CN103942922A - 一种基于演化神经网络的尾矿安全监测方法 - Google Patents

Abstract

本发明公开了一种基于演化神经网络的尾矿安全监测方法，包括以下几个步骤：步骤1：获取历史数据，同时依据曲线建模原则构建尾矿曲线模型；步骤2：利用历史数据建立演化神经网络预测模型；步骤3：确定进化个体，对进化个体采用高维优化进化算法进行优化，获得成熟的预测模型；步骤4：实时采集数据作为步骤3得到的成熟的预测模型的输入层的节点数据，对间隔时间Δt之后的尾矿参数进行预测；步骤5：若尾矿曲线模型的输出值超过设定的警戒值，则发出预警信号；该方法综合事先测量的数据与实时测量的数据，有效预测尾矿库主要安全参数的发展走势，从而大大提前了预警时间。

Description

一种基于演化神经网络的尾矿安全监测方法

技术领域

本发明涉及一种基于演化神经网络的尾矿安全监测方法。

背景技术

随着我国经济建设的发展，路基、桥梁、隧道、水坝、尾矿、边坡、高层建筑等各种大型土木工程如雨后春笋般出现。如何长期防范这些土木建筑中出现的安全隐患成为确保人民生命财产和公共安全的重要环节。有效的检测手段有利于及时发现问题，可靠的监测模式更是确保土木建筑长期处于安全状态的“哨兵”。目前，国内尾矿的安全检测机制普遍采用传感器实时采集监控数据，根据经验事先设置好安全阈值的方式来形成“传感器+触发+报警”的模式。这种报警模式可以做到准确预警，不过一旦警报发生，留给人们应急处理的时间却已经不多了。因为传感器检测到的是各种实体正在发生的形变数据，报警意味着灾难顷刻将至或者已经到来。另外，对于各种传感器所检测到是数据，一些用户选择不保存；更普遍的是将使用过的各传感器采集数据作为存档备查，以形成所谓“历史数据”或者“历史记录”。除了作为档案使用，利用程度并不高。

发明内容

本发明提供了一种基于演化神经网络的尾矿安全监测方法，其目的在于克服现有技术中对尾矿的安全报警时留给应急处理的时间短暂，不利于及时排除危险的问题。

一种基于演化神经网络的尾矿安全监测方法，包括以下步骤：

步骤1：获取历史数据，同时依据曲线建模原则构建尾矿曲线模型；

所述历史数据是指利用传感器对尾矿同时采集的气温、水位、水温、边坡位移、干滩位移、地下水渗透压力、混凝土应力以及尾矿曲线模型输出的尾矿干滩曲线面积、体积与形状；

所述的尾矿曲线模型是指x为干滩曲线上任意点的横坐标，y为干滩曲线上横坐标为x点对应的干滩长度；a_j为采用多项式拟合得到的系数，j的取值为0-m的整数；对尾矿干滩曲线进行积分获得干滩面积；

步骤2：利用历史数据建立演化神经网络预测模型；

以时间t时刻采集的历史数据作为演化神经网络预测模型的输入层的节点数据，以时间t+Δt时刻采集的历史数据作为演化神经网络预测模型的输入出层的节点数据，其中，Δt表示预测间隔时间；

演化神经网络预测模型的隐含层节点个数至少包括4个；

其中，演化神经网络预测模型如下：

$y_k\left(t\right)=\underset{j=1}{\overset{n_h}{\mathrm{\Σ}}}{w}_{\mathrm{kj}}\mathrm{\δ}\left(s_{\mathrm{kj}}^2\right)\log \mathrm{sig}[\underset{i=1}{\overset{n_{\mathrm{in}}}{\mathrm{\Σ}}}{v}_{\mathrm{ji}}\mathrm{\δ}\left(s_{\mathrm{ji}}^1\right)z_i\left(t\right)-b_j^1\mathrm{\δ}\left(s_j^1\right)]-\mathrm{\δ}\left(s_k^2\right)\log \mathrm{sig}\left(b_k^2\right)$

其中，n_in表示输入层的节点个数，每个节点分别接收历史数据中的气温、水位、水温、边坡位移、干滩位移、地下水渗透压力、混凝土应力以及尾矿曲线模型输出的尾矿干滩曲线面积、体积与形状，n_h表示隐含层的节点个数，n_out表示输出层节点个数；v_ji表示隐含层中第j个节点与输入层第i个节点的边上的权值，w_kj表示输出层中第k个节点与隐含层第j个节点的边上的权值，表示输入层第k个节点到隐含层递j个节点的连接边上的开关量,表示隐含层第j个节点到输入层递i个节点的连接边上的开关量，表示偏好节点与隐含层各节点、输入层各节点连接边上的开关量，分别表示偏好节点与隐含层各节点、输入层各节点连接边上的开关量；z_i(t)表示时间t输入层的第i个节点数据，y_k(t)表示在时间t对间隔时间Δt获得的输出层的第k个节点预测值；1≤i≤n_in，1≤k≤n_out，1≤j≤n_h；v_ji，w_kj， 的取值范围均为[-100，100]；

其中，表示自变量s属于实数域；

步骤3：确定进化个体，对进化个体采用高维优化进化算法进行优化，获得成熟的预测模型；

对演化神经网络预测模型中输入层与隐含层之间的权值、隐含层与输出层之间的权值以及演化神经网络结构进行编码作为进化个体，采用高维优化进化算法对进化个体进行优化求解，对个体进行随机取值，当评价函数小于误差设定值时，获得成熟的预测模型；

其中，表示采用预测模型预测获得第k个节点的输出值，n_d表示输入层节点数据与对应的输出层节点数据的组数；

所述的演化神经网络结构是指输入层节点、隐含层节点及输出层节点个数，输入层节点和输出层节点分别与隐含层节点之间的连接边权值大小；

步骤4：实时采集数据作为步骤3得到的成熟的预测模型的输入层的节点数据，对间隔时间Δt之后的尾矿参数进行预测，利用成熟的预测模型输出层的节点数据作为尾矿曲线模型的输入值，将尾矿曲线模型的输出值与设定的警戒值进行比较；

步骤5：若尾矿曲线模型的输出值超过设定的警戒值，则发出预警信号。

所述logsig(·)的函数表达式为 表示自变量α属于实数域；

logsig(·)函数将演化神经网络预测模型的输出将被限制在(0，1]区间；

采用logsig(·)函数易于数学处理；如果要还原成实际值，只要将该输出与该数据物理意义的最大值相乘即可；

所述高维优化进化算法是指输入N个个体组成的群体，然后通过佳点集交叉策略对群体进行交叉，采用高斯变异算子对群体进行变异，经过选择形成下一代种群，对种群进行迭代，获得最优解。

高维进化算法是指在个体位数较大时，例如100维甚至上千维，常规进化算法很难成功地在这样大的搜索空间中求解的情况下，人们运用各种数学工具，人工智能手段高效求解的一类进化算法，这类算法较常规算法要复杂得多，但求解能力非常强。

有益效果

与现有技术相比，本发明所述方法的具有以下优点：

(1).本方法采用对历史数据的学习形成预测模型，根据实时测量的数据进行未来的安全预测大大提高预警提前量；

(2).本系统大量采用人工智能领域的成果，改变尾矿安全监测领域“触发+报警”的传统模式，提高安全保障；

(3).本系统含有尾矿各类曲线数据模型，通过有限点的测量，即可推算出尾矿实际状态的全局信息，增强了预警效果。

本专利中的智能算法采用了能在高维空间迭代求解的进化算法对预测模块内部的权值和连接结构可以根据问题的实际需要同时进行动态调整的演化神经网络来进行“学习”训练，最终形成“专家”模型。当“训练”成熟后的预测模型再次被输入实时测量数据时，该模型可以对各传感器所检测部位未来一段时期内的变化情况进行较为准确的分析预测。利用本专利，不仅可以对尾矿库的安全状态进行连续、实时、可视化的状态监测和评估；而且采用该专利的新系统将能真正做到“吃一堑，长一智”，从而实现“前事不忘，后事之师”。最重要的是这样做由于大大提前了常规的预警时间，一旦有事故或灾难发生，人们会有充分的时间来采取避险措施。

附图说明

图1为本发明所述方法的流程图；

图2为尾矿智能安全监测的硬件框图；

图3为多输入多输出演化神经网络的原理图；

图4为高维进化算法优化演化神经网络算法流程图；

图5为用太阳黑子数据演示系统预测原理的效果图，其中，图（a）是太阳黑子数据的规律曲线图，图（b）是利用1700-1890约两百年的数据作为学习素材，然后应用本发明方法对1890至2009年的趋势进行预测的曲线，预测曲线为实线上带黑点部分段。

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

如图1所示，一种基于演化神经网络的尾矿安全监测方法，包括以下步骤：

步骤1：获取历史数据，同时依据曲线建模原则构建尾矿曲线模型；

所述历史数据是指利用传感器对尾矿同时采集的气温、水位、水温、边坡位移、干滩位移、地下水渗透压力、混凝土应力以及尾矿曲线模型输出的尾矿干滩曲线面积、体积与形状；

所述的尾矿曲线模型是指x为干滩曲线上任意点的横坐标，y为干滩曲线上横坐标为x点对应的干滩长度；a_j为采用多项式拟合得到的系数，j的取值为0-m的整数；对尾矿干滩曲线进行积分获得干滩面积；

步骤2：利用历史数据建立演化神经网络预测模型；

以时间t时刻采集的历史数据作为演化神经网络预测模型的输入层的节点数据，以时间t+Δt时刻采集的历史数据作为演化神经网络预测模型的输入出层的节点数据，其中，Δt表示预测间隔时间；

演化神经网络预测模型的隐含层节点个数至少包括4个；

其中，演化神经网络预测模型如下：

$y_k\left(t\right)=\underset{j=1}{\overset{n_h}{\mathrm{\Σ}}}{w}_{\mathrm{kj}}\mathrm{\δ}\left(s_{\mathrm{kj}}^2\right)\log \mathrm{sig}[\underset{i=1}{\overset{n_{\mathrm{in}}}{\mathrm{\Σ}}}{v}_{\mathrm{ji}}\mathrm{\δ}\left(s_{\mathrm{ji}}^1\right)z_i\left(t\right)-b_j^1\mathrm{\δ}\left(s_j^1\right)]-\mathrm{\δ}\left(s_k^2\right)\log \mathrm{sig}\left(b_k^2\right)$

其中，n_in表示输入层的节点个数，每个节点分别接收历史数据中的气温、水位、水温、边坡位移、干滩位移、地下水渗透压力、混凝土应力以及尾矿曲线模型输出的尾矿干滩曲线面积、体积与形状，n_h表示隐含层的节点个数，n_out表示输出层节点个数；v_ji表示隐含层中第j个节点与输入层第i个节点的边上的权值，w_kj表示输出层中第k个节点与隐含层第j个节点的边上的权值，表示输入层第k个节点到隐含层递j个节点的连接边上的开关量,表示隐含层第j个节点到输入层递i个节点的连接边上的开关量，表示偏好节点与隐含层各节点、输入层各节点连接边上的开关量，分别表示偏好节点与隐含层各节点、输入层各节点连接边上的开关量；z_i(t)表示时间t输入层的第i个节点数据，y_k(t)表示在时间t对间隔时间Δt获得的输出层的第k个节点预测值；1≤i≤n_in，1≤k≤n_out，1≤j≤n_h；v_ji，w_kj， 的取值范围均为[-100，100]；

其中，表示自变量s属于实数域；

步骤3：确定进化个体，对进化个体采用高维优化进化算法进行优化，获得成熟的预测模型；

对演化神经网络预测模型中输入层与隐含层之间的权值、隐含层与输出层之间的权值以及演化神经网络结构进行编码作为进化个体，采用高维优化进化算法对进化个体进行优化求解，对个体进行随机取值，当评价函数小于误差设定值时，获得成熟的预测模型；

其中，表示采用预测模型预测获得第k个节点的输出值，n_d表示输入层节点数据与对应的输出层节点数据的组数；

所述的演化神经网络结构是指输入层节点、隐含层节点及输出层节点个数，输入层节点和输出层节点分别与隐含层节点之间的连接边权值大小；

步骤4：实时采集数据作为步骤3得到的成熟的预测模型的输入层的节点数据，对间隔时间Δt之后的尾矿参数进行预测，利用成熟的预测模型输出层的节点数据作为尾矿曲线模型的输入值，将尾矿曲线模型的输出值与设定的警戒值进行比较；

步骤5：若尾矿曲线模型的输出值超过设定的警戒值，则发出预警信号。

所述logsig(·)的函数表达式为 表示自变量α属于实数域；

logsig(·)函数将演化神经网络预测模型的输出将被限制在(0，1]区间；

采用logsig(·)函数易于数学处理；如果要还原成实际值，只要将该输出与该数据物理意义的最大值相乘即可；

所述高维优化进化算法是指输入N个个体组成的群体，然后通过佳点集交叉策略对群体进行交叉，采用高斯变异算子对群体进行变异，经过选择形成下一代种群，对种群进行迭代，获得最优解，如图4所示。

高维进化算法是指在个体位数较大时，例如100维甚至上千维，常规进化算法很难成功地在这样大的搜索空间中求解的情况下，人们运用各种数学工具，人工智能手段高效求解的一类进化算法，这类算法较常规算法要复杂得多，但求解能力非常强。

如图2所示，为尾矿智能安全监测的硬件框图；包括设置在干滩坝体顶部的平行设置的多个激光测距仪、第一通信模块、设置在尾矿库库区水面上的超声波液位计、第二通信模块及上位机；

所述激光测距仪通过第一通信模块与上位机进行通信，所述超声波液位计通过第二通信模块与上位机进行通信；

在干滩上任意选取多个干滩监测点D，每个干滩监测点D由一个激光测距仪监测；多个干滩监测点D分别位于多个激光测距仪所在的竖直平面内；

所述激光测距仪用于测量干滩监测点与激光测距仪之间的距离。

激光测距仪与垂直平面的夹角使用倾角仪事先测定。

所述第一通信模块和第二通信模块为无线通信模块，采用GPRS通信、短波数传、Zigbee、CDMA或无线局域网。

本方法中重点设计在于一个多输入多输出三层前馈网络，其结构如图3所示，用户可以将各个关键部位的传感器数据对应一个网络的一个输入节点（为了训练的复杂度的降低，以及预测的准确，单个预测模型输入节点不宜超过5个）；隐含层的节点数目采用由小到大递增的方式进行调整，直至网络的性能达到满意为止。例如：初始值为4个，预测效果不好的话，则增加至5，依次类推。网络的数学模型定义如下：

$\begin{array}{c}{y}_k\left(t\right)=\underset{j=1}{\overset{n_h}{\mathrm{\Σ}}}{w}_{\mathrm{kj}}\mathrm{\δ}\left(s_{\mathrm{kj}}^2\right)\log \mathrm{sig}[\underset{i=1}{\overset{n_{\mathrm{in}}}{\mathrm{\Σ}}}{v}_{\mathrm{ji}}\mathrm{\δ}\left(s_{\mathrm{ji}}^1\right)z_i\left(t\right)-b_j^1\mathrm{\δ}\left(s_j^1\right)]\\ -\mathrm{\δ}\left(s_k^2\right)\log \sin \left(b_k^2\right),k=\mathrm{1,2},...n_{\mathrm{out}}\end{array}---\left(1\right)$

y_k(t)是输出层单个节点在时间t的输出，在某一具体时间t，整个网络输出层的计算输出应该是一组向量每个分量就是y_k(t)；是输入层在t时间的输入，z_i(t)表示在某一具体时间t某个传感器上的数据经归一化处理后作为网络的输入；n_in表示输入节点的个数；n_h表示隐含层节点个数；n_out表示输出层节点个数；v_ji表示隐含层中第j个节点与输入层第i个节点的边上的权值（1≤j≤n_h,1≤i≤n_in）；w_kj表示输出层中第k个节点与隐含层第j个节点的边上的权值(1≤k≤n_out,1≤j≤n_h)；表示偏好节点在隐含层各节点上作用的大小，表示偏好节点在输出层各节点上作用的大小,它们用以根据某种偏好值来调节或控制每个隐含层节点以及每个输出层节点上的输出。v_ji，w_kj，的取值范围都是[-100，100]；logsig(·)表示输出函数（the logarithmic sigmoid function）:

其中表示自变量α属于实数域，经过这个函数，网络的输出将被限制在(0，1]区间。

采用logsig(·)函数易于数学处理；如果要还原成实际值，只要将该输出与该数据物理意义的最大值相乘即可；例如输出是0.25，该节点物理上表示温度的输出，又假设在该系统中，温度的上限是300oC，则该节点实际表示预测值为0.25*300摄氏度。

对于网络内部各节点之间连接边的取舍，本专利采用如下函数关系为每条边定于取舍标准：

其中表示自变量s属于实数域。这个函数相当于在每条边加上了一个开关，由此来调整网络的结构。参看图3，和分别表示神经网络边的开关量，为了计算方便，它们的取值范围同样可设成[-100，100]：表示输入层第k个节点到隐含层递j个节点的连接边上的开关量,(1≤k≤n_out,1≤j≤n_h)；表示隐含层第j个节点到输入层递i个节点的连接边上的开关量（1≤j≤n_h,1≤i≤n_in）；和分别表示偏好节点和与隐含层各节点、输入层各节点连接边上的开关量。这样整个网络不仅权值信息得到了体现，而且结构信息也能被编码。与以往的演化神经网络有着本质的不同。

在本方法中，网络（预测模型）的学习调整不是用传统的梯度反馈等方法，而是采用人工智能领域的高维进化算法来进行。所以网络的结构和权值信息需要编码成一维向量，这是采用进化算法来进行演化时对进化个体（染色体）的通常格式要求。所以整个网络的进化个体按以下格式进行编码：例如：表示 $s_{11}^2,s_{12}^2,...,s_{1n_{\mathrm{out}}}^2,s_{21}^2,s_{22}^2,...,s_{2n_{\mathrm{out}}}^2,...s_{n_{h}1}^2,s_{n_{h}2}^2,...,s_{n_h{n}_{\mathrm{out}}}^2,$

w_jk表示 $w_{11},w_{12},...,w_{{1m}_{\mathrm{out}}},w_{21},w_{22},...,w_{2n_{\mathrm{out}}},...,w_{n_{h}1},w_{n_{h}2},...,w_{n_h{n}_{\mathrm{out}}},$

表示 $s_{11}^1,s_{12}^1,...,s_{1n_h}^1,s_{21}^1,s_{22}^1,...,s_{2n_h}^{14},...s_{n_{\mathrm{in}}1}^1,s_{n_{h=\mathrm{in}}2}^1,...,s_{n_{\mathrm{in}}{n}_h}^1,$

v_ij表示 $v_{11},v_{12},...,v_{{1m}_h},v_{21},v_{22},...,v_{2n_h},...,v_{n_{\mathrm{in}}1},v_{n_{\mathrm{in}}2},...,v_{n_{\mathrm{in}}{n}_h},$

$s_j^1,b_j^1$ 表示 $s_1^1,...s_{n_h}^1,b_1^1,...b_{n_h}^1,s_k^2,b_k^2$ 表示 $s_1^2,...s_{n_{\mathrm{out}}}^2,b_1^1....,b_{n_{\mathrm{out}}}^1.$

这样的个体在演化过程中有100个。初始化时，每一维分量都初始化为[-100，100]之间的一个随机数（注：分量的取值范围可按输入的正负100倍进行自行调整），然后参与进化。要进化算法顺利运行，另一个必不可少的条件就是评估函数f的确立，即通过这个评估函数f的输出值来评价网络（预测模型）性能的优劣。

将公式（1）所表示的网络形式抽象成如下输入输出的函数关系：

y(t)=g(z(t)).t=1,2,...,n_d        (4)

这里用g(·)将网络（预测模型）表示成一个函数表达式未知的非线性函数来描述输入输出关系，表示输入数据根据未知的非线性函数g(·)应该得到的实际输出解；nd表示有多少组输入输出数据。如果这里用表示输入数据根据未知的非线性函数g(·）应该得到的理想解（即机学习标准）。学习的误差定义如下：

$\mathrm{err}=\underset{k=1}{\overset{n_{\mathrm{out}}}{\mathrm{\Σ}}}\frac{{\mathrm{\Σ}}_{t=1}^{n_d}|y_k^d\left(t\right)-y_k\left(t\right)|}{n_d{n}_{\mathrm{out}}},$ 这里err表示标准差。

那么网络（预测模型）的评价函数可以表示为式（5）

$f=\frac{1}{1+\mathrm{err}}---\left(5\right)$

误差err越大，评价函数函数f的值就越小。

为了说明本发明方法的可行性和普适性，我们需要采用一组权威且公认的数据来实验说明；另外，尾矿监测数据跟天气的变化有着很大的关系，太阳的变化规律是影响天气的重要因素。如果能预测太阳黑子的变化，将有力的证明“预测模块”可以值得信赖地用于各类天气下的传感器数据预测。这里，我们利用美国宇航局网站提供的开源太阳黑子数据来做实验证明。图5是我们用1700年到2009年太阳黑子数据进行的实验，图（a）是太阳黑子数据的规律曲线，图（b）是我们拿1700-1890约两百年的数据作为学习素材，然后对1890至2009年的趋势进行预测的曲线（实线上带黑点部分）。预测模型的输入和输出规则是这样定义的，输入输出节点分别为3个，输入为：z(t)=[z₁(t),z₂(t-1),z₃(t-2)]，表示将连续3年的数据编成一组输入；输出为：y(t)=[y₁(t+1),y₂(t),y₃(t-1)]，表示连续三年的预测输出，输出向量下标均比相应的输入分量大1，意味着预测下一年的数据。效果如图5右所示，可以看出预测的效果与实际规律非常吻合。

本发明将把每个关键传感器对应到预测器的对应输入节点，并为每个关键监测节点在输出层构造相应节点，学习阶段，预测器的输出数据将根据误差公式（5）跟历史数据进行比对学习；预测器成熟后，将根据实时测量的数据预测将来的安全数据变化曲线，超出范围则预警。

Claims (3)

1.一种基于演化神经网络的尾矿安全监测方法，其特征在于，包括以下步骤： 

步骤1：获取历史数据，同时依据曲线建模原则构建尾矿曲线模型； 

所述历史数据是指利用传感器对尾矿同时采集的气温、水位、水温、边坡位移、干滩位移、地下水渗透压力、混凝土应力以及尾矿曲线模型输出的尾矿干滩曲线面积、体积与形状； 

步骤2：利用历史数据建立演化神经网络预测模型； 

以时间t时刻采集的历史数据作为演化神经网络预测模型的输入层的节点数据，以时间t+Δt时刻采集的历史数据作为演化神经网络预测模型的输入出层的节点数据，其中，Δt表示预测间隔时间； 

演化神经网络预测模型的隐含层节点个数至少包括4个； 

其中，演化神经网络预测模型如下： 

其中，n_in表示输入层的节点个数，每个节点分别接收历史数据中的气温、水位、水温、边坡位移、干滩位移、地下水渗透压力、混凝土应力以及尾矿曲线模型输出的尾矿干滩曲线面积、体积与形状，n_h表示隐含层的节点个数，n_out表示输出层节点个数；v_ji表示隐含层中第j个节点与输入层第i个节点的边上的权值，w_kj表示输出层中第k个节点与隐含层第j个节点的边上的权值，表示输入层第k个节点到隐含层递j个节点的连接边上的开关量,表示隐含层第j个节点到输入层递i个节点的连接边上的开关量，表示偏好节点与隐含层各节点、输入层各节点连接边上的开关量，分别表示偏好节点与隐含层各节点、输入层各节点连接边上的开关量；z_i(t)表示时间t输入层的第i个节点数据，y_k(t)表示在时间t对间隔时间Δt获得的输出层的第k个节点预测值；1≤i≤n_in，1≤k≤n_out，1≤j≤n_h；v_ji，w_kj， 的取值范围均为[-100，100]； 

其中，表示自变量s属于实数域； 

步骤3：确定进化个体，对进化个体采用高维优化进化算法进行优化，获得成熟的预测模型； 

对演化神经网络预测模型中输入层与隐含层之间的权值、隐含层与输出层之间的权值以及演化神经网络结构进行编码作为进化个体，采用高维优化进化算法对 进化个体进行优化求解，对个体进行随机取值，当评价函数小于误差设定值时，获得成熟的预测模型； 

其中， 表示采用预测模型预测获得第k个节点的输出值，nd表示输入层节点数据与对应的输出层节点数据的组数； 

所述的演化神经网络结构是指输入层节点、隐含层节点及输出层节点个数，输入层节点和输出层节点分别与隐含层节点之间的连接边权值大小； 

步骤4：实时采集数据作为步骤3得到的成熟的预测模型的输入层的节点数据，对间隔时间Δt之后的尾矿参数进行预测，利用成熟的预测模型输出层的节点数据作为尾矿曲线模型的输入值，将尾矿曲线模型的输出值与设定的警戒值进行比较； 

步骤5：若尾矿曲线模型的输出值超过设定的警戒值，则发出预警信号。 

2.根据权利要求1所述的基于演化神经网络的尾矿安全监测方法，其特征在于，所述logsig(·)的函数表达式为 表示自变量α属于实数域。 

3.根据权利要求2所述的基于演化神经网络的尾矿安全监测方法，其特征在于，所述高维优化进化算法是指输入N个个体组成的群体，然后通过佳点集交叉策略对群体进行交叉，采用高斯变异算子对群体进行变异，经过选择形成下一代种群，对种群进行迭代，获得最优解。