郭家能

(湖南有色冶金勞動保護研究院，湖南長沙 410014)

LVQ神經網絡在采空區(qū)穩(wěn)定性分類中的應用探析

郭家能

(湖南有色冶金勞動保護研究院，湖南長沙 410014)

簡要介紹LVQ神經網絡工作原理，提出建立采空區(qū)穩(wěn)定性分類LVQ神經網絡模型的基本方法;并以某鐵礦為例，建立采空區(qū)穩(wěn)定性分類LVQ神經網絡模型，通過對E中段采空區(qū)穩(wěn)定性的正確分類驗證了此方法的可行性。最后，總結了LVQ神經網絡模型在采空區(qū)穩(wěn)定性分類中尚未完善之處，并展望了其美好前景。

采空區(qū);穩(wěn)定性分類;LVQ神經網絡;特征向量;分類模型

1 引言

礦產資源的地下開采后會留下大小不一、形態(tài)各異的諸多采空區(qū)。采空區(qū)穩(wěn)定性的研究方法在工程界一直沒有定論，目前應用較多的有物理模擬法、力學分析法和數值模擬分析法。近年來隨著計算機技術的飛速發(fā)展，神經網絡在人工智能、模糊分析、模式識別等領域獲得了廣泛應用［1－3］。本文采用LVQ神經網絡算法，建立了適用于采空區(qū)穩(wěn)定性分類評價的LVQ神經網絡模型，編寫了相應的MATLAB計算程序［4－5］。通過簡單的應用實例表明，評判效果良好，且操作簡單，具有廣闊的發(fā)展前景。

2 LVQ神經網絡的工作原理

學習向量量化(簡稱LVQ)神經網絡是一種由芬蘭學者Kohonen提出的有監(jiān)督神經網絡，用于求解分類問題［6－7］。LVQ是在有監(jiān)督狀態(tài)下對競爭層進行訓練的一種學習算法，其實質是一種根據樣本模式的特性，進行“獎－懲”的迭代學習算法。其基本思想是對于來自訓練集中的樣本向量，如果樣本與最近神經元屬同一類，則無需學習，否則將懲罰分類錯誤的神經元，獎勵分類正確的神經元;競爭層能自動學習對輸入向量進行分類，這種分類的結果僅依賴于輸入向量之間的距離，如果兩個輸入向量特別相近，競爭層將它們分在同一類，否之則反。LVQ神經網絡的拓撲結構見圖1［8］。

圖1 LVQ網絡拓撲結構圖

3 特征向量的提取

任何一個樣本都可以用向量的形式表達出來，特征向量的提取是對樣本所包含的信息進行處理和分析，將不易受隨機因素干擾的信息作為該樣本的特征向量提取出來。特征向量的提取過程也是去除冗余信息的過程，具有提高識別準確度、減少運算量和提高運算速度的作用。以采空區(qū)例，影響采空區(qū)穩(wěn)定性的因素很多，歸納起來可分為水文地質條件、采空區(qū)特征參數以及其他因素三大類，其中每一類又包括若干小類［9－10］，見下表1。

表1 影響因素

從上述眾多影響因子中選取易于量化且具有代表性的因子(如高垮比、空區(qū)埋藏深度、礦體傾角、巖體抗壓強度等)作為特征向量，或通過模糊數學求出因素的綜合權重值作為其特征向量。

4 分類模型的構建

從目標的特征向量如何識別出目標的類型是識別模型要解決的主要問題。采空區(qū)穩(wěn)定性分類LVQ神經網絡的學習采用如下規(guī)則［11－13］:

(1)確定輸入層和競爭層之間的權值初始值;

(2)將輸入向量X=［x1，x2，…xn］T送入輸入層;

(4)選擇與權值向量距離最小的神經元;

(5)更新連接權值，如果勝出神經元和預先指定的分類一致，稱為正確分類，權值的調整按更新;如果勝出神經元和預先指定的分類不一致，稱為不正確分類，按更新權值，式中t為迭代次數，為學習步長;

(6)判斷是否滿足預先設定的最大迭代次數，滿足則算法結束，否則返回(2)，進入下一輪的學習。

5 工程實例

5.1 問題模型

某鐵礦開采至F中段，其上部A、B、C、D、E中段采空區(qū)的詳細參數及穩(wěn)定性見下表2，試以A、B、C、D中段采空區(qū)為樣本，驗證E中段采空區(qū)的穩(wěn)定性。

表2 采空區(qū)參數表

續(xù)表中段礦房高垮比埋藏深度/m暴露面積/m2采空區(qū)體積/m3穩(wěn)定性狀態(tài)C中段C1#礦房0.68189.00619.2217707.21穩(wěn)定C2#礦房0.57195.001537.6644507.47大面積失穩(wěn)C3#礦房0.65190.001538.7846106.42穩(wěn)定C4#礦房0.80192.001186.7734078.23大面積失穩(wěn)C5#礦房0.77191.001083.2514435.27穩(wěn)定C6#礦房0.69190.001178.8955634.28穩(wěn)定D中段D1#礦房0.48212.001023.6616038.14大面積失穩(wěn)D2#礦房0.70219.00844.6716762.45穩(wěn)定D3#礦房0.58218.001198.4124660.09大面積失穩(wěn)D4#礦房0.66217.001332.2431179.69局部失穩(wěn)D5#礦房0.71216.001055.4327373.32局部失穩(wěn)D6#礦房0.42230.00359.422672.77穩(wěn)定D7#礦房0.77227.00560.956558.65穩(wěn)定D8#礦房0.60223.00615.5211087.39穩(wěn)定E中段E1#礦房0.30247.001232.4719180.19局部失穩(wěn)E2#礦房0.52245.001044.4321373.22局部失穩(wěn)E3#礦房0.71243.00439.382977.57穩(wěn)定E4#礦房0.66246.00582.174654.87穩(wěn)定E5#礦房0.27246.001298.7026657.31大面積失穩(wěn)

5.2 數據處理

首先把采空區(qū)穩(wěn)定性等級簡要歸納為穩(wěn)定和不穩(wěn)定兩種類型。同一礦山采空區(qū)礦巖的巖石力學參數及水紋地質條件等均類似，因此可把空區(qū)的高垮比和埋藏深度作為特征向量，對空區(qū)埋藏深度作歸一化處理，見表3。

表3 樣本參數處理表

續(xù)表

5.3 建立LVQ神經網絡模型

把A、B、C、D中段的采空區(qū)當作訓練樣本，E中段采空區(qū)作為檢測樣本，以采空區(qū)的高垮比和埋藏深度作為特征向量，在MATLAB中建立LVQ神經網絡模型。程序如下:

5.4 結果

運行上述程序，結果見圖2～3。

圖2 運行結果圖

圖3 網絡訓練1000步誤差走勢圖

由圖2可知，E01#、E02#、E05#空區(qū)不穩(wěn)定，E03#E04#空區(qū)處于穩(wěn)定狀態(tài)，這與礦山的實際情況基本吻合。由圖3可知，LVQ神經網絡在對樣本進行1000次訓練時誤差率為0.12，隨著訓練步數的增加，誤差逐漸降低。

6 結論與展望

本文簡要介紹了LVQ神經網絡的工作原理，在此基礎上首次把LVQ神經網絡引用到采空區(qū)穩(wěn)定性分類問題上，通過簡單的工程實例，驗證了采用LVQ神經網絡對采空區(qū)穩(wěn)定性分類的方法可行。與傳統(tǒng)的采空區(qū)穩(wěn)定性分類法(如模糊聚類法、數值模擬評判法等)相比具有快速、準確、客觀等優(yōu)點，可供國內外類似礦山參考使用。

由于本人學術水平有限，一些問題仍有待進一步深入的研究:

(1)文中的工程實例是針對同一個礦山不同中段的采空區(qū)建立LVQ神經網絡模型，相對簡單，研究不同礦山采空區(qū)穩(wěn)定性分類時需考慮更多特征向量，涉及到更為復雜的多維LVQ神經網絡求解問題。

(2)受科研條件所限，本文選擇的訓練樣本相對較少，所得結果誤差率稍微偏大。廣泛的收集國內大量礦山采空區(qū)的詳細資料，需同行們的廣泛交流和共同努力。

倘若解決上述問題，可建立一個大型的采空區(qū)詳細資料數據庫，在此基礎上，結合MATLAB、C++等軟件建立一個面向對象化的采空區(qū)穩(wěn)定性LVQ神經網絡分類程序，供同行們使用。這是一個艱巨的任務，一旦實現，將為采空區(qū)穩(wěn)定性分類技術開創(chuàng)新的篇章!

參考文獻:

［1］古德生，李夕兵.現代金屬礦床開采科學技術［M］.北京:冶金工業(yè)出版社，2006:112－116.

［2］國家安全生產監(jiān)督管理總局.國家安全生產科技發(fā)展規(guī)劃非煤礦山領域研究報告(2004－2010)［R］.北京:國家安全生產監(jiān)督管理總局，國家煤礦安全監(jiān)察局，2003.

［3］蔡美峰.中國金屬礦山21世紀的發(fā)展前景評述［J］.中國礦業(yè)，2001，10(l):11－13.

［4］胡良劍，孫曉君.MATLAB數學實驗［M］.北京:高等教育出版社，2006:270－272.

［5］孫祥，徐流美，吳清.MATLAB7.0基礎教程［M］.北京:清華大學出版社，2005:173－175.

［6］吳貴芳，徐科，徐金梧.基于LVQ神經網絡的冷軋帶鋼表面缺陷分類方法［J］.北京科技大學學報，2005，25(6):732－735.

［7］黃勇，劉燕.基于LVQ神經網絡的目標識別技術［J］.光電與光學技術，2006，4(l):58－61.

［8］段明秀，何迎生.基于LVQ神經網絡的手寫字母識別［J］.吉首大學學報(自然科學版)，2010，31(2):41－43.

［9］朱為民，李想，陳國梁等.基于多因素模糊綜合評價的某鐵礦采空區(qū)危險度評定［J］.有色金屬科學與工程，2011(4): 71－74.

［10］王新民，謝盛青.基于模糊數學綜合評判的采空區(qū)穩(wěn)定性分析［J］.2010，35(1):9－13.

［11］王彥磊，曹炳偉，黃兵，等.基于神經網絡的單站霧預報試驗［J］.應用氣象學報，2010，21(l):110－113.

［12］飛思科技產品研發(fā)中心.神經網絡理論與MATLAB7實現［M］.北京:電子工業(yè)出版社，2005:7－11.

［13］周開利.神經網絡模型及其MATLAB仿真程序設計［M］.北京:清華大學出版社，2005:211－217.

Analysis of the Application of LVQ Neural Network in the Stability Classification of Gob

GUO Jia－neng
(Hunan Labour Protection Institute of Nonferrous Metals，Changsha，Hunan 410014，China)

Introducing the LVQ neural network working principle briefly，and modeling the stability classification of the gob of LVQ neural network is on the basis of the LVQ neural network working principle.Taking an iron for example，modeling the stability classification of the gob of LVQ neural network.Authentication this method is feasible by the correct classification of E middle of the stability of the gob.Finally，summarizing the inadequacies of the LVQ neural network model in the stability classification of the gob，and outlooking bright future.

Gob;Stability classification;LVQ neural network;Feature vector;Classification mode

TD12

:A

:1009－3842(2012)04－0029－04

2012－05－07

郭家能(1980－)，男，云南大理人，采礦工程師，主要從事采礦工作。E－mail:guojianeng8523@sina.com