用于采煤方式选择的人工神经元网络模型.pdf

用于采煤方式选择的人工神经元网络模型 第六图书馆 以大量调查数据库基础,建立了缓倾斜薄煤层采煤方式选择的人工神经元网络模型,该模型较全面地考虑了影响采煤方式选择的因素和 现场专家经验,能准确地识别各种开采条件下缓倾斜薄煤层采煤方式。以大量调查数据库基础,建立了缓倾斜薄煤层采煤方式选择的人 工神经元网络模型,该模型较全面地考虑了影响采煤方式选择的因素和现场专家经验,能准确地识别各种开采条件下缓倾斜薄煤层采煤 方式。人工神经网络 薄煤层 采煤 网络模型系统工程理论与实践王卫军湘潭工学院资源工程系1998第六图书馆 第六图书馆 1 9 9 8 年 l 1 月 系统工程理论与实践 第1 1 期 ～ 6 o ， l I 6 用于采煤方式选择的人工神经元网络模型 王卫军 湘潭工学院资源工程幕． 湖南 湘潭 4 1 1 2 0 1 摘要 以大 量调查 数据为 基础， 建立了缓 倾斜薄煤层 采煤方 式选择时 工神经 元同 络模型， 该模型 较 全面地考虑丁影响采煤方式选择的因素和现场专家经验， 能准确地识别各种开采条件下援倾斜薄煤 I I 2 关 键 词 三 茎 至 旦 兰援 倾 斜 堡 星琶 苎 I 茸 爰 An Ar t i f i c i a l Ne u r a l Ne t wo r k Mo d e l f o r Mi n i n g Wa y Di s t i n g u i s h i n g Wa n g We i ] u n Xi a n g t a n P o l y t e c h n i c Un i v e r s i t y，Xi a n g t a n Hu n a n 4 1 l 2 0 1 Ab s t r a c t B a s e d o n a I o t o f i n v e s t i g a t i o n d a t a， a n a r t i f i c a l n e u r a l n e t wo r k mo d e l i s e s t a b l i s h e d f o r d i s t i n g u i s h i n g mi n i n g wa y o f g e n t l y i n c l i n e d l o w c o a l s e a m．Th e f a c t o r a n d e x p e - fi e n c e o f mi n i n g e x p o r t t h a t a f f e c t t h e s e l e c t i o n o f mi n i n g wa y a r e c o mp r e h e n s i v e l y c o n s i d e r e d i n t h e mo d e 1 ．Th e d i f f e r e n t mi n i n g wa y o t g e n t l y i n c l i n e d l o w c o a l s e a m c a n b e e x a c t l y d i s t i n g u i s h ed a t d iffe r e n t mi n i n g c o n d i t i o n ． Ke y w w d s a r t i f i e a l n e u r s I n e t wo r k g e n t l y i n c l i n e d k w c o a l ∞a mmi n i n g wa y 1 发展机械化是我国缓倾斜薄煤层开采实现高产高效的唯一手段。 然而， 由于薄煤层开采设备的技术水 平和采煤方式选取等问题， 我国缓倾斜薄煤层机械化开采水平仍然很低 在相似的开采条件下， 有的矿井 成功地实现了机械化开采， 而另一些矿井却因采媒方式的选取不合理而告失破， 可见， 采煤方式对发展薄 煤层机械化开采是至关重要的， 与中厚煤层相比， 由于空间小， 地质条件复杂， 采煤方式选择的影响因素更 多， 是一个更加复杂的问题， 用传统方法建模型往往有较大的误差， 车支在大量调查数据的基础上， 应用人 工神经元网络建立了确定薄煤层采煤方式的人工神经网 络模型。 1 神经元网络及其学习算法简介 神经网络有许多种， 本文采用应用较广泛的 B P网 络 ， B y b e n k o 认 ， 当网络中各节点均采用 S 型压 缩函数时， 一个隐蔽层就足 实现任何判断分类问题。 因此， 对采煤方式的识别可栗用三层神经元网络 如 图 1 ， 包括输层、 隐古层、 输出层 ． 网络执行分为两个过程 学习训练过程和识别过程。 1 ． 1 学习训练过程 设网络有m层t 即 0 t 1 ， 2 ， ⋯ 令 表示第m层中第 J 个结点的输出， 0 层输出 等于z ， 即第 J 个输入。令铷 表示从 1到 问的连接辊值。 本文于 1 9 9 7 年 4 月 1 日幔到 煤炭工业部一般项目资助 维普资讯 第六图书馆 第六图书馆 5 8 系统工程理论与实践 1 9 9 8 年 u 月 1 将各加权值置到较小的均匀分布的随机数， 这样． 可保证阿络不被大的权值所饱和。 2 从训练数据中选一数据对 ， 输入向量、 目标输出向量 ， 将转入向量加到输入层 m一0 ， 即 为序号 。 3 信号通过阿络前向传递， 即利用关系式 y 7 一F 品 一 F ∑w 一 J 1 l 1 式中F 一 为压缩函数 计算从第一层开始的各层内每个结点 J 的输出 直到输出层的每个结点的输出计算完为止 4 计算输出层每个结点的误差值 哿一 F Y T ] 一 1 口； 一 5 计算前面各层每个结点的误差值 图1 B P阿络示意圉 ] 对S压缩函数 出屡 隐古层 2 。 。 一 F Ⅳ 3 6 利用加权修正量公式 { 髯 ㈨ 【 一 Ⅳ △ u ， 。。 修正所有连接。 式中 为训练速率， 一般取 0 ． o 1 ～l 7 返回到 2 ， 为输入下～组向量重复 2 ～7 。 网络训练结束 后， 即可获得稳定的网络结构和联结强度。 1 ． 2 识别过程 网络经学习训练后， 将待识别样本的输入向量代入阿络， 利用已获得的稳定网络结构和联结强度对该 样本进行识别。 2 模型的建立 2 ． 1 辅人向量的确定 根据薄堞层开采的特点和现场工程技术员l厦专家的经验， 确定以下 7 项指标组成输入向量， 即煤厚 Ⅳ ， 煤层顶板条件 、 底板条件 口 、 煤层稳定性‘ w ， 断层破坏程度 D ， 煤层夹矸 、 煤层，系数 ， 。 输入时， M、 ，以实际值输入 煤层稳定性用煤厚变异系数 w 表示 厂 l 一 √ t 2 式中 为第 i 观测点煤厚 m ； 鬲为所有观测点平均煤厚 m } 为观测点总数 断层破坏程度 D n一∑L B ,h ／ S M 式中L， 且． 为第i 条断层的走向长度、 破碎带宽度、 落差 m ； 为工作面面积 煤层夹矸以夹矸系数J 表示 维普资讯 第六图书馆 第六图书馆 第 1 1 期 用于采煤方式选择的人工神经元网络模型 5 9 J 一 H／ M 式中日为煤层中夹矸厚度 m D 一1 ， 2 ， 3 ． 4 分别表示顶板稳定， 较稳定、 不稳定、 极不稳定四个等级 B 一1 ． 2 ． 3 ， 4 分别表示底板平整、 较平整、 不平整、 极不平整四个等级。 2 ． 2 输出向量的确定 薄煤层采煤方式分类 采煤方式 综 采 萎 A z r 采煤机单向迎面截割 凡 机 采 【 采 煤 机 骑 穑 式 炮采 刮煤初制摸 也 若 一 1 ． A 2 ． A 3 ， ‘4 4 ． A E ， 6 ． A ． A 8 一 1 ， 0 ． 0 - o ． 0 ， 0 ， 0 t 0 即一1 ． 表示选用综采， 其余类推。 2 ． 3 网络结构 本模型为三层阿络， 输入结点7 个， 输出结点8 个， 一般选 4 ～5 个隐含结点对应一个输八结点- 这里选 4个， 隐含结点 2 8 个， 网络共 4 3个结点 3 训练样本的选取 我们对淄博、 大同、 阳泉、 徐州． 充卅 I 、 开滦、 涟邵等矿区 1 0 0 多个薄煤层工作面进行了统计分析和现场 调查， 充分往求专家意见． 选出3 6 个采煤方式被认为较台理 考虑地质条件、 产量、 成本 的工作面作为训 练样本。如表 1 所示。 表 1 采煤方式样本集 维普资讯 第六图书馆 第六图书馆 系统工程理论与实践 1 9 9 8 年 1 1 月 续表 1 采煤方式样本集 4 网络训练及检验 将上述 3 6 个拌本供网络训练， 训练完成以后， 选出 8 个拌本对网络进行检验， 结果如表 2 所示 丧 2 检验结果 从表 2 可见。 神经网络识别模型的识别正确率为 1 0 0 ％， 因此． 模型是正确的。 下转第 1 1 6 页 维普资讯 第六图书馆 第六图书馆 1 1 6 系统工程理论与实践 1 9 9 8 年 1 1 月 可 考虑以下两点 i 本文只从误差控制方面对网络的外推有效性 g e n e r a l i z a t i o n 作了初步探讨 在学习中， 对权进行裁 剪 p r u n i n g ， 对网络进行调整， 可 提高网络的预测能力。 2 本文只考虑了股票价格所构成的时间序列。 股票价格不仅受前几天价格波动的影响， 还会受其它因 素的影响。如何对相关困素 如成交金额 进行预处理和编码， 是很值得探讨的． 参 考 文 献 l 橱璐， 黄梯云， 洪家荣 ． 一种基于神经元网络的时间序列自 适应建模和预测方法 ． 决策与决策支持系 统 ， 1 9 9 6 ， 6 2 6 9 ～7 5 2 C i c h o c k i A．a n d Un b e h a u e n R．N e u r a l Ne t w o r k s f o r Op t i mi z a t i o n a n d S i g n a l P r o c e s s i n g ．J o h n Wi l e y S o n s ，Ch i c h e s t e r 1 9 9 3 3 Ha s s o u n M ．F o u n d a t i o n s o f Ar d f i c i a 1 Ne l l r a 1 Ne t wo r k s ．Ml 丁Pr e s s ，C a mb r i d g e ，l 9 9 5 4 Co t t r e [ 1 M ，Gi r a r d B， Gi r a r d Y，Ma n g e a s M a n d Mu l le r C．Ne u r a l M o d e n g f o r Ti me S e r i e s A S t a t i s t i c a 1 S t e p wi s e Me t h o d f o r We i g h t E l i mi n a t i o n I E EE Tr a n s ．Ne u r a 1 N e t wo r k s l 9 9 5 ， 6 6 l 3 5 5 ～ 1 3 6 3 5 Ka mi j o K a n d Ta n i g a w a T．S t o c k P r i c e P a t t e r n R e c o g n i t i o n ．A R e c u r r e n t N e u r a l Ne t wo r k A p p r o a c h ． I E EE I n t ．C o n f ．Nc u r a l Ne t wo r k s ．1 9 9 0， 1 2 l 5 ～2 2 1 上接第 6 O 页 5 模型应用 谐博矿务局某矿一工作面， 平均煤厚 i ． 2 7 m， 顶底板较稳定， 煤层硬度系数 ， 一i 8 ， 煤厚变异系数为 0 ． 0 6 工作面无断层， 煤层无夹矸。 将上述条件输入网络得结果} n T 表3 网络输出结果 结果显示， 该工作面应采用d 。 采煤方式， 即采煤机爬底式。 6 结语 本文建立了缓倾斜薄煤层采煤方式识别模型， 识别准确率高， 随着样本的更加丰富， 模型识别能力还 可进一步完善扩充。 薄煤层开采中如果煤方式识别等一些问题存在较多的模糊因素， 用传统数学方法是根难准确描述的， 而人工神经元网络具有学习能力， 可综合更多的专家知识， 较准确地解决这些问 题。 参 考 文 献 1 周继成 ． 人工神经元网络 ． 科学普及出版社， 1 9 9 3 ， 3 6 4 ～7 0 2 王卫军， 陈良 栅 ． 应用人工神经元网络实现练采面设备选型． 煤炭学报， 1 9 9 6 ， 3 2 3 l ～2 3 4 3 王文博 ． 复杂条件下薄煤层机械化开采山东煤炭科技， 1 9 9 0 ， 4 2 8 ～3 1 维普资讯 第六图书馆 第六图书馆