神經(jīng)網(wǎng)絡(luò)在采礦方法模糊優(yōu)選方面的應(yīng)用課件

1、神經(jīng)網(wǎng)絡(luò)在采礦方法模糊優(yōu)選方面的應(yīng)用目 錄 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介1 彈性神經(jīng)網(wǎng)絡(luò)模型的構(gòu)造3 采礦方法模糊優(yōu)選的神經(jīng)網(wǎng)絡(luò)決策4 實(shí)例應(yīng)用5 ANN模式識(shí)別基本原理及BP算法2 結(jié)論61 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)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(luò)中的傳遞把單元輸入與當(dāng)前狀態(tài)結(jié)合起來(lái)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(xué)習(xí)規(guī)則各單元所用的運(yùn)激環(huán)境（1）人工神經(jīng)網(wǎng)絡(luò)模型可由8項(xiàng)特征進(jìn)行刻劃：（2）神經(jīng)網(wǎng)絡(luò)分析決策因素的基本原理1 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 由于設(shè)計(jì)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(duì)得到的可行工藝方案進(jìn)行優(yōu)化。為進(jìn)行工藝方案的優(yōu)化首先必須確定工藝方案

2、評(píng)價(jià)的決策因素。通過(guò)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(jì)指標(biāo)、生產(chǎn)技術(shù)指標(biāo)和時(shí)間指標(biāo)，其中經(jīng)濟(jì)指標(biāo)又包括總投資、單位投資和單位成本，生產(chǎn)技術(shù)指標(biāo)包括生產(chǎn)能力、定員、工效、基建量和初期剝采比時(shí)間指標(biāo)包括基建期和達(dá)產(chǎn)期。（2）神經(jīng)網(wǎng)絡(luò)分析決策因素的基本原理1 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 為求得各決策因素的權(quán)重，我們建立了露天采礦工藝系統(tǒng)評(píng)價(jià)因素的神經(jīng)網(wǎng)絡(luò)體系。神經(jīng)網(wǎng)絡(luò)的輸入單元由影響決策因素的礦山自然地質(zhì)因素和三種工藝系統(tǒng)組成， 礦山地質(zhì)自然因素通過(guò)歸納可以由賦存條件、氣候、煤器結(jié)構(gòu)、儲(chǔ)量、煤質(zhì)五種因素來(lái)表示。神經(jīng)網(wǎng)絡(luò)的輸出單元由十種決策因素組成。返 回2 ANN模式識(shí)別基本原理及BP算

3、法（1）ANN模式識(shí)別基本原理 ANN系統(tǒng)理論近年來(lái)得到快速發(fā)展，提出了若干網(wǎng)絡(luò)模型和學(xué)習(xí)算法，并在實(shí)現(xiàn)方法方面進(jìn)行了成功探討和試驗(yàn) 。其中ANN模式識(shí)別理論正日益受到礦業(yè)界的重視。該理論認(rèn)為，最初被給定問(wèn)題域的權(quán)值是未知的，直到找到有用權(quán)值之前，神經(jīng)網(wǎng)絡(luò)不能正確進(jìn)行模擬識(shí)別。通過(guò)合理訓(xùn)練，包括合理選擇訓(xùn)練集合及有效的訓(xùn)練算法，網(wǎng)絡(luò)才能對(duì)不屬于訓(xùn)練集合的輸入量正確分類。2 ANN模式識(shí)別基本原理及BP算法（2）神經(jīng)模式識(shí)別階段第一階段 調(diào)整網(wǎng)絡(luò)權(quán)值以表現(xiàn)問(wèn)題域2 ANN模式識(shí)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(xùn)練網(wǎng)絡(luò)，每個(gè)權(quán)值都是N維誤差空間中的一個(gè)元素。在誤差空間中

4、權(quán)值作為獨(dú)立的變量，并且相應(yīng)誤差表面的形狀由訓(xùn)練集合和誤差函數(shù)共同決定。當(dāng)權(quán)值接近某值使得網(wǎng)絡(luò)總誤差在這個(gè)期間低于以前建立的閥值，網(wǎng)絡(luò)就收斂，這時(shí)，模式識(shí)別成功。BP算法通常存在兩個(gè)問(wèn)題，即收斂緩慢和可能出現(xiàn)局部最小。改進(jìn)的途徑主要有2種：一種是調(diào)整學(xué)習(xí)速率叼來(lái)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(lái)避免局部最小。返 回3 彈性神經(jīng)網(wǎng)絡(luò)模型的構(gòu)造（1）彈性神經(jīng)網(wǎng)絡(luò)與TSP問(wèn)題彈性神經(jīng)網(wǎng)絡(luò)是1987年Durbin和Willshaw提出的求解TSP問(wèn)題的一個(gè)遞推算法。這個(gè)方法從幾何的角度來(lái)考慮問(wèn)題，是一種在不同幾何空間映射時(shí)最佳地保持鄰域關(guān)系的映射。彈性神經(jīng)網(wǎng)絡(luò)采

5、用一組同步運(yùn)算的一級(jí)差分方程，是本質(zhì)的并行運(yùn)算，有利于用硬件并行實(shí)現(xiàn)。其主要計(jì)算量在每次遞推中距離的計(jì)算上，正比于遞推次數(shù)以及與有效連接權(quán)重的數(shù)目。仿真結(jié)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(luò)模型的構(gòu)造（2）模型構(gòu)造及算法假定彈性神經(jīng)網(wǎng)絡(luò)中有N個(gè)神經(jīng)元，神經(jīng)元的狀態(tài)為，整個(gè)網(wǎng)絡(luò)系統(tǒng)的狀態(tài)X= X1，X2，XN為N維實(shí)空間中的一個(gè)吸引子，網(wǎng)絡(luò)共有m個(gè)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(gòu)造3 彈性神經(jīng)網(wǎng)絡(luò)模型的構(gòu)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(shí)間

6、間隔，一般t=1.（2）模型構(gòu)造及算法 模型構(gòu)造1）在彈性神經(jīng)網(wǎng)絡(luò)系統(tǒng)中儲(chǔ)存m個(gè)吸引子。2）接受初始輸入模式 X（0），并設(shè)置初始控制參數(shù)為（0）。3）由t時(shí)刻的模式狀態(tài)X（t）求解下一時(shí)刻的模式狀態(tài)X（t+1）。4）當(dāng)ll X（t+1）- X（t） ll時(shí)終止運(yùn)算并輸出模式狀態(tài) X（t+1） ，否則轉(zhuǎn)入步驟5）。5)適當(dāng)減少控制參數(shù) ，使得 （t+1） （t），轉(zhuǎn)入步驟3）。3 彈性神經(jīng)網(wǎng)絡(luò)模型的構(gòu)造（2）模型構(gòu)造及算法 算法步驟返 回 引入權(quán)向量W=W1，W2， ，WN表示評(píng)價(jià)指標(biāo)集各因素的重要程度，且W=1。這樣，彈性神經(jīng)網(wǎng)絡(luò)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(luò)決策其迭代算法

7、中的xi也做相應(yīng)的修改。 由于評(píng)價(jià)指標(biāo)的不可公度性，在用彈性神經(jīng)網(wǎng)絡(luò)模糊優(yōu)選采礦方法時(shí)，還需要對(duì)評(píng)價(jià)指標(biāo)的屬性值進(jìn)行統(tǒng)一變換。評(píng)價(jià)指標(biāo)有定量和定性兩種情況，對(duì)于定量指標(biāo)采用相對(duì)隸屬度公式進(jìn)行變換，對(duì)于定性指標(biāo)可采用二元對(duì)比有序模型使其量值化。 設(shè)m個(gè)可行采礦方案的N個(gè)評(píng)價(jià)指標(biāo)的屬性值矩陣可表示為B=B1，B2，BNT=bkjNm，則相對(duì)隸屬度公式為：4 采礦方法模糊優(yōu)選的神經(jīng)網(wǎng)絡(luò)決策二元對(duì)比有序模型為：4 采礦方法模糊優(yōu)選的神經(jīng)網(wǎng)絡(luò)決策（4）由相對(duì)比較函數(shù)公式：4 采礦方法模糊優(yōu)選的神經(jīng)網(wǎng)絡(luò)決策（5）令 ij=r(ui，uj)，由式(4)、(5)可構(gòu)造出關(guān)于uk的相對(duì)矩陣，即：4 采礦方法模糊

8、優(yōu)選的神經(jīng)網(wǎng)絡(luò)決策（6） 對(duì)矩陣的每一行取小，則可得出定性評(píng)價(jià)指標(biāo)uk對(duì)應(yīng)于m個(gè)待評(píng)價(jià)方案的量化評(píng)價(jià)向量。返 回5 實(shí)例應(yīng)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(guò)相似優(yōu)化選比法對(duì)采礦方法進(jìn)行初選，篩選出4種比較符合大紅山銅礦開采實(shí)際的采礦方法，即底盤漏斗分段空?qǐng)龇?M1)，預(yù)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(dòng)助流電耙聯(lián)合崩礦空?qǐng)龇?M4)。本次介紹的主要是利用上述的彈性神經(jīng)網(wǎng)絡(luò)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(shí)例應(yīng)用 根據(jù)定量、定性評(píng)價(jià)指標(biāo)的相關(guān)變換公式，可得到4種方案的評(píng)

9、價(jià)矩陣為：5 實(shí)例應(yīng)用（7） 由評(píng)價(jià)矩陣R構(gòu)造理想方案作為輸入模式X(0)，其評(píng)價(jià)指標(biāo)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(jìn)行仿真，網(wǎng)絡(luò)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(dòng)助流電耙聯(lián)合崩礦空?qǐng)龇ā２捎谩案采w”迭代，可得出采礦方法的優(yōu)選順序?yàn)镸4M3M2M1。5 實(shí)例應(yīng)用返 回 （1）近年來(lái)，礦業(yè)界對(duì)智能采礦理論及其實(shí)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(yīng)用ANN模式識(shí)別原理構(gòu)建了采礦方法合理識(shí)別的人工神經(jīng)網(wǎng)絡(luò)模型，即多層前饋BP神經(jīng)網(wǎng)絡(luò)模型。但由于算法中存在的固有缺點(diǎn)，該模型不能很好的解決收斂緩慢及避免局部最小問(wèn)題的發(fā)生。6 結(jié)論 （2）本文構(gòu)造的彈性神經(jīng)網(wǎng)絡(luò)模型對(duì)BP模型的算法作了一定的改進(jìn)：設(shè)計(jì)了N維幾何空間迭代求解過(guò)程用于輸入模式X(0)與m個(gè)吸引子的模式識(shí)別，引入控制參數(shù)調(diào)整能量函數(shù)，采用一組