采矿方法数值决策中权重分配神经网络模型.pdf

机应 。 采矿方法数值决策 中权重分配 神经网络模型 北京科 技大 学 ‘ ／ r 摘要 j 针对采矿方法数值 第的特点 行权 重的合 理分配 的模型 ；本文 还 嵴显 了 关缱词 神经 网络权重分 -，_一 -一 1 引 言 魏 一 呜 - - F 6 7 提出应用神经同络方法对参与采矿方法决策的各因素进 近年来，随着应用数学、计算机的发展 和广 泛应用 ，许多矿业工作 曾应 用 模 糊 数 学，炭色理 论，层次分析法及 多 目标决策 等 效学方法 ，对采矿 方法进行数值决 策 ，并作 了大量工作且已取得了一定成就。在采矿方 法数值决策中其实质就是从几个参与决策的 方案A- j l ，2 ⋯n 中综合考 察 描 述每 个方案的各因素 或指标 M i ；l ，2 ⋯ m，从中选取 “ 优”方案。 众所周知，参与决策的各个因素 或指 标，对采矿方法选择的影响有 主次、轻重 之分，把这些影响作用不同的指标，作为平 等的指标，无疑要影响分类结果的可靠性及 准确度 ，因此，为 了区别 对待这些指标 的贡 献，在采矿 方法数值决策 中，就 必须对 每一 个指标确定一个权重来表达该指标的相列重 要程度。所谓权重，就是表示参与决策的指 标的相对重要程度的一个实数K i ，对每 m 一 个指标规定0≤K i ≤l ， 且满足2 K i i 1 1 ，因此 ，合理分配 参与决策 的各 个 因 素 的 权重，是采矿方 法数值决 策正 确与否的关 键问题 之～。 并蛄合实例说明了谈方法的应用． 策 过去，采矿方 法数值 决策 中杖重的确定 通常采用专家估测法、频率统计分析法、多 元 线性回归法 以及层 次分析 法，但是这些方 法仍然掺杂有主观性，特别是当参与击策的 因素之间具有 不 同性质 时，就更难于确 定其 权重分配，为此 ，本 文提 出应用 人工神经 厢 络来解决采矿方法数值决策中的权重台理分 配问题 。 2 基本原理 采矿方法选择问题是一个 黑箱”或者 “ 灰箱”问题，我们之所 以不能明确地分配 属性 或因素 ，指标之间的权重，是因为 我们不能准确她描述他们之间的关系，更无 法用定量 关系式来 表达他们之 间的 权重，我 们所能提供的只是各个方案的各个因素特征 及以前对这类闻题 的选择结果。如果人们根 据这些特征来决定的话，那么其决策的过程 中人为不确定性因素的影响就能降低，这正 是采 矿方 法数值决 策中所要求的 ，这任 务可 应用 神经 网络来完成。 神 经 网络包括三个部分， 即按照 网络给 定 的 函数完 成众多节 点的计算 ；增 强节点 问 联系；以及备节点所完成的计算过程。众多 神兹 髓络模 型的 月的就是要 完善输入节点 采矿方法数值决策率枉重分配社经硼络攘琶魏 一鸣 用 一 一 算 一 计 棒 N 舫 ， 维普资讯 箝出 点曲关系，这个过程是通过实例 修正 节点同的联系 即权 重 强宽成。阁 I表示 了一种 三层 单输出 神经 阿络的结构 。 围j 三层单输出} f}『 经网络结构 u 】 ，u 2 ⋯，u 为i1 1 个输入 节点 ， h L ， h 2 ， 为P 个隐节点，M为输出节点。联结输 入 层 与隐节点层的权重记 为w ⋯ ，联接隐 节 点 层 与输 出层 的权 重记为w。 。这样的前 向多 层神经 网络可采用 “ 逆推”学习算法有效地 加 以解决 。 3 逆推学习算法 逆推 学习算法 简称B P学习算法， 是 一 种 由输出层 向输入 层逐步反推的学 习算 法。 设 网络初始任 选一组权 值w b w z 对 于每一实捌的学习分两步， 即前向传递和后 向传递，前向传递包括输入，并计算出与之 对应 的输 出值 。后向传递 包括 比较 网络 输出 与给定输 出的误差，然 后，通 过 改 变w ， W。 来减 少误 差， 这个校正的 过程 也分 成 两 步， 先将误差分 配到隐节点，再 将误差传递 列输入 节点，通过w， ，w 的反复 修 正，使 得 网络的 输出与 目标输出的误差最 小， 从而 得到满 意的权重w ， w。 。网络采 用的 过程 函数模 型为 f s u m i _ m 其算 法如下 ] ． 网络 初始 化 ⋯ 5 6 一 w j j 1 ． ， ⋯P ， wI j ] i 1 ， 2 ， ⋯m，j l ，2 ， ⋯P为 醒阎 一0 ． 1 ， 0 ． ] 内的任 意数 。X l 。 0 ．h 1 ． 0 2 ． 输入 学 习实 例 3 ． 计算隐节点值h b 一i - -一 - - - _ j 1 ， 2 ， ⋯m ∑ w l 十 c ⋯ 4 计算输出 点值M M 一⋯ 【 一 一 P h j 1 e 5 ． 计算M 与目际输 出的 误差 b z Y Ⅵ y 为 目标值 6 。 误差 向后传递， 计算 隐节点 误差 6 ＆ 】 jhj ]一hj ＆ 2 W j m 1一 、 7 ． 计算隐节点及输出节点间权 重w 的 改 变量 A W ，其 中 为 学 习率 AW 2 r ／ lV l “ 1一M hl ＆ 2 j 1 ， 2． ⋯ P 8 ． 计算输入节点与隐节点之阈的权重改 变量AW⋯ △W 】 】 ＆ 】 j X L i ] ， 2， ⋯ i 1 1 j ⋯1 P 9 ． 返回 到2 ，输入 下一 实例 。 整个 学习过程是反复迭 代的过程 ，直到 满足 收敛要 求为止 。 在采 矿方 法数 值决策 中， 我们 可 以把方 案的属性特征作为输入，选择的方案作为输 出， 而把 以往类 似的决策作为 学习实例 ，使 得决策 中不 必人为地 分配属性 问的权 重，而 把它交 给神经 网络 去完成。 4 应用 实例及 主要结论 以某 锡矿 山的 两个硫化矿体 为 开 采 对 象 ，根 据其开采 技术条件， 初步 确定了三个 开采 方案A． ，A ，A。 ，它们 分别 是 锚 杆 维普资讯 7 ， 矿物颗粒沉降速度数学模型 v 南 方 冶 金 学 院 刘 雏 平 - T z Z ． -- 【 摘要l 倚要讨论了矿物颖粒在介质中的自由沉唏； 提出了 同密度殛I 盘 虚自 了 矿物颗粒在水 帕 誊沉 降 速 度 墼 翌 ， ／￡ 舷i z 咩 关 键 词 ； 沉 降 速 度 墼 兰 塑 翌 ， ‘ 一 厶／ f 1 前 言 重力选矿过程 中，矿粒 在介 质中的运动 形式是多种多样的，与球形颗粒相比，矿粒 的形状千姿百态。因此，矿粒在介质中的沉 降规律较球形颗粒 复杂 。在 重选 理论中．研 究颗粒沉降规律时，多是从球形颗粒出发， 但选矿过程所处理的物料不都是球形的，因 此研究矿物颗粒在介质中的沉降规律就显得 极为 重要 。 矿粒 的密度、粒度 、形状 以及 取 向的变 化都会影响矿粒在介质中的 自由沉降速度。 在整个沉降过程申，矿粒的速度是不断变化 ● mm呻 ．口 mm m0 护顶空场法}壁式崩落法}有底柱分段崩落 法。作者曾应用多目标决策法对该条件的开 采方案做过决策。在决策过程中考虑了以下 7 个技术经济因素t采场生产能力M ，矿体 贫化率M 、 矿石损失率M ，采 切千吨比M。 、 采矿工效M 、单位炸药消耗 量M。 、安全度 圈 采矿方法多目标决策权重分 配神经 随络结 构图 的。不存在匀速运动阶段，但是不论何种形 状的矿粒 ，其沉降速度的波动范围又是一定 的，也就是说，平均况降速度一定。因此， 对 矿粒 丽育 ，沉 降速度通常是指矿粒 在介 质 中的平1均沉降速度 为了计算矿粒的平均沉降速度，现有的 做法是 在球 形颗粒沉 降规 律的基础上 ，考 虑 矿粒 的形 状修正系数 或球 形系数 。但这种 方 法极为繁琐，且由于对形状的确定缺乏严格 的标准，常带有随意性，所以计算出的结果 未必可靠。此外，还可采用现有的图表，即 采用图解法或查表计算得出矿粒 的 沉 降 速 度 。所有 这些方法 都较 繁琐， 能 否 我 出 这 目 m口 m ‘ 根据前述的原理，结合采矿方法多 目标 决策 问题的具体情况 ，我 们不难得 到此时其 权重分配的神经网络，如图 2 所示。 以此神经网络为依据，根据前述算法得 到一组权重可供采矿方法多 目标 决 策 中 采 纳。 由以上分析可知，应用本文 提 出 的 方 法，确定采矿方法数瀣决策中各因素的权重 是通过 网络 对实例的 学习而获取的， 决策过 程中并不受人为因素影响，这样就减少 了决 策过程 中的许多不 确定性 因素的影响。从 而 提 高了采矿 方法数值决策 的可靠 性 和 准 瑭 性。另一方面也表现了采矿方法决策向智能 化方 向发展 的趋势。 参考 文献 略 责任编辑用致 勤 钧颗粒沉降速度教学楼型一一刘维平 _ - 5 7 一 维普资讯