神經(jīng)網(wǎng)絡在采礦方法模糊優(yōu)選方面的應用課件

1、神經(jīng)網(wǎng)絡在采礦方法模糊優(yōu)選方面的應用目 錄 人工神經(jīng)網(wǎng)絡簡介1 彈性神經(jīng)網(wǎng)絡模型的構造3 采礦方法模糊優(yōu)選的神經(jīng)網(wǎng)絡決策4 實例應用5 ANN模式識別基本原理及BP算法2 結論61 人工神經(jīng)網(wǎng)絡簡介處理單元集合單元集合的活躍狀態(tài)單元間的連接方式激活模式在網(wǎng)絡中的傳遞把單元輸入與當前狀態(tài)結合起來產(chǎn)生新激活值各單元所用的輸出函數(shù)各單元所用的學習規(guī)則各單元所用的運激環(huán)境（1）人工神經(jīng)網(wǎng)絡模型可由8項特征進行刻劃：（2）神經(jīng)網(wǎng)絡分析決策因素的基本原理1 人工神經(jīng)網(wǎng)絡簡介 由于設計人員初步得到的工藝方案只是可行的，不是最優(yōu)的，因而需要對得到的可行工藝方案進行優(yōu)化。為進行工藝方案的優(yōu)化首先必須確定工藝方案

2、評價的決策因素。通過分析這里共確定了三大類十種決策因素，三大類決策因素是經(jīng)濟指標、生產(chǎn)技術指標和時間指標，其中經(jīng)濟指標又包括總投資、單位投資和單位成本，生產(chǎn)技術指標包括生產(chǎn)能力、定員、工效、基建量和初期剝采比時間指標包括基建期和達產(chǎn)期。（2）神經(jīng)網(wǎng)絡分析決策因素的基本原理1 人工神經(jīng)網(wǎng)絡簡介 為求得各決策因素的權重，我們建立了露天采礦工藝系統(tǒng)評價因素的神經(jīng)網(wǎng)絡體系。神經(jīng)網(wǎng)絡的輸入單元由影響決策因素的礦山自然地質因素和三種工藝系統(tǒng)組成， 礦山地質自然因素通過歸納可以由賦存條件、氣候、煤器結構、儲量、煤質五種因素來表示。神經(jīng)網(wǎng)絡的輸出單元由十種決策因素組成。返 回2 ANN模式識別基本原理及BP算

3、法（1）ANN模式識別基本原理 ANN系統(tǒng)理論近年來得到快速發(fā)展，提出了若干網(wǎng)絡模型和學習算法，并在實現(xiàn)方法方面進行了成功探討和試驗 。其中ANN模式識別理論正日益受到礦業(yè)界的重視。該理論認為，最初被給定問題域的權值是未知的，直到找到有用權值之前，神經(jīng)網(wǎng)絡不能正確進行模擬識別。通過合理訓練，包括合理選擇訓練集合及有效的訓練算法，網(wǎng)絡才能對不屬于訓練集合的輸入量正確分類。2 ANN模式識別基本原理及BP算法（2）神經(jīng)模式識別階段第一階段 調整網(wǎng)絡權值以表現(xiàn)問題域2 ANN模式識別基本原理及BP算法（3）BP算法BP算法一般采用梯度下降法訓練網(wǎng)絡，每個權值都是N維誤差空間中的一個元素。在誤差空間中

4、權值作為獨立的變量，并且相應誤差表面的形狀由訓練集合和誤差函數(shù)共同決定。當權值接近某值使得網(wǎng)絡總誤差在這個期間低于以前建立的閥值，網(wǎng)絡就收斂，這時，模式識別成功。BP算法通常存在兩個問題，即收斂緩慢和可能出現(xiàn)局部最小。改進的途徑主要有2種：一種是調整學習速率叼來加快收斂速度；另一種是采用更有效的優(yōu)化算法，通常采用模擬退火法和遺傳算法來避免局部最小。返 回3 彈性神經(jīng)網(wǎng)絡模型的構造（1）彈性神經(jīng)網(wǎng)絡與TSP問題彈性神經(jīng)網(wǎng)絡是1987年Durbin和Willshaw提出的求解TSP問題的一個遞推算法。這個方法從幾何的角度來考慮問題，是一種在不同幾何空間映射時最佳地保持鄰域關系的映射。彈性神經(jīng)網(wǎng)絡采

5、用一組同步運算的一級差分方程，是本質的并行運算，有利于用硬件并行實現(xiàn)。其主要計算量在每次遞推中距離的計算上，正比于遞推次數(shù)以及與有效連接權重的數(shù)目。仿真結果表明，與其它算法相比較，該法一般可以得到更短的路徑。3 彈性神經(jīng)網(wǎng)絡模型的構造（2）模型構造及算法假定彈性神經(jīng)網(wǎng)絡中有N個神經(jīng)元，神經(jīng)元的狀態(tài)為，整個網(wǎng)絡系統(tǒng)的狀態(tài)X= X1，X2，XN為N維實空間中的一個吸引子，網(wǎng)絡共有m個吸引子，即X1，X2，Xj， ，Xm，其中Xj=x1j，x2j， ，xNj。系統(tǒng)狀態(tài)方程為：式中為控制參數(shù)。(1) 模型構造3 彈性神經(jīng)網(wǎng)絡模型的構造采用數(shù)值分析中的迭代算法求解（1）式，迭代方程為：(3)其中t為時間

6、間隔，一般t=1.（2）模型構造及算法 模型構造1）在彈性神經(jīng)網(wǎng)絡系統(tǒng)中儲存m個吸引子。2）接受初始輸入模式 X（0），并設置初始控制參數(shù)為（0）。3）由t時刻的模式狀態(tài)X（t）求解下一時刻的模式狀態(tài)X（t+1）。4）當ll X（t+1）- X（t） ll時終止運算并輸出模式狀態(tài) X（t+1） ，否則轉入步驟5）。5)適當減少控制參數(shù) ，使得 （t+1） （t），轉入步驟3）。3 彈性神經(jīng)網(wǎng)絡模型的構造（2）模型構造及算法 算法步驟返 回 引入權向量W=W1，W2， ，WN表示評價指標集各因素的重要程度，且W=1。這樣，彈性神經(jīng)網(wǎng)絡狀態(tài)方程可修改為：4 采礦方法模糊優(yōu)選的神經(jīng)網(wǎng)絡決策其迭代算法

7、中的xi也做相應的修改。 由于評價指標的不可公度性，在用彈性神經(jīng)網(wǎng)絡模糊優(yōu)選采礦方法時，還需要對評價指標的屬性值進行統(tǒng)一變換。評價指標有定量和定性兩種情況，對于定量指標采用相對隸屬度公式進行變換，對于定性指標可采用二元對比有序模型使其量值化。 設m個可行采礦方案的N個評價指標的屬性值矩陣可表示為B=B1，B2，BNT=bkjNm，則相對隸屬度公式為：4 采礦方法模糊優(yōu)選的神經(jīng)網(wǎng)絡決策二元對比有序模型為：4 采礦方法模糊優(yōu)選的神經(jīng)網(wǎng)絡決策（4）由相對比較函數(shù)公式：4 采礦方法模糊優(yōu)選的神經(jīng)網(wǎng)絡決策（5）令 ij=r(ui，uj)，由式(4)、(5)可構造出關于uk的相對矩陣，即：4 采礦方法模糊

8、優(yōu)選的神經(jīng)網(wǎng)絡決策（6） 對矩陣的每一行取小，則可得出定性評價指標uk對應于m個待評價方案的量化評價向量。返 回5 實例應用 大紅山銅礦一期工程開采的富礦段礦體平均厚度11 m，平均傾角23，屬中厚緩傾斜難采礦體。通過相似優(yōu)化選比法對采礦方法進行初選，篩選出4種比較符合大紅山銅礦開采實際的采礦方法，即底盤漏斗分段空場法(M1)，預控兩步驟房式采礦法(M2)，中深孔超前切頂房柱法(M3)，塹溝受礦振動助流電耙聯(lián)合崩礦空場法(M4)。本次介紹的主要是利用上述的彈性神經(jīng)網(wǎng)絡模型終選大紅山銅礦緩傾斜中厚礦體采礦方法。（1） 背景介紹5 實例應用 根據(jù)定量、定性評價指標的相關變換公式，可得到4種方案的評

9、價矩陣為：5 實例應用（7） 由評價矩陣R構造理想方案作為輸入模式X(0)，其評價指標為R0=0.7143,0.3535,0.4737,0.6117,0.4236,0.4350,0.4914。 取x=0.2，t=1，依照前文中介紹的步驟進行仿真，網(wǎng)絡系統(tǒng)將很快收斂于R=0.7143,0.3132,0.0809,0.6l17, 0.0000,0.1635,0.2744，從而可知最優(yōu)方案為M4，即塹溝受礦振動助流電耙聯(lián)合崩礦空場法。采用“覆蓋”迭代，可得出采礦方法的優(yōu)選順序為M4M3M2M1。5 實例應用返 回 （1）近年來，礦業(yè)界對智能采礦理論及其實現(xiàn)方法作了初步探討。在采礦方法模糊優(yōu)選方面，已成功地應用ANN模式識別原理構建了采礦方法合理識別的人工神經(jīng)網(wǎng)絡模型，即多層前饋BP神經(jīng)網(wǎng)絡模型。但由于算法中存在的固有缺點，該模型不能很好的解決收斂緩慢及避免局部最小問題的發(fā)生。6 結論 （2）本文構造的彈性神經(jīng)網(wǎng)絡模型對BP模型的算法作了一定的改進：設計了N維幾何空間迭代求解過程用于輸入模式X(0)與m個吸引子的模式識別，引入控制參數(shù)調整能量函數(shù)，采用一組