CN101436264A - 基于分段模糊bp神经网络的矿山井下泥石流预测方法 - Google Patents

Abstract

本发明公开了矿山井下生产安全保障技术领域中的一种基于分段模糊BP神经网络的矿山井下泥石流预测方法。技术方案是，提出影响井下泥石流形成的关键因素；将定量因素和定性因素进行预处理，提出串形结构的分段模糊BP神经网络；对原有神经网络模型进行改进，设计新的评估模型；形成网络学习训练样本；进行网络学习训练；对评价结果进行危险度识别；计算系统误差；调整系统误差，直到系统平均误差小于设定要求为止。本发明为减轻、延缓以及遏制矿山井下泥石流的发生，合理有效的控制其对矿山安全生产造成的影响提供了依据。

Description

基于分段模糊BP神经网络的矿山井下泥石流预测方法

技术领域

本发明属于矿山井下生产安全保障技术领域，尤其涉及一种基于分段模糊BP神经网络的矿山井下泥石流预测方法。

背景技术

目前我国一部分地下金属矿山随着采矿的深入进行，形成地表塌陷，造成涌泥量的急剧增加。每当汛期来临时，雨水、黄泥、砂石夹杂一起，极易形成井下泥石流地质灾害，而且有越来越严重威胁矿山正常安全生产的趋势。因此，在排除人为隐患的前提下，十分有必要对矿山井下泥石流形成过程、诱发机理进行全面系统的研究，并提出相应的工程控制对策措施，以减少泥石流的发生次数，避免人身伤亡和财产损失，确保矿山安全生产。

而现有的矿山泥石流的机理及预报理论、方法及发展状况，主要集中在露天泥石流方面，对于地下金属矿山井下泥石流的机理及预测预报研究则少之甚少。与露天相比，地下金属矿山井下泥石流的形成更为复杂，关键在于其复杂的地层结构、多变的采场边界条件以及众多的采矿因素的影响，在采场围岩中还潜在着大小不同和形状各异的空区、空洞。同时，其介质的力学性质、变形破坏机理以及空区、空洞在复杂多变的采矿因素影响下，随空间和时间的变化而变化。因此，对地下金属矿山的井下泥石流机理及预测预报至今仍是一个空白。

发明内容

本发明的目的在于，通过深入分析矿山井下泥石流的形成因素，提出矿山井下泥石流的预测方法，解决目前矿山露天泥石流预测不能满足矿山安全生产的实际需要。

本发明的技术方案是，一种基于分段模糊BP神经网络的矿山井下泥石流预测方法，其特征是，所述方法包括下列步骤：

步骤1：进行专家调查、资料分析和井下泥石流形成因素宏观分析，提出影响井下泥石流形成的关键因素；

步骤2：将定量因素和定性因素进行预处理，提出串形结构的分段模糊BP神经网络；

步骤3：对原有神经网络模型进行改进，设计新的评估模型；

步骤4：形成网络学习训练样本；

步骤5：进行网络学习训练；

步骤6：对评价结果进行危险度识别；

步骤7：计算系统误差；

步骤8：如果误差不能满足设定要求，则跳到步骤2，重复以上各步，直到系统平均误差小于设定要求为止。

步骤9：结束。

所述影响井下泥石流形成的关键因素包括塌陷坑深度、塌陷面积、地表相对高差、黄土层厚度、上覆岩层垫层厚度、矿体埋藏深度、开采深度、液塑性、渗透性、含水率、单口持续出矿。

所述对原有神经网络模型进行改进，设计新的评估模型，是将传统的神经网络S型函数 $f\left(x\right)=\frac{1}{1+e^{-x}},$ 替换为新的S型函数 $f\left(x\right)=\frac{1}{1+e^{-\mathrm{tx}}}(t=\mathrm{1,2,3}).$

所述形成网络学习训练样本，就是给出顺序赋值的输入向量X_i＝(x₀，x₁，...，x_n-1)和对应的期望输出向量D_i＝(d₀，d₁，...，d_m-1)，其中下标i为第i个样本的输入或输出模式。

所述进行网络学习训练，包括下列步骤：

步骤51：使用S型函数，利用公式 $\begin{array}{cc}{x}_j^{\′}=f(\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}{x}_i-{\mathrm{\θ}}_j)& 0\≤j\≤n_1-1,\end{array}$ 计算各隐含层的输出

利用公式 $\begin{array}{cc}{y}_k=f(\underset{j=0}{\overset{n_1-1}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}{x}_k^{\′}-{\mathrm{\θ}}_k)& 0\≤k\≤m-1,\end{array}$ 计算输出层的输出值y_k；

步骤52：使用递归算法，从输出层开始逆向传播误差，直到第一隐含层为止；并用公式ω_ij(t+1)＝ω_ij(t)+ηδ_jx_i，调整权值，若节点j是一个输出节点，则：δ_i＝y_j(1-y_j)(d_j-y_j)；若节点j是一个内部的隐节点，则： ${\mathrm{\δ}}_j=x_j^{\′}(1-x_j^{\′})\underset{k}{\text{\Σ}}{\mathrm{\δ}}_k{\mathrm{\ω}}_{\mathrm{jk}};$ 其中，w_ij为权值、θ_j为阈值、η为增益项，在计算开始时把所有的权值w_ij和阈值θ_j，都设置成较小的随机数；

步骤53：调整阈值，使用神经网络中递归算法从输出层开始逆向传播误差，直到第一隐含层为止。

所述计算系统误差，其方法是对于每一个输入和输出模式，其误差计算公式为 $E_i=\frac{\underset{k=0}{\overset{m-1}{\mathrm{\Σ}}}{(d_k-y_k)}^2}{2},$ 在有p个样本的情况下，系统的平均误差为 $E=\underset{i=0}{\overset{p}{\mathrm{\Σ}}}{E}_i=\frac{\underset{i=0}{\overset{p-1}{\mathrm{\Σ}}}\underset{k=0}{\overset{m-1}{\mathrm{\Σ}}}{(d_{\mathrm{ik}}-y_{\mathrm{ik}})}^2}{2p},$ 其中d_ik对应于第i个输入模式第k个输出层节点的期望输出，y_ik为相应的计算输出。

基于分段模糊BP神经网络的矿山井下泥石流预测方法，为减轻、延缓、甚至遏制矿山井下泥石流的发生，合理有效的控制其对矿山安全生产造成的影响提供科学依据。

附图说明

图1是基于分段模糊BP神经网络的矿山井下泥石流预测方法流程图。

图2是分段模糊BP神经网络层次结构图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

图1是矿山井下泥石流预测方法的流程图。图1中，步骤101：进行专家调查、资料分析和井下泥石流形成因素宏观分析，提出影响井下泥石流形成的关键因素。

步骤102：将定量因素和定性因素进行预处理，提出串形结构的分段模糊BP神经网络。

图2是分段模糊BP神经网络层次结构图。图2中，分段模糊神经网络由三部分组成，为分段模糊处理层、神经网络学习层(包括输入层、隐含层和输出层)和反模糊数据处理层。

根据定量因素隶属函数表(见表1)以及定性因素量化处理方法(见表2)对数据进行预处理。

表1：定量因素隶属函数表

表2：定性因素量化处理方法

分段模糊量化部分主要是根据输入因素和输出因素的数据分布区间或定性分类进行分段模糊处理，处理后的数据样本遵循模糊数学中最大隶属度的原则进行相应的排列。

步骤103：对原有神经网络模型进行改进，设计新的评估模型。对原有神经网络模型进行改进，设计新的评估模型104，将传统的神经网络S型函数 $f\left(x\right)=\frac{1}{1+e^{-x}},$ 替换为新的S型函数 $f\left(x\right)=\frac{1}{1+e^{-\mathrm{tx}}}(t=\mathrm{1,2,3}).$

步骤104：形成网络学习训练样本即给出顺序赋值的输入向量X_i＝(x₀，x₁，...，x_n-1)和对应的期望输出向量D_i＝(d₀，d₁，...，d_m-1)，其中下标i为第i个样本的输入或输出模式。

步骤105：进行网络学习训练。首先，使用S型函数，利用公式 $\begin{array}{cc}{x}_j^{\′}=f(\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}{x}_i-{\mathrm{\θ}}_j)& 0\≤j\≤n_1-1,\end{array}$ 计算各隐含层的输出

利用公式 $\begin{array}{cc}{y}_k=f(\underset{j=0}{\overset{n_1-1}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ik}}{x}_k^{\′}-{\mathrm{\θ}}_k),& 0\≤k\≤m-1,\end{array}$ 计算输出层的输出值y_k。

然后，使用递归算法，从输出层开始逆向传播误差，直到第一隐含层为止；并用公式ω_ij(t+1)＝ω_ij(t)+ηδ_jx_i，调整权值，若节点j是一个输出节点，则：δ_i＝y_j(1-y_j)(d_j-y_j)；若节点j是一个内部的隐节点，则： ${\mathrm{\δ}}_j=x_j^{\′}(1-x_j^{\′})\underset{k}{\text{\Σ}}{\mathrm{\δ}}_k{\mathrm{\ω}}_{\mathrm{jk}};$ 其中，w_ij为权值、θ_j为阈值、η为增益项，在计算开始时把所有的权值w_ij和阈值θ_j，都设置成较小的随机数。

最后，调整阈值，使用神经网络中递归算法从输出层开始逆向传播误差，直到第一隐含层为止。

步骤106：对评价结果进行危险度识别。根据表3输出因素量化进行危险度识别。

表3：输出因素量化

 

输出因素名称	1	2	3	4
					井下泥石流发生危险度	十分正常	正常	危险	十分危险

步骤107：计算系统误差，检验模型。求系统的平均误差：对于每一个输入、输出模式，对i，其误差计算公式为 $E_i=\frac{\underset{k=0}{\overset{m-1}{\mathrm{\Σ}}}{(d_k-y_k)}^2}{2},$ 系统的平均误差为(假设有p个样本)： $E=\underset{i=0}{\overset{p}{\mathrm{\Σ}}}{E}_i=\frac{\underset{i=0}{\overset{p-1}{\mathrm{\Σ}}}\underset{k=0}{\overset{m-1}{\mathrm{\Σ}}}{(d_{\mathrm{ik}}-y_{\mathrm{ik}})}^2}{2p},$ 其中d_ik对应于第i个输入模式第k个输出层节点的期望输出，y_ik为相应的计算输出，若误差不能满足要求则转求2，多次重复以上各步，直到系统平均误差小于规定的要求为止；

步骤108：如果误差不能满足设定要求，则跳到步骤102，重复以上各步，直到系统平均误差小于设定要求为止。

步骤109：结束预测。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1、一种基于分段模糊BP神经网络的矿山井下泥石流预测方法，其特征是，所述方法包括下列步骤：

步骤1：进行专家调查、资料分析和井下泥石流形成因素宏观分析，提出影响井下泥石流形成的关键因素；

步骤2：将定量因素和定性因素进行预处理，提出串形结构的分段模糊BP神经网络；

步骤3：对原有神经网络模型进行改进，设计新的评估模型；

步骤4：形成网络学习训练样本；

步骤5：进行网络学习训练；

步骤6：对评价结果进行危险度识别；

步骤7：计算系统误差；

步骤8：如果误差不能满足设定要求，则跳到步骤2，重复以上各步，直到系统平均误差小于设定要求为止；

步骤9：结束。

2、根据权利要求1所述的一种基于分段模糊BP神经网络的矿山井下泥石流预测方法，其特征是所述影响井下泥石流形成的关键因素包括塌陷坑深度、塌陷面积、地表相对高差、黄土层厚度、上覆岩层垫层厚度、矿体埋藏深度、开采深度、液塑性、渗透性、含水率、单口持续出矿。

3、根据权利要求1所述的一种基于分段模糊BP神经网络的矿山井下泥石流预测方法，其特征是所述对原有神经网络模型进行改进，设计新的评估模型，是将传统的神经网络S型函数 $f\left(x\right)=\frac{1}{1+e^{-x}}$ ，替换为新的S型函数 $f\left(x\right)=\frac{1}{1+e^{-\mathrm{tx}}}(t=\mathrm{1,2,3}).$

4、根据权利要求1所述的一种基于分段模糊BP神经网络的矿山井下泥石流预测方法，其特征是所述形成网络学习训练样本，就是给出顺序赋值的输入向量X_i＝(x₀，x₁，...，x_n-1)和对应的期望输出向量D_i＝(d₀，d₁，...，d_m-1)，其中下标i为第i个样本的输入或输出模式。

5、根据权利要求1所述的一种基于分段模糊BP神经网络的矿山井下泥石流预测方法，其特征是所述进行网络学习训练，包括下列步骤：

步骤51：使用S型函数，利用公式 $x_j^{\′}=f(\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}{x}_i-{\mathrm{\θ}}_j)$ 0≤j≤n₁-1，计算各隐含层的输出

利用公式 $y_k=f(\underset{j=0}{\overset{n_1-1}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{jk}}{x}_k^{\′}-{\mathrm{\θ}}_k),$ 0≤k≤m-1，计算输出层的输出值y_k；

步骤52：使用递归算法，从输出层开始逆向传播误差，直到第一隐含层为止；并用公式ω_ij(t+1)＝ω_ij(t)+ηδ_jx_i，调整权值，若节点j是一个输出节点，则：δ_i＝y_j(1-y_j)(d_j-y_j)；若节点j是一个内部的隐节点，则： ${\mathrm{\δ}}_j=x_j^{\′}(1-x_j^{\′})\underset{k}{\mathrm{\Σ}}{\mathrm{\δ}}_k{\mathrm{\ω}}_{\mathrm{jk}};$ 其中，w_ij为权值、θ_j为阈值、η为增益项，在计算开始时把所有的权值w_ij和阈值θ_j，都设置成较小的随机数；

步骤53：调整阈值，使用神经网络中递归算法从输出层开始逆向传播误差，直到第一隐含层为止。

6、根据权利要求1所述的一种基于分段模糊BP神经网络的矿山井下泥石流预测方法，其特征是所述计算系统误差，其方法是对于每一个输入和输出模式，其误差计算公式为 $E_i=\frac{\underset{k=0}{\overset{m-1}{\mathrm{\Σ}}}{(d_k-y_k)}^2}{2},$ 在有p个样本的情况下，系统的平均误差为 $E=\underset{i=0}{\overset{p}{\mathrm{\Σ}}}{E}_i=\frac{\underset{i=0}{\overset{p-1}{\mathrm{\Σ}}}\underset{k=0}{\overset{m-1}{\mathrm{\Σ}}}{(d_{\mathrm{ik}}-y_{\mathrm{ik}})}^2}{2p},$ 其中d_ik对应于第i个输入模式第k个输出层节点的期望输出，y_ik为相应的计算输出。

Images