龍　浩，　霍　娜，　張孜健，　劉芳芹，　楊　甜

（徐州工業(yè)職業(yè)技術(shù)學(xué)院，江蘇　徐州　221000）

基于粗糙集與神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)方法

龍浩，霍娜，張孜健，劉芳芹，楊甜

（徐州工業(yè)職業(yè)技術(shù)學(xué)院，江蘇徐州221000）

煤與瓦斯突出是受諸多因素影響的復(fù)雜問(wèn)題，且影響因素相互關(guān)聯(lián)，為了提高其預(yù)測(cè)的準(zhǔn)確性，文中提出了一種基于粗糙集與神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)方法。通過(guò)煤與瓦斯突出預(yù)測(cè)實(shí)證分析，并與一般預(yù)測(cè)方法進(jìn)行對(duì)比，進(jìn)一步驗(yàn)證了文中預(yù)測(cè)方法的正確性和可行性。

粗糙集；屬性約簡(jiǎn)；神經(jīng)網(wǎng)絡(luò)；規(guī)則集；非線性

煤與瓦斯突出是受諸多因素影響的，如地質(zhì)構(gòu)造因素、煤層因素、地應(yīng)力因素、瓦斯因素等，突出與其影響因素之間存在著復(fù)雜的非線性關(guān)系，突出發(fā)生往往是多種因素相互影響、作用的結(jié)果［1］。采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行煤與瓦斯突出預(yù)測(cè)，能減少人為的干擾，從而更具有客觀性。然而神經(jīng)網(wǎng)絡(luò)不能確定哪些知識(shí)是冗余的，哪些知識(shí)是有用的，訓(xùn)練時(shí)間過(guò)于漫長(zhǎng)的固有缺點(diǎn)是制約其實(shí)用化的因素之一［2］［3］。針對(duì)以上問(wèn)題，本文提出一種基于粗糙集與神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)方法，應(yīng)用粗糙集理論的不可辨識(shí)關(guān)系和屬性約簡(jiǎn)計(jì)算方法，從大量原始數(shù)據(jù)中發(fā)現(xiàn)精簡(jiǎn)的概略化的規(guī)則，根據(jù)所得的規(guī)則來(lái)建立模糊神經(jīng)網(wǎng)絡(luò)模型和確定隱層節(jié)點(diǎn)之間的連接關(guān)系。通過(guò)實(shí)驗(yàn)證明了本文提出的預(yù)測(cè)方法能夠有效的預(yù)測(cè)煤與瓦斯突出。

一、煤與瓦斯突出預(yù)測(cè)模型

文中提出了基于粗糙集與神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)模型，首先利用粗糙集理論對(duì)突出樣本指標(biāo)進(jìn)行屬性約簡(jiǎn)和規(guī)則提取，提取的規(guī)則用來(lái)構(gòu)建神經(jīng)網(wǎng)絡(luò)隱層結(jié)構(gòu)，從而降低網(wǎng)絡(luò)規(guī)模，縮短訓(xùn)練時(shí)間，提高網(wǎng)絡(luò)精度。模型流程圖如圖1所示：

二、基于粗糙集與神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)

圖1　基于粗糙集和神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)模型

測(cè)方法

（一）粗糙集模塊設(shè)計(jì)

1.基于MDV函數(shù)和信息熵的連續(xù)屬性離散化算法

決策表的離散是Rough集理論的重要預(yù)處理問(wèn)題之一，決策表的離散化直接影響到分類規(guī)則的好壞和適應(yīng)性大小。影響煤與瓦斯突出的指標(biāo)數(shù)據(jù)多為連續(xù)型，因此我們首先要對(duì)其作離散化處理。本文在FCM聚類算法的基礎(chǔ)上，提出了一種基于MDV函數(shù)和信息熵相結(jié)合的連續(xù)屬性離散化算法。

模糊聚類問(wèn)題用目標(biāo)函數(shù)的極值問(wèn)題來(lái)表示：

uik和vi的值用以下公式計(jì)算獲得：

2.粗糙集屬性約簡(jiǎn)

基于信道容量的粗糙集屬性約簡(jiǎn)算法流程如下［5］：

（1）計(jì)算C相對(duì)于D的核Core。

（2）令Crest=C-Core，計(jì)算決策表S中的條件屬性集Crest中各屬性的重要度，并按其重要度的大小對(duì)Crest降序排序。

（3）令B=Core，分別計(jì)算D相對(duì)于C和B的正域PosC（D）和PosB（D），如果PosC（D）≠PosB（D），進(jìn)行一下循環(huán)：

①?gòu)腃rest中選取具有最大屬性重要度的屬性p，令Crest=Crest-p；

算法最后獲得的B就是C相對(duì)于D的一個(gè)最佳約簡(jiǎn)。

3.粗糙集規(guī)則提取

粗糙集可以用于解決數(shù)據(jù)分類問(wèn)題。其思想是利用條件屬性的精確概念來(lái)描述決策屬性的不精確概念。首先，按照條件屬性和類別分別對(duì)樣本分組，然后根據(jù)條件屬性和決策屬性的上近似和下近似的關(guān)系生成分類規(guī)則。規(guī)則的可信度表示規(guī)則的強(qiáng)度，可信度為100%的規(guī)則稱為確定性規(guī)則，否則稱為不確定性規(guī)則。

根據(jù)條件屬性把樣本劃分為一組等價(jià)類，即X1，X2，……，Xn每個(gè)等價(jià)類是一個(gè)在所有條件屬性上取值完全相同的樣本集合。同樣，根據(jù)決策屬性把樣本劃分為一組等價(jià)類，即Y1，Y2，……，Ym，每個(gè)等價(jià)類是一個(gè)類別相同的樣本的集合，即一個(gè)類別對(duì)應(yīng)一個(gè)等價(jià)類。

驗(yàn)證每個(gè)Xi（1≤i≤n）和Yj（1≤j≤m）：

如果Yj的下近似值包含，則Xi?Yj是一條確定性規(guī)則，可信度等于100%。

如果Yj的上近似值包含Xi，則Xi?Yj是一條非確定性規(guī)則，可信度Xi等于中屬于Yj的樣本的百分比。

如果Xi和Yj的交集為空，則不產(chǎn)生規(guī)則。

將規(guī)則表示為條件是屬性值的“與”，結(jié)論是類別的形式。合并相關(guān)規(guī)則。

（二）基于粗糙集的神經(jīng)網(wǎng)絡(luò)構(gòu)建

本文構(gòu)建如圖2所示的一個(gè)四層神經(jīng)網(wǎng)絡(luò)模型。

圖2　基于粗糙集的神經(jīng)網(wǎng)絡(luò)模型

第一層是輸入層，即輸入訓(xùn)練數(shù)據(jù)的實(shí)際精確值經(jīng)過(guò)數(shù)據(jù)離散化和數(shù)據(jù)約簡(jiǎn)后所得到的數(shù)據(jù)X= （x1，x2，……xn）T；

第二層的每個(gè)節(jié)點(diǎn)表示一條規(guī)則，這些規(guī)則的提取是基于粗糙集理論對(duì)數(shù)據(jù)集進(jìn)行約簡(jiǎn)得到的。

第三層的神經(jīng)元數(shù)等于決策屬性的類別數(shù)，第二層神經(jīng)元與該層中代表相應(yīng)結(jié)論的神經(jīng)元相連，表示該規(guī)則推出某條結(jié)論。該層神經(jīng)元的作用公式為:，其中l(wèi)為第三層的節(jié)點(diǎn)數(shù)，j為第二層的節(jié)點(diǎn)數(shù)，wsi為連接權(quán)值，將其初始值預(yù)先設(shè)定為各規(guī)則的置信度。

第四層是輸出層，節(jié)點(diǎn)數(shù)與決策屬性個(gè)數(shù)相同，該層表示去模糊化。該層節(jié)點(diǎn)的輸出為：′。

三、實(shí)驗(yàn)結(jié)果

為了驗(yàn)證算法預(yù)測(cè)模型的可行性和有效性，本文以556組國(guó)內(nèi)礦井中煤與瓦斯突出的典型實(shí)測(cè)數(shù)據(jù)為樣本集來(lái)對(duì)模型進(jìn)行驗(yàn)證。由于數(shù)據(jù)采集條件和數(shù)據(jù)來(lái)源的限制，收集了5個(gè)主要影響煤與瓦斯突出的指標(biāo)數(shù)據(jù)。預(yù)測(cè)方法對(duì)前300組數(shù)據(jù)進(jìn)行建模，以后256組數(shù)據(jù)來(lái)驗(yàn)證模型的有效性，并與文獻(xiàn)4預(yù)測(cè)方法進(jìn)行比較。

基于粗糙集的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法，設(shè)置網(wǎng)絡(luò)第一層節(jié)點(diǎn)數(shù)為5，分別對(duì)應(yīng)經(jīng)離散化處理后的五個(gè)屬性；第二層節(jié)點(diǎn)數(shù)為22，分別與22條規(guī)則相對(duì)應(yīng)；根據(jù)規(guī)則的條件定義第一層與第二層之間部分相連；第三層節(jié)點(diǎn)數(shù)為4，分別與決策屬性的4種類型相對(duì)應(yīng)根據(jù)規(guī)則的結(jié)論定義第二層與第三層之間部分相連；第四層為結(jié)果輸出，節(jié)點(diǎn)數(shù)為1，故該神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)為5-22-4-1。第二層和第三層之間的連接權(quán)值初始值選取設(shè)定為各規(guī)則的置信度，其余各層參數(shù)的初始值隨機(jī)選取。

利用訓(xùn)練集對(duì)網(wǎng)絡(luò)開始進(jìn)行訓(xùn)練，學(xué)習(xí)速率η取為0.005，動(dòng)量因子β取為0.1，目標(biāo)誤差設(shè)為0.01，誤差函數(shù)取為，采用梯度最速下降法來(lái)訓(xùn)練網(wǎng)絡(luò)。網(wǎng)絡(luò)經(jīng)過(guò)151次迭代，達(dá)到了所要求的誤差范圍。網(wǎng)絡(luò)的學(xué)習(xí)誤差曲線如圖3所示。

將256組檢驗(yàn)樣本經(jīng)離散化處理后輸入到訓(xùn)練好的網(wǎng)絡(luò)中進(jìn)行判別，其中共有100組1類樣本，64 組2類樣本，60組3類樣本，32組4類樣本。文種模型對(duì)檢驗(yàn)樣本的錯(cuò)判結(jié)果及總體預(yù)測(cè)精度分別如表4和表5所示。結(jié)果表明，網(wǎng)絡(luò)總體預(yù)測(cè)精度達(dá)到91.22%，從而證明了本文模型的實(shí)用性和有效性。

圖3　網(wǎng)絡(luò)學(xué)習(xí)誤差曲線

表4　模型對(duì)檢驗(yàn)樣本錯(cuò)判結(jié)果比較

表5　總體預(yù)測(cè)精度的比較

實(shí)驗(yàn)結(jié)果表明了粗糙集和神經(jīng)網(wǎng)絡(luò)相結(jié)合的煤與瓦斯突出預(yù)測(cè)模型對(duì)煤與瓦斯突出的預(yù)測(cè)具有快速，有效，準(zhǔn)確和動(dòng)態(tài)預(yù)測(cè)。文獻(xiàn)4單純使用神經(jīng)網(wǎng)絡(luò)進(jìn)行建模的結(jié)果相對(duì)比，應(yīng)用粗糙集軟計(jì)算方法構(gòu)建的神經(jīng)網(wǎng)絡(luò)，無(wú)論在訓(xùn)練時(shí)間和訓(xùn)練誤差上都優(yōu)于神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果。因此，粗糙集和神經(jīng)網(wǎng)絡(luò)相結(jié)合的突出預(yù)測(cè)模型具有一定的可行性和有效性。

四、結(jié)論

基于粗糙集理論的知識(shí)表示與約簡(jiǎn)技術(shù)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)引入到對(duì)煤與瓦斯突出預(yù)測(cè)的研究中。利用粗糙集理論強(qiáng)大的知識(shí)約簡(jiǎn)能力，可以從大量原始數(shù)據(jù)中挖掘出核心知識(shí)，利用粗糙集屬性約簡(jiǎn)方法提取的最簡(jiǎn)規(guī)則集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行構(gòu)建，從而能夠大大提高預(yù)測(cè)效率。通過(guò)實(shí)驗(yàn)證明了該方法的正確性，并以文獻(xiàn)4中的突出預(yù)測(cè)方法進(jìn)行對(duì)比，新方法的時(shí)間復(fù)雜度和空間復(fù)雜度都較優(yōu)，由于新算法能有效地避免許多復(fù)雜的計(jì)算工作，從而能節(jié)省大量的計(jì)算時(shí)間，顯著地提高了預(yù)測(cè)方法的效率。

［1］房振勇，游文虎，等.改進(jìn)BP算法在模糊神經(jīng)網(wǎng)絡(luò)中的應(yīng)用［J］.北京航空航天大學(xué)學(xué)報(bào)，2007，（11）.

［2］林柏泉，崔恒信.礦井瓦斯防治理論與技術(shù)［M］.徐州：中國(guó)礦業(yè)大學(xué)出版社，1998.

［3］趙衛(wèi)東，陳國(guó)華.粗集和神經(jīng)網(wǎng)絡(luò)的集成技術(shù)研究［J］.系統(tǒng)工程與電子技術(shù)，2002，（10）.

［4］江洋溢，孟科，等.基于粗糙集與BP神經(jīng)網(wǎng)絡(luò)的多因素預(yù)測(cè)模型［J］.計(jì)算機(jī)工程，2007，（3）.

［5］Li M.Q..Improved SFS 3D measurement based on BP neural network［J］.Image and Vision Computing，2007，（2）.

（責(zé)任編輯：魏樹峰）

Prediction Method of Coal and Gas Outburst Based on Rough Set and Neural Network

LONG Hao，HUO Na，ZHANG Zi-jian，LIU Fang-qin，YANG Tian
（Xuzhou College of Industrial Technology，Xuzhou 221000，Jiangsu）

The coal and gas outburst is a complex problem affected by many factors，and the influential factors are related to each other.In order to improve the prediction accuracy，a prediction method of coal and gas outburst based on rough set and neural network is proposed.An empirical analysis of the coal and gas outburst prediction was conducted.Compared with general prediction methods，the correctness and feasibility of the prediction method proposed are verified.

rough set；attribute reduction；neural network；a set of rules；nonlinear

TP311

A

1671-802X（2016）01-0011-04

2016-01-01

龍浩（1984-），男，湖南長(zhǎng)沙人，講師，研究方向：軟件工程，數(shù)據(jù)挖掘。E-mail：longhhao@163.com.