基于改進的切比雪夫神經網絡的露天煤礦產量預測

蔡光琪，彭洪閣，周毅勇,3，張 磊

(1.中煤集團平朔煤業有限公司安太堡露天煤礦, 山西 朔州036800；2.中國礦業大學礦業工程學院，江蘇 徐州 221008；3.神華集團準格爾能源有限公司，內蒙古 呼和浩特 010300；4.國家安監局信息研究院煤炭工業出版社， 北京 100029)

隨著我國露天開采進入迅速發展的新時期，露天煤礦原煤產量也有較大幅度的提高。由于礦山原煤產量的確定影響因素眾多，特別是礦山具體條件千差萬別，礦體賦存條件的變化、運輸方式的變化、剝采比的調整均能直接使礦山產量發生變化[1]。所以，對礦山生產能力的分析、預測存在著較大困難。在這種情況下，探索一條能夠準確預測露天礦原煤產量的新途徑勢在必行。

切比雪夫神經網絡是一種新型的基于正交多項式的函數型神經網絡，具有優良的泛化性能和預測能力[2]。但是，切比雪夫神經網絡是單輸入模型，故無法實現多輸入的情況[3-5]。對此，根據切比雪夫神經網絡的特性，本文將切比雪夫神經網絡進行改進，改進后的模型具有算法簡單，收斂速度快的優勢。通過此模型對露天礦原煤產量進行預測，通過實例可知，這種方法具有簡單有效的優勢。

1 模型的建立

構造多輸入層的切比雪夫神經網絡模型，改進的模型為多輸入單輸出結構，輸入層到第一隱層及第一隱層到第二隱層之間的連接權值恒等于1，第二隱層至輸出層連接權值為σj(j=1,2,…,k),其中k為第二隱層神經元個數。

1.1 輸入層

(1)

n為輸入神經元的數目。

(2)

第三層：這是一組切比雪夫正交多項式，即

(3)

(4)

1.2 誤差分析

(5)

yd和y分別為理想輸出和實際輸出。

1.3 性能指標

(6)

m為學習樣本數。

1.4 權值修正

(7)

式中，η為學習率，且0<η<1。

1.5 網絡學習法

(1)用(0，1)之間的數初始化ωj。

(2)輸入樣本以后，再根據根據上述公式，用現有權值對各神經元的實際輸出和輸出誤差進行計算。

(3)通過每行的權值來調整公式(7)，并計算ωj。

(4)輸入其他樣本，轉到②繼續進行計算。

需要注意的是，所有樣本都是周期的輸入，直到網絡達到收斂，并且輸出的總誤差小于允許值，方可滿足要求。

2 實例研究

眾所周知，影響露天礦原煤年產量的因素有很多，不可能每個因素都進行考慮。按照主導因素起決定性作用的原則，本文根據某露天煤礦的實際情況以及經驗，選擇了剝采比、剝離量、采剝動用效率、藥耗作為網絡輸入向量。根據露天礦近幾年的產量數據進行預測，見表1。

表1 露天礦原煤產量表

將前9年的數據作為基本樣本，第10年的數據作為參照，驗證模型的科學性。表2是改進的Chehyshev神經網絡與傳統BP網絡對第10年的原煤產量進行預測收斂速度及預測結果的比較。

表2 收斂速度及預測結果的比較

由表2可知，如果在相同精度的情況下，改進的網絡模型比傳統模型具有收斂速度快、預測能力強的特點。

3 結 論

露天煤礦原煤產量的確定影響因素眾多，特別是礦山具體條件千差萬別，礦體賦存條件的變化、運輸方式的改變、設備及工藝的更換均能直接影響礦山的產量規模。因此，需要一種定量的數學方法來對其就行預測。研究表明，利用本文提出的的切比雪夫神經網絡預測模型，可以快速、準確、智能地預測出露天礦原煤產量，為礦山生產計劃的編制提供了理論依據，對礦山實際生產具有重要的指導意義。

[1] 姬長生.露天礦生產規模及相關要素研究[M].徐州:中國礦業大學出版社,1998.

[2] 鄒阿金,沈建中.基于切比雪夫神經網絡的非線性預測應用研究[J].計算機應用，2001,21( 4):14-15.

[3] 張立明.人工神經網絡的模型及其應用[M].上海:復旦大學出版社，1994.

[4] 袁曾任.人工神經元網絡及其應用[M].北京:清華大學出版社，1999.

[5] Qingguo Wang, Shuqin Cai, Chen Meixia.Model and Strcture of Customer Service Operation-Support System Based on Event-driven Working Mechanism[J].Advances in Systems Science and Applications, 2005,15(2):306-312.