充填体强度设计知识库模型 - 湖南科技大学(自然(3)

１１－１２］视［．在深部采矿过程中，由于受到“三高一扰

遗传算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍｓ，ＧＡ）是以自然选择和遗传理论为基础，借鉴“优胜劣汰，适者生存”的生物进化原理演化而来的随机搜索方法．按照一定的适应度函数及自然选择、交叉、变异等一系列遗传操作对各个个体进行筛选，从而不断提高群体的适应度，使适应度较高的个体保留下来，组成新的群体，新群体中的个体适应度不断提高，直至其适应度群体中最高适应度的个体满足一定的条件．此时，即为最优解．

对于前面建立的神经网络模型，设Ｉｉ为输入层中第ｉ个节点的输出，Ｈ为隐含层中第ｉ个节点的输动”的影响，对于充填体的强度要求与浅部资源开采有很大不同．因此有必要根据不同矿山的开采技术条件和充填要求，建立充填体强度设计的知识库模型．

分析发现，影响充填体强度设计的因素多且复杂，呈现非线性特征．神经网络模型是一种由输入样本到输出样本的非线性映射函数，故可采用神经网络建立尾砂充填体强度与其影响因素的知识库模型．

３．１　充填体强度设计知识库模型选择

ＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）神经网络模型是最常用的一种模型，通过对训练过程中网络权值Ｗ和阀值Ｂ的调整，最终实现期望功能［１３］

．ＢＰ算法的迭代计

算公式可表示为

ｘｋ＋１＝ｘｋ－ａｋｇｋ

．（３）

其中：ｘｋ为当前的权值和阀值，ｘｋ＋１为迭代运算后产生的权值和阀值，ｇｋ为当前误差函数的梯度，ａｋ为学习速率．

采用矿山开采技术条件与充填条件作为学习样本，建立充填体强度设计的神经网络模型．矿山开采技术条件包括矿体赋存深度、矿体长度、矿体厚度，影响充填体稳定性的因素有充填体暴露高度、充填体暴露面积，矿山充填强度受尾砂级配（尾砂分形维数）影响，即建立胶结充填体强度与矿体赋存深度、矿体长度、矿体厚度、充填体暴露高度、充填体暴露面积及充填材料分形维数的神经网络知识库模型．ＢＰ神经网络模型结构图如图２所示

．

图２　ＢＰ神经网络模型Ｆｉｇ．２ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌ

３．２　神经网络训练遗传算法优化

神经网络学习的ＢＰ算法本质上是一种非线性优化问题，采用梯度最速下降法，能使神经网络实现快速学习与误差反向传播处理，但不可避免地会出现局部极小、收敛慢等问题．为此本文采用遗传算法实现神经网络快速训练．

ｉ出，Ｏｉ为输出层中第ｉ个节点的输出，ＷＩＨｉｊ为输入层中第ｉ个节点与隐含层第ｊ个节点的连接权值，ＷＨＯｊｉ

为隐含层中第ｊ个节点与输出层第ｉ个节点的连接权值，遗传算法优化Ｂ

Ｐ网络步骤如下［１４］

：１）初始化种群．遗传算法初始化采用实数进行编码，所设计的神经网络各层之间的连接可以组成一个向量：

Ｗ＝（ｗ１，ｗ２，ｗ３，…ｗｉ，…ｗｎ

）．（４）

式中：ｗｉ为神经网络各层之间连接的权值，将网络的权阀值按顺序编成一个染色体，然后随机生成初始群体，遗传算法染色体编码长度为：Ｓ＝Ｒ×Ｓ１＋Ｓ１×Ｓ２＋Ｓ１＋Ｓ２＋

２．２）适应度函数．在遗传算法中适应度函数值可以体现出个体的优劣，定义适应度函数为：

{

Ｅ＝［（１／Ｍ）∑（Ｓ２１２

ｉ－Ｏｉ

）］／；（５）

Ｆ＝Ｃ－Ｅ．

式中：

Ｃ是常数，可根据具体问题在（０，１）范围中选择，Ｅ是网络的实际输出值与期望输出值之间的均方差，Ｍ是学习样本数量，Ｓｉ是网络的实际输出值，Ｏｉ是网络的期望输出值．

通过选择运算、交叉运算和变异运算，最后得到一个最高适应度的个体作为最优解输出．对所有种群进行编码，计算隐含层和输出层的输出，然后求出误差平方和ＳＥ，最后根据式

（

６）计算遗传算法的适应值．ｖａｌ＝

１

ＳＥ

．（６）

３）优化权阀值．计算每个个体评价函数，并将

其排序．按式（７）概率值选择网络个体：

ｐｆｉ

ｓ＝

Ｎ．（７）

∑ｆｉ

ｉ＝１

式中：ｆｉ

为第ｉ个个体的适配值，可用误差平方和ＳＥ来衡量，即：

９