龙　浩，　霍　娜，　张孜健，　刘芳芹，　杨　甜

（徐州工业职业技术学院，江苏　徐州　221000）

基于粗糙集与神经网络的煤与瓦斯突出预测方法

龙浩，霍娜，张孜健，刘芳芹，杨甜

（徐州工业职业技术学院，江苏徐州221000）

煤与瓦斯突出是受诸多因素影响的复杂问题，且影响因素相互关联，为了提高其预测的准确性，文中提出了一种基于粗糙集与神经网络的煤与瓦斯突出预测方法。通过煤与瓦斯突出预测实证分析，并与一般预测方法进行对比，进一步验证了文中预测方法的正确性和可行性。

粗糙集；属性约简；神经网络；规则集；非线性

煤与瓦斯突出是受诸多因素影响的，如地质构造因素、煤层因素、地应力因素、瓦斯因素等，突出与其影响因素之间存在着复杂的非线性关系，突出发生往往是多种因素相互影响、作用的结果［1］。采用人工神经网络进行煤与瓦斯突出预测，能减少人为的干扰，从而更具有客观性。然而神经网络不能确定哪些知识是冗余的，哪些知识是有用的，训练时间过于漫长的固有缺点是制约其实用化的因素之一［2］［3］。针对以上问题，本文提出一种基于粗糙集与神经网络的煤与瓦斯突出预测方法，应用粗糙集理论的不可辨识关系和属性约简计算方法，从大量原始数据中发现精简的概略化的规则，根据所得的规则来建立模糊神经网络模型和确定隐层节点之间的连接关系。通过实验证明了本文提出的预测方法能够有效的预测煤与瓦斯突出。

一、煤与瓦斯突出预测模型

文中提出了基于粗糙集与神经网络的煤与瓦斯突出预测模型，首先利用粗糙集理论对突出样本指标进行属性约简和规则提取，提取的规则用来构建神经网络隐层结构，从而降低网络规模，缩短训练时间，提高网络精度。模型流程图如图1所示：

二、基于粗糙集与神经网络的煤与瓦斯突出预

图1　基于粗糙集和神经网络的煤与瓦斯突出预测模型

测方法

（一）粗糙集模块设计

1.基于MDV函数和信息熵的连续属性离散化算法

决策表的离散是Rough集理论的重要预处理问题之一，决策表的离散化直接影响到分类规则的好坏和适应性大小。影响煤与瓦斯突出的指标数据多为连续型，因此我们首先要对其作离散化处理。本文在FCM聚类算法的基础上，提出了一种基于MDV函数和信息熵相结合的连续属性离散化算法。

模糊聚类问题用目标函数的极值问题来表示：

uik和vi的值用以下公式计算获得：

2.粗糙集属性约简

基于信道容量的粗糙集属性约简算法流程如下［5］：

（1）计算C相对于D的核Core。

（2）令Crest=C-Core，计算决策表S中的条件属性集Crest中各属性的重要度，并按其重要度的大小对Crest降序排序。

（3）令B=Core，分别计算D相对于C和B的正域PosC（D）和PosB（D），如果PosC（D）≠PosB（D），进行一下循环：

①从Crest中选取具有最大属性重要度的属性p，令Crest=Crest-p；

算法最后获得的B就是C相对于D的一个最佳约简。

3.粗糙集规则提取

粗糙集可以用于解决数据分类问题。其思想是利用条件属性的精确概念来描述决策属性的不精确概念。首先，按照条件属性和类别分别对样本分组，然后根据条件属性和决策属性的上近似和下近似的关系生成分类规则。规则的可信度表示规则的强度，可信度为100%的规则称为确定性规则，否则称为不确定性规则。

根据条件属性把样本划分为一组等价类，即X1，X2，……，Xn每个等价类是一个在所有条件属性上取值完全相同的样本集合。同样，根据决策属性把样本划分为一组等价类，即Y1，Y2，……，Ym，每个等价类是一个类别相同的样本的集合，即一个类别对应一个等价类。

验证每个Xi（1≤i≤n）和Yj（1≤j≤m）：

如果Yj的下近似值包含，则Xi⇒Yj是一条确定性规则，可信度等于100%。

如果Yj的上近似值包含Xi，则Xi⇒Yj是一条非确定性规则，可信度Xi等于中属于Yj的样本的百分比。

如果Xi和Yj的交集为空，则不产生规则。

将规则表示为条件是属性值的“与”，结论是类别的形式。合并相关规则。

（二）基于粗糙集的神经网络构建

本文构建如图2所示的一个四层神经网络模型。

图2　基于粗糙集的神经网络模型

第一层是输入层，即输入训练数据的实际精确值经过数据离散化和数据约简后所得到的数据X= （x1，x2，……xn）T；

第二层的每个节点表示一条规则，这些规则的提取是基于粗糙集理论对数据集进行约简得到的。

第三层的神经元数等于决策属性的类别数，第二层神经元与该层中代表相应结论的神经元相连，表示该规则推出某条结论。该层神经元的作用公式为:，其中l为第三层的节点数，j为第二层的节点数，wsi为连接权值，将其初始值预先设定为各规则的置信度。

第四层是输出层，节点数与决策属性个数相同，该层表示去模糊化。该层节点的输出为：′。

三、实验结果

为了验证算法预测模型的可行性和有效性，本文以556组国内矿井中煤与瓦斯突出的典型实测数据为样本集来对模型进行验证。由于数据采集条件和数据来源的限制，收集了5个主要影响煤与瓦斯突出的指标数据。预测方法对前300组数据进行建模，以后256组数据来验证模型的有效性，并与文献4预测方法进行比较。

基于粗糙集的神经网络设计方法，设置网络第一层节点数为5，分别对应经离散化处理后的五个属性；第二层节点数为22，分别与22条规则相对应；根据规则的条件定义第一层与第二层之间部分相连；第三层节点数为4，分别与决策属性的4种类型相对应根据规则的结论定义第二层与第三层之间部分相连；第四层为结果输出，节点数为1，故该神经网络模型的结构为5-22-4-1。第二层和第三层之间的连接权值初始值选取设定为各规则的置信度，其余各层参数的初始值随机选取。

利用训练集对网络开始进行训练，学习速率η取为0.005，动量因子β取为0.1，目标误差设为0.01，误差函数取为，采用梯度最速下降法来训练网络。网络经过151次迭代，达到了所要求的误差范围。网络的学习误差曲线如图3所示。

将256组检验样本经离散化处理后输入到训练好的网络中进行判别，其中共有100组1类样本，64 组2类样本，60组3类样本，32组4类样本。文种模型对检验样本的错判结果及总体预测精度分别如表4和表5所示。结果表明，网络总体预测精度达到91.22%，从而证明了本文模型的实用性和有效性。

图3　网络学习误差曲线

表4　模型对检验样本错判结果比较

表5　总体预测精度的比较

实验结果表明了粗糙集和神经网络相结合的煤与瓦斯突出预测模型对煤与瓦斯突出的预测具有快速，有效，准确和动态预测。文献4单纯使用神经网络进行建模的结果相对比，应用粗糙集软计算方法构建的神经网络，无论在训练时间和训练误差上都优于神经网络训练结果。因此，粗糙集和神经网络相结合的突出预测模型具有一定的可行性和有效性。

四、结论

基于粗糙集理论的知识表示与约简技术和人工神经网络技术引入到对煤与瓦斯突出预测的研究中。利用粗糙集理论强大的知识约简能力，可以从大量原始数据中挖掘出核心知识，利用粗糙集属性约简方法提取的最简规则集对神经网络进行构建，从而能够大大提高预测效率。通过实验证明了该方法的正确性，并以文献4中的突出预测方法进行对比，新方法的时间复杂度和空间复杂度都较优，由于新算法能有效地避免许多复杂的计算工作，从而能节省大量的计算时间，显著地提高了预测方法的效率。

［1］房振勇，游文虎，等.改进BP算法在模糊神经网络中的应用［J］.北京航空航天大学学报，2007，（11）.

［2］林柏泉，崔恒信.矿井瓦斯防治理论与技术［M］.徐州：中国矿业大学出版社，1998.

［3］赵卫东，陈国华.粗集和神经网络的集成技术研究［J］.系统工程与电子技术，2002，（10）.

［4］江洋溢，孟科，等.基于粗糙集与BP神经网络的多因素预测模型［J］.计算机工程，2007，（3）.

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

（责任编辑：魏树峰）

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

龙浩（1984-），男，湖南长沙人，讲师，研究方向：软件工程，数据挖掘。E-mail：longhhao@163.com.