郭家能

(湖南有色冶金劳动保护研究院，湖南长沙 410014)

LVQ神经网络在采空区稳定性分类中的应用探析

郭家能

(湖南有色冶金劳动保护研究院，湖南长沙 410014)

简要介绍LVQ神经网络工作原理，提出建立采空区稳定性分类LVQ神经网络模型的基本方法;并以某铁矿为例，建立采空区稳定性分类LVQ神经网络模型，通过对E中段采空区稳定性的正确分类验证了此方法的可行性。最后，总结了LVQ神经网络模型在采空区稳定性分类中尚未完善之处，并展望了其美好前景。

采空区;稳定性分类;LVQ神经网络;特征向量;分类模型

1 引言

矿产资源的地下开采后会留下大小不一、形态各异的诸多采空区。采空区稳定性的研究方法在工程界一直没有定论，目前应用较多的有物理模拟法、力学分析法和数值模拟分析法。近年来随着计算机技术的飞速发展，神经网络在人工智能、模糊分析、模式识别等领域获得了广泛应用［1－3］。本文采用LVQ神经网络算法，建立了适用于采空区稳定性分类评价的LVQ神经网络模型，编写了相应的MATLAB计算程序［4－5］。通过简单的应用实例表明，评判效果良好，且操作简单，具有广阔的发展前景。

2 LVQ神经网络的工作原理

学习向量量化(简称LVQ)神经网络是一种由芬兰学者Kohonen提出的有监督神经网络，用于求解分类问题［6－7］。LVQ是在有监督状态下对竞争层进行训练的一种学习算法，其实质是一种根据样本模式的特性，进行“奖－惩”的迭代学习算法。其基本思想是对于来自训练集中的样本向量，如果样本与最近神经元属同一类，则无需学习，否则将惩罚分类错误的神经元，奖励分类正确的神经元;竞争层能自动学习对输入向量进行分类，这种分类的结果仅依赖于输入向量之间的距离，如果两个输入向量特别相近，竞争层将它们分在同一类，否之则反。LVQ神经网络的拓扑结构见图1［8］。

图1 LVQ网络拓扑结构图

3 特征向量的提取

任何一个样本都可以用向量的形式表达出来，特征向量的提取是对样本所包含的信息进行处理和分析，将不易受随机因素干扰的信息作为该样本的特征向量提取出来。特征向量的提取过程也是去除冗余信息的过程，具有提高识别准确度、减少运算量和提高运算速度的作用。以采空区例，影响采空区稳定性的因素很多，归纳起来可分为水文地质条件、采空区特征参数以及其他因素三大类，其中每一类又包括若干小类［9－10］，见下表1。

表1 影响因素

从上述众多影响因子中选取易于量化且具有代表性的因子(如高垮比、空区埋藏深度、矿体倾角、岩体抗压强度等)作为特征向量，或通过模糊数学求出因素的综合权重值作为其特征向量。

4 分类模型的构建

从目标的特征向量如何识别出目标的类型是识别模型要解决的主要问题。采空区稳定性分类LVQ神经网络的学习采用如下规则［11－13］:

(1)确定输入层和竞争层之间的权值初始值;

(2)将输入向量X=［x1，x2，…xn］T送入输入层;

(4)选择与权值向量距离最小的神经元;

(5)更新连接权值，如果胜出神经元和预先指定的分类一致，称为正确分类，权值的调整按更新;如果胜出神经元和预先指定的分类不一致，称为不正确分类，按更新权值，式中t为迭代次数，为学习步长;

(6)判断是否满足预先设定的最大迭代次数，满足则算法结束，否则返回(2)，进入下一轮的学习。

5 工程实例

5.1 问题模型

某铁矿开采至F中段，其上部A、B、C、D、E中段采空区的详细参数及稳定性见下表2，试以A、B、C、D中段采空区为样本，验证E中段采空区的稳定性。

表2 采空区参数表

续表中段矿房高垮比埋藏深度/m暴露面积/m2采空区体积/m3稳定性状态C中段C1#矿房0.68189.00619.2217707.21稳定C2#矿房0.57195.001537.6644507.47大面积失稳C3#矿房0.65190.001538.7846106.42稳定C4#矿房0.80192.001186.7734078.23大面积失稳C5#矿房0.77191.001083.2514435.27稳定C6#矿房0.69190.001178.8955634.28稳定D中段D1#矿房0.48212.001023.6616038.14大面积失稳D2#矿房0.70219.00844.6716762.45稳定D3#矿房0.58218.001198.4124660.09大面积失稳D4#矿房0.66217.001332.2431179.69局部失稳D5#矿房0.71216.001055.4327373.32局部失稳D6#矿房0.42230.00359.422672.77稳定D7#矿房0.77227.00560.956558.65稳定D8#矿房0.60223.00615.5211087.39稳定E中段E1#矿房0.30247.001232.4719180.19局部失稳E2#矿房0.52245.001044.4321373.22局部失稳E3#矿房0.71243.00439.382977.57稳定E4#矿房0.66246.00582.174654.87稳定E5#矿房0.27246.001298.7026657.31大面积失稳

5.2 数据处理

首先把采空区稳定性等级简要归纳为稳定和不稳定两种类型。同一矿山采空区矿岩的岩石力学参数及水纹地质条件等均类似，因此可把空区的高垮比和埋藏深度作为特征向量，对空区埋藏深度作归一化处理，见表3。

表3 样本参数处理表

续表

5.3 建立LVQ神经网络模型

把A、B、C、D中段的采空区当作训练样本，E中段采空区作为检测样本，以采空区的高垮比和埋藏深度作为特征向量，在MATLAB中建立LVQ神经网络模型。程序如下:

5.4 结果

运行上述程序，结果见图2～3。

图2 运行结果图

图3 网络训练1000步误差走势图

由图2可知，E01#、E02#、E05#空区不稳定，E03#E04#空区处于稳定状态，这与矿山的实际情况基本吻合。由图3可知，LVQ神经网络在对样本进行1000次训练时误差率为0.12，随着训练步数的增加，误差逐渐降低。

6 结论与展望

本文简要介绍了LVQ神经网络的工作原理，在此基础上首次把LVQ神经网络引用到采空区稳定性分类问题上，通过简单的工程实例，验证了采用LVQ神经网络对采空区稳定性分类的方法可行。与传统的采空区稳定性分类法(如模糊聚类法、数值模拟评判法等)相比具有快速、准确、客观等优点，可供国内外类似矿山参考使用。

由于本人学术水平有限，一些问题仍有待进一步深入的研究:

(1)文中的工程实例是针对同一个矿山不同中段的采空区建立LVQ神经网络模型，相对简单，研究不同矿山采空区稳定性分类时需考虑更多特征向量，涉及到更为复杂的多维LVQ神经网络求解问题。

(2)受科研条件所限，本文选择的训练样本相对较少，所得结果误差率稍微偏大。广泛的收集国内大量矿山采空区的详细资料，需同行们的广泛交流和共同努力。

倘若解决上述问题，可建立一个大型的采空区详细资料数据库，在此基础上，结合MATLAB、C++等软件建立一个面向对象化的采空区稳定性LVQ神经网络分类程序，供同行们使用。这是一个艰巨的任务，一旦实现，将为采空区稳定性分类技术开创新的篇章!

参考文献:

［1］古德生，李夕兵.现代金属矿床开采科学技术［M］.北京:冶金工业出版社，2006:112－116.

［2］国家安全生产监督管理总局.国家安全生产科技发展规划非煤矿山领域研究报告(2004－2010)［R］.北京:国家安全生产监督管理总局，国家煤矿安全监察局，2003.

［3］蔡美峰.中国金属矿山21世纪的发展前景评述［J］.中国矿业，2001，10(l):11－13.

［4］胡良剑，孙晓君.MATLAB数学实验［M］.北京:高等教育出版社，2006:270－272.

［5］孙祥，徐流美，吴清.MATLAB7.0基础教程［M］.北京:清华大学出版社，2005:173－175.

［6］吴贵芳，徐科，徐金梧.基于LVQ神经网络的冷轧带钢表面缺陷分类方法［J］.北京科技大学学报，2005，25(6):732－735.

［7］黄勇，刘燕.基于LVQ神经网络的目标识别技术［J］.光电与光学技术，2006，4(l):58－61.

［8］段明秀，何迎生.基于LVQ神经网络的手写字母识别［J］.吉首大学学报(自然科学版)，2010，31(2):41－43.

［9］朱为民，李想，陈国梁等.基于多因素模糊综合评价的某铁矿采空区危险度评定［J］.有色金属科学与工程，2011(4): 71－74.

［10］王新民，谢盛青.基于模糊数学综合评判的采空区稳定性分析［J］.2010，35(1):9－13.

［11］王彦磊，曹炳伟，黄兵，等.基于神经网络的单站雾预报试验［J］.应用气象学报，2010，21(l):110－113.

［12］飞思科技产品研发中心.神经网络理论与MATLAB7实现［M］.北京:电子工业出版社，2005:7－11.

［13］周开利.神经网络模型及其MATLAB仿真程序设计［M］.北京:清华大学出版社，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，采矿工程师，主要从事采矿工作。E－mail:guojianeng8523@sina.com