ni sf a s ta n d t h ee f f e c to fp r e d i c t i o ni Sb e t t e rt h a ng e n e r a lB Pn e u r a ln e t w o r k ． K e yw o r d s f u z z ya r t i f i c i a ln e u r a ln e t w o r k ；B Pn e u r a ln e t w o r k ；f u z z yc o m p r e h e n s i v ea s s e s s m e n t ； m i n es t r u c t u r e ；q u a n t i t a t i v ee v a l u a t i o n 矿井构造的复杂程度受多种因素影响和控制， 如沉积环境、构造演化、水文地质与工程地质条件、 开采技术条件等等．目前在矿井构造的复杂程度评 价方面，应用较多的评价方法有模糊数学、分形分 维、人工神经网络等，取得了较好的成果，但是还存 在着一些问题与不足，如人工神经网络方法在自学 习过程中难以处理数据中的矛盾点，导致学习过程 长、收敛效果差[ 1 - z 3 等． 模糊人工神经网络方法吸收了模糊数学与人 工神经网络方法的优点，克服了各自的不足之处， 两者的结合，使得其多个领域均取得了很好的效 果‘3 。5 ] ． 1原理 模糊综合评判方法首先假定综合评判中要考 虑m 个评价因素 指标 ，构成因素 指标 集U { 甜1 ，U 2 ，⋯，“。 ； 其次，确定所研究的系统不同状态的分级评 收稿日期2 0 0 4 1 0 1 1 作者简介汪吉林 1 9 6 9 一 ，男，安徽省桐城市人，工程师，博士研究生，从事矿产普查与勘探方面的研究 E m a i l w j l 2 0 0 5 c u m t ．e d u ．c n 万方数据 6 1 0中国矿业大学学报第3 4 卷 语，形成评语集y 一{ V 。，口。，⋯，口。 ； 第三，计算各个评价指标在评价过程中所占的 权重系数，确定与指标集对应的权重集A 一{ a 。， m 以2 ，．一，％ ，并满足≥a ，一1 ； 面 ． 第四，根据指标集U 中的因素翰对评价系统 进行单因素评价，计算单因素对不同评语因子秽， 的隶属度n ，；构成评价矩阵尺一 一， 。。。； 最后，选择恰当的模糊合成算子，建立综合评 判的数学模型，计算评判结果 B ⋯AR 盘， l 。。 r ， 。。一 6 ， 1 。 B 即为求得的综合评判向量，根据最大隶属原 则，确定评判对象为对应的评语级别[ 6 ] ． 在人工神经网络模型中用的较多的是B P B a c kP r o p a g a t i o n 网络模型[ 7 ] ，神经元网络的一 般结构由输入层、隐含层和输出层组成．同一层神 经元之间不互连，不同层神经元之间全互连． 设网络的输入为X 一 z 。，．2 2 1 ，．一，z Ⅳ一。 ，输出 为Y 一 y 。，y l ，．一，y M ， ，理想输出为D 一 d 。，d ，， ⋯，d M ， ．网络的一般学习过程为 1 将学习样本归一化到[ o ，1 ] 区问，产生[ o ， 1 ] 区间的随机数作为神经元连接权的初值和阈值． 2 计算网络的输出y ． 图1 显示的是一个采用5 形函数的前向三层 神经网络的通用层结构，它的各个输出o ≯与各个 输入0 妒之间的关系可表示如下 f o ≯ f [ 碍’] ． L ～1 i 一0 ，1 ，⋯，Q 一1 ； 【，≯一∑训g ’o 妒一∥ 式中 [ “] 一再告，表示5 形函数． 图1 前向3 层神经网络中通用层结构 F i g ．1 T h eC o m m o nl a y e rm o d e lo f3l a y e r s b a c kp r o p a g a t i o nn e u r a ln e t w o r k 当z 一3 时，网络输出y 一{ o ∥／i 0 ，1 ，⋯，M 一1 } ． 3 计算网络实际输出与理想输出的偏差以， 进而计算权重的系数调整量如W ． △篡’ d v 奔p “i ’O g 一“ i 一0 ，1 ，⋯，Q 一1 ；歹 0 ，1 ，⋯，L 一1 ；Z 一1 ，2 ，3 ． 按照最陡下降方法导出的前向三层神经网络 的L M S 最小二乘法 学习算法，可以利用“逆推” 的方法由输出层向输入层逐步反推计算各层权重 的系数调整量． H o b e r tH e c h t N i e l s o n 1 9 8 9 证明了对于任 何闭区间的连续函数都可以用一个含有隐层的B P 网络逼近，因而一个三层的B P 网络可以完成任意 的N 维到M 维的映射． 2 模糊人工神经网络方法 模糊系统与人工神经网络具有许多相似之处， 它们均可以看成是一种输人、输出的非线性映射关 系，模糊关系矩阵与人工神经网络的权矩阵有一定 对应关系等．因此，两者存在着相似性和互补性，其 相互结合应用在解决复杂性问题中具有更大的优 越性． 模糊系统与人工神经网络的结合主要有2 种 方式1 将人工神经网络作为一种计算工具引入 到已有的模糊系统中；2 将模糊性原理引入到现 有的人工神经网络模型结构中． 传统的B P 网络对确定型因果关系 即一定的 输入对应确定的输出 具有很强的识别能力，但难 以处理矛盾样本．而现实中的模式识别常要在复杂 的环境下进行，不可能把一切因素把握得十分准 确，因而在利用有限的评价指标进行评判时，可能 相同 或相近 条件的指标集合对应不同韵评价结 果，反之亦然．神经网络学习遇到矛盾样本时就不 能总是朝最优方向进行收敛，系统为了反映少数带 有较大噪声信号的数据特性，通过改变系统结构而 增加了系统的复杂性，导致效果变差，这时易于收 敛于局部最优而非全局最优． 为了处理矛盾样本，可以将模糊近似推论的结 果作为网络的输出，比如在矿井构造定量评价中 评语集为{ I ，Ⅱ，m ，Ⅳ ，对应着{ 好，较好，较差， 差} 4 个级别，以I 级为例，直接分级的输出形式为 1 ，0 ，0 ，0 ，而根据模糊近似推论的结果可能是 0 ．7 ，0 ．2 ，0 ．1 ，o ．实际上模糊近似推论更能反应 出结论的不确定性和系统的复杂性，因而以模糊近 似推论的结果作为输出样本更能反应实际情况，也 使得 掣 一 一 “一 艿 万方数据 第5 期汪吉林等模糊人工神经风络在矿井构造评价中的应用 矛盾样本的干扰大大减小，提高样本学习的收敛速 度，是一种比较合理的算法． 3 应用研究 鲍店矿为山东兖矿集团的超大型矿井之一，投 产已有1 8a ，年产超过6M t ，煤厚3 ～9m ，地质资 料较详细，便于进行构造评价的效果验证． 3 ．1 评价指标体系 矿井构造的影响因素很多，本着指标与系统状 态关联度好，力求少而精，指标易于获取等原则，将 矿井构造的评价指标确定为以下8 个 1 断层密度M 单位面积内发育的断层条数． 2 断层强度指数F 单位面积内发育的所有 断层落差与水乎延『申长度的乘积之和． 3 断层与煤层夹角指数Q 断层走向与煤层 走向斜交时，最有利；断层与煤层走向平行或垂直， 对生产均不利． 4 煤层倾角绝对值么单元内煤层倾角的绝 对值的平均值 按面积加权 ． 5 煤层底板倾角变异系数R ． 6 煤层厚度异常D 单元内煤层厚度最大值 与最小值之差． 7 底板标高变幅日单元内煤层底板标高最 大值与最小值之差． 8 构造面积损失系数S 指由构造因素引起 的不可采煤层面积与开采动用面积之比． 3 ．2 评价等级划分 本文将鲍店矿区的构造相对复杂程度划分为 简单、较简单、较复杂、复杂4 个级别，相应的评语 集为V 一{ I ，Ⅱ，Ⅲ，I V ．将鲍店矿3 煤层底板等 高线图按10 0 0m 线距划分为3 4 个单元 图2 ，统 计各单元的8 个指标值，进行模糊聚类，分为4 组， 然后按指标排序，划分出各组对应的范围值，对应 于I ～Ⅳ构造等级． 3 ．3 神经网络设计 神经网络为B P 网络，由3 层神经元组成．根 据因素集，输入层为8 个输入节点，分别对应8 个 评价指标；根据评语集，输出层为4 个神经元，分别 对应I ～I V 等级；隐含层神经元的个数为输入层和 输出层神经元个数之和的平方根加上o ～1 0 之间 的某个数，根据试算，隐含层为6 个神经元． 石入么入f＼ 八 ＼ E 掣 啪步N装 过 嘎裕S ≮芦≮＼ 卜r 7 lyr| 戌士瓣 氏 泰沁 ／、 Sf r，r 、R ，j＼二，l ＼ 过7 州j { I校心 叫’Nx 、二三闺 除 √ 、- - 一～ ＼＼3 ’ 遗 型、} 柙j i飞心 i ∑彬蕊支 彳I㈡ j l石r 7 一＼J1 -＼。 ／j ，{ 0缓 太 贝妒’ ／＼S 乡兰 翌氐 沁心≮ r 、 ，I 铆1穴＼一 人 ＼、一 ；；覆蕊式蕊 ＼，0 _ 丁；≮ ＼，、、 p锄{ ，’卜∑≤ ／‘3 7 孙j ，夕 7 m 、 ≮叉 、＼ 、～ 图倒 ”j N j{ I∥ ＼、{ 毡磁∥ 弋◇、＼ 圃① 7 1_ 二Ⅻ Ⅲ。』K f ≯ 巳 j ／ “k J 7肜 厂、7 八 名＼～ ＼J卜一L 矽 ＼＼ ㈨f 厌 o ；绣孑j龟0} 一 倒④ 1 玎1獬 澎 纱／ 图2 鲍店矿构造复杂程度评价分区图 F i g ．2 T h eS u b a r e af o rE v a l u a t i o no fC o m p l e x i t yD e g r e e o fB a o D i a nC o a lM i n eG e o l o g i cS t r u c t u r e 3 ．4 模糊神经网络的训练 构建好的神经网络模型主要控制参数有3 个 学习速率 取0 ．0 5 ；动量常数 取0 ．9 0 ；误差允许 限度 取0 ．0 0 1 ．以上3 个参数取括号中数值时， 可保证模型较好的综合性能． 对于学习样本的训练，网络输出采用模糊评判 的结果作为参照，而不是以去模糊化后的结果作为 参照 表1 ，这样可以有效避免矛盾样本的干扰． 表1两种网络模型的训练结果对比表 部分数据 T a b l e1 T r a i n i n gR e s u l t sf o rT w oS o r t so fN e t w o r kM o d e l s P a r to fD a t a j 渔 一 兀 一般的B P 神经网络训练结果模糊人工神经网络训练结果 期望输出实际输出期望输出实际输出 l000 ．0 01 ．0 00 ．0 1 1000 ．0 01 ．0 00 ．0 0 0100 ．0 10 ．0 10 ．9 6 0001 ．0 00 ．0 30 ．0 1 000 1 ．0 0 0 ．0 30 ．0 4 000 0 ．0 30 ．0 00 ．9 6 共2 5 单元，训练次数1 1 8 4 ，费时2 9 ．8 8S 0 ．4 00 ．2 10 ．2 20 ．2 10 ．3 50 ．1 80 ．1 9 0 ．3 80 ．2 60 ．2 60 ．1 10 ．3 80 ．2 30 ．2 4 0 ．2 80 ．4 30 ．1 30 ．1 60 ．2 50 ．4 30 ．1 4 0 ．3 10 ．1 60 ．1 00 ．4 30 ．3 20 ．1 50 ．1 3 0 ．0 40 ．1 40 ．1 10 ．7 00 ．0 60 ．1 20 ．1 2 0 ．2 20 ．3 30 ．3 00 ．1 40 ．2 10 ．3 60 ．3 5 共2 5 单元，训练次数3 8 ，费时1 ．6 4S 本文通过1 ～2 5 号单元的已知数据对网络进 行了训练，从表1 可以看出，模糊人工神经网络在 训练中所耗费的次数和时间都很少，较一般B P 网 络具有更快、更优的收敛效果． 3 ．5 综合评价和预测 模型经过训练达到预期精度后，即可用来对未 采区的构造复杂程度进行预测．本文对未采区2 6 ～3 4 号9 个单元进行了预测， 见图2 ，并进行了 7 O 6 3 0 5 1 1 1 』t 7 ，1 ● ● ● ● ● ● 0 O O O 0 0 1 1 1 O 0 2 O O O 0 O O ● ● ● 0 0 O O O O 万方数据 中国矿业大学学报 第3 4 卷 分析和对比． 首先应用模糊综合评判方法对9 个单元进行 预测，基本上与实际情况相符，但3 3 号单元稍有出 入该单元有一较大断层穿入，且因防水煤柱影响， 构造损失面积较大，综合经济、技术因素，应判为构 造较复杂，但模糊综合评判结果却为构造简单，与 实际情况不符． 应用一般B P 神经网络方法进行预测，其结果 与模糊综合评判结果相同． 应用模糊人工神经网络方法进行预测，其结果 与实际情况完全相符合，特别地，模糊人工神经网 络方法修正了前两种方法对3 3 号单元的误判该 方法判定3 3 号单元为构造较复杂，反映出了该单 元有断层穿入、因防水煤柱而导致构造损失面积较 大的实际情况 见表2 ． 表2 多种方法对未采区的预测结果对比表 T a b l e2M e t h o d sf o rp r e d i c t i o nr e s u l t st ol i o n m i n i n ga r e a 4结语 1 模糊人工神经网络可以有效地避免矛盾样 本的干扰，较一般B P 网络具有更快、更优的收敛 效果． 2 应用模糊人工神经网络对矿井构造复杂程 度进行定量评价和预测是成功的，评价和预测结果 较符合实际情况，且有效地避免误判，具有较高的 实用价值． 3 鲍店井田I 类构造单元2 0 个，Ⅱ类3 个， Ⅲ类1 0 个，Ⅳ类1 个．I ～Ⅱ类单元占总数的 6 7 ．6 ％，因此，该井田总体上构造条件较简单． 4 鲍店井田构造较复杂的单元分布在井田西 侧、东～东北侧，在布置工作面和确定采煤方法时， 应采取一定的应对措施． 参考文献 F 1 ] 邓跃进，王葆元，张正禄．边坡变形分析与预报的模糊 人工神经网络方法[ J ] ．武汉测绘大学学报，i 9 9 8 ，2 3 1 2 6 3 1 ． D e n gYJ ，W a n gBY ，Z h a n gZL ．A p p l i c a t i o no f f u z z ya r t i f i c i a ln e u r a ln e t w o r kt ot h ed e f o r m a t i o n a n a l y s i s a n dp r e d i c t i o no f s i d es o p e [ J ] ．J o u r n a lo f W u h a nT e c h n i c a lU n i v e r s i t yo f S u r v e y i n g a n d M a p p i n g ，1 9 9 8 ，2 3 1 2 6 3 1 ． W o n gK o kW a i ，G e d e o nT a m a sD ，F u n gC h u nC h e ， e t a 1 ．F u z z yr u l e se x t r a c t i o nu s i n gs e l f o r g a n i s i n g n e u r a ln e t w o r ka n da s s o c i a t i o nr u l e s [ A ] ．I n P r o c e e d i n g s o fI E E E R e g i o n 10I n t e r n a t i o n a l C o n f e r e n c eo nE l e c t r i c a la n dE l e c t r o n i cT e c h n o l o g y E c ] ，P i s c a t a w a y ，N J ，U S A I E E E ，2 0 0 1 4 0 3 4 0 8 ． 李斌．基于B P 算法的模糊神经网络研究E J ] ．上海 航天，1 9 9 5 4 8 1 2 ． L iB ．F u z z yn e u r a ln e t w o r kb a s e do nB Pa l g o r i t h m [ J ] ．A e r o s p a c eS h a n g h a i ，1 9 9 5 4 8 - 1 2 ． 张晓光，林家骏．基于模糊神经网络的焊缝缺陷识别 方法的研究[ J ] ．中国矿业大学学报，2 0 0 3 ，3 2 1 9 2 9 5 ． Z h a n gXG ，L i nJJ ．W e l dd e f e c t sd i s t i n g u i s h i n g m e t h o db a s e do nf u z z yn e u r a ln e t w o r k s [ J ] ．J o u r n a lo f C h i n aU n i v e r s i t yo fM i n i n g T e c h n o l o g y ，2 0 0 3 ，3 2 1 9 29 5 ． Y a m aBR ，L i n e b e r r yGT ．A r t i f i c i a ln e u r a ln e t w o r k a p p l i c a t i o nf o rap r e d i c t i v et a s ki nm i n i n g [ J ] ．M i n i n g E n g i n e e r i n g L i t t l e t o n ，C o l o r a d o ，1 9 9 9 ，5 1 2 5 9 6 4 ． 杨伦标，高英仪．模糊数学原理及应用E M ] ．北京高 等教育出版社，1 9 9 3 ． 杨行峻，郑君里．人工神经网络[ M ] ．北京高等教育 出版社，1 9 9 2 ． 责任编辑李成俊 万方数据