神经网络在采矿方法模糊优选方面的应用课件

1、神经网络在采矿方法模糊优选方面的应用目 录 人工神经网络简介1 弹性神经网络模型的构造3 采矿方法模糊优选的神经网络决策4 实例应用5 ANN模式识别基本原理及BP算法2 结论61 人工神经网络简介处理单元集合单元集合的活跃状态单元间的连接方式激活模式在网络中的传递把单元输入与当前状态结合起来产生新激活值各单元所用的输出函数各单元所用的学习规则各单元所用的运激环境（1）人工神经网络模型可由8项特征进行刻划：（2）神经网络分析决策因素的基本原理1 人工神经网络简介 由于设计人员初步得到的工艺方案只是可行的，不是最优的，因而需要对得到的可行工艺方案进行优化。为进行工艺方案的优化首先必须确定工艺方案

2、评价的决策因素。通过分析这里共确定了三大类十种决策因素，三大类决策因素是经济指标、生产技术指标和时间指标，其中经济指标又包括总投资、单位投资和单位成本，生产技术指标包括生产能力、定员、工效、基建量和初期剥采比时间指标包括基建期和达产期。（2）神经网络分析决策因素的基本原理1 人工神经网络简介 为求得各决策因素的权重，我们建立了露天采矿工艺系统评价因素的神经网络体系。神经网络的输入单元由影响决策因素的矿山自然地质因素和三种工艺系统组成， 矿山地质自然因素通过归纳可以由赋存条件、气候、煤器结构、储量、煤质五种因素来表示。神经网络的输出单元由十种决策因素组成。返 回2 ANN模式识别基本原理及BP算

3、法（1）ANN模式识别基本原理 ANN系统理论近年来得到快速发展，提出了若干网络模型和学习算法，并在实现方法方面进行了成功探讨和试验 。其中ANN模式识别理论正日益受到矿业界的重视。该理论认为，最初被给定问题域的权值是未知的，直到找到有用权值之前，神经网络不能正确进行模拟识别。通过合理训练，包括合理选择训练集合及有效的训练算法，网络才能对不属于训练集合的输入量正确分类。2 ANN模式识别基本原理及BP算法（2）神经模式识别阶段第一阶段 调整网络权值以表现问题域2 ANN模式识别基本原理及BP算法（3）BP算法BP算法一般采用梯度下降法训练网络，每个权值都是N维误差空间中的一个元素。在误差空间中

4、权值作为独立的变量，并且相应误差表面的形状由训练集合和误差函数共同决定。当权值接近某值使得网络总误差在这个期间低于以前建立的阀值，网络就收敛，这时，模式识别成功。BP算法通常存在两个问题，即收敛缓慢和可能出现局部最小。改进的途径主要有2种：一种是调整学习速率叼来加快收敛速度；另一种是采用更有效的优化算法，通常采用模拟退火法和遗传算法来避免局部最小。返 回3 弹性神经网络模型的构造（1）弹性神经网络与TSP问题弹性神经网络是1987年Durbin和Willshaw提出的求解TSP问题的一个递推算法。这个方法从几何的角度来考虑问题，是一种在不同几何空间映射时最佳地保持邻域关系的映射。弹性神经网络采

5、用一组同步运算的一级差分方程，是本质的并行运算，有利于用硬件并行实现。其主要计算量在每次递推中距离的计算上，正比于递推次数以及与有效连接权重的数目。仿真结果表明，与其它算法相比较，该法一般可以得到更短的路径。3 弹性神经网络模型的构造（2）模型构造及算法假定弹性神经网络中有N个神经元，神经元的状态为，整个网络系统的状态X= X1，X2，XN为N维实空间中的一个吸引子，网络共有m个吸引子，即X1，X2，Xj， ，Xm，其中Xj=x1j，x2j， ，xNj。系统状态方程为：式中为控制参数。(1) 模型构造3 弹性神经网络模型的构造采用数值分析中的迭代算法求解（1）式，迭代方程为：(3)其中t为时间

6、间隔，一般t=1.（2）模型构造及算法 模型构造1）在弹性神经网络系统中储存m个吸引子。2）接受初始输入模式 X（0），并设置初始控制参数为（0）。3）由t时刻的模式状态X（t）求解下一时刻的模式状态X（t+1）。4）当ll X（t+1）- X（t） ll时终止运算并输出模式状态 X（t+1） ，否则转入步骤5）。5)适当减少控制参数 ，使得 （t+1） （t），转入步骤3）。3 弹性神经网络模型的构造（2）模型构造及算法 算法步骤返 回 引入权向量W=W1，W2， ，WN表示评价指标集各因素的重要程度，且W=1。这样，弹性神经网络状态方程可修改为：4 采矿方法模糊优选的神经网络决策其迭代算法

7、中的xi也做相应的修改。 由于评价指标的不可公度性，在用弹性神经网络模糊优选采矿方法时，还需要对评价指标的属性值进行统一变换。评价指标有定量和定性两种情况，对于定量指标采用相对隶属度公式进行变换，对于定性指标可采用二元对比有序模型使其量值化。 设m个可行采矿方案的N个评价指标的属性值矩阵可表示为B=B1，B2，BNT=bkjNm，则相对隶属度公式为：4 采矿方法模糊优选的神经网络决策二元对比有序模型为：4 采矿方法模糊优选的神经网络决策（4）由相对比较函数公式：4 采矿方法模糊优选的神经网络决策（5）令 ij=r(ui，uj)，由式(4)、(5)可构造出关于uk的相对矩阵，即：4 采矿方法模糊

8、优选的神经网络决策（6） 对矩阵的每一行取小，则可得出定性评价指标uk对应于m个待评价方案的量化评价向量。返 回5 实例应用 大红山铜矿一期工程开采的富矿段矿体平均厚度11 m，平均倾角23，属中厚缓倾斜难采矿体。通过相似优化选比法对采矿方法进行初选，筛选出4种比较符合大红山铜矿开采实际的采矿方法，即底盘漏斗分段空场法(M1)，预控两步骤房式采矿法(M2)，中深孔超前切顶房柱法(M3)，堑沟受矿振动助流电耙联合崩矿空场法(M4)。本次介绍的主要是利用上述的弹性神经网络模型终选大红山铜矿缓倾斜中厚矿体采矿方法。（1） 背景介绍5 实例应用 根据定量、定性评价指标的相关变换公式，可得到4种方案的评

9、价矩阵为：5 实例应用（7） 由评价矩阵R构造理想方案作为输入模式X(0)，其评价指标为R0=0.7143,0.3535,0.4737,0.6117,0.4236,0.4350,0.4914。 取x=0.2，t=1，依照前文中介绍的步骤进行仿真，网络系统将很快收敛于R=0.7143,0.3132,0.0809,0.6l17, 0.0000,0.1635,0.2744，从而可知最优方案为M4，即堑沟受矿振动助流电耙联合崩矿空场法。采用“覆盖”迭代，可得出采矿方法的优选顺序为M4M3M2M1。5 实例应用返 回 （1）近年来，矿业界对智能采矿理论及其实现方法作了初步探讨。在采矿方法模糊优选方面，已成功地应用ANN模式识别原理构建了采矿方法合理识别的人工神经网络模型，即多层前馈BP神经网络模型。但由于算法中存在的固有缺点，该模型不能很好的解决收敛缓慢及避免局部最小问题的发生。6 结论 （2）本文构造的弹性神经网络模型对BP模型的算法作了一定的改进：设计了N维几何空间迭代求解过程用于输入模式X(0)与m个吸引子的模式识别，引入控制参数调整能量函数，采用一组