矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用范文第1篇

[關(guān)鍵詞] 水電工程 移民安置 項目成功度 后評價

一、引言

水電工程移民是水電工程建設(shè)的重要組成部分,涉及社會、經(jīng)濟(jì)、資源、生態(tài)、環(huán)境等諸多方面。水電工程移民能否得到妥善安置,影響著區(qū)域社會、經(jīng)濟(jì)與環(huán)境的協(xié)調(diào)發(fā)展,以及移民自身的可持續(xù)發(fā)展,因此備受各界關(guān)注。

水電工程移民安置項目成功度后評價就是對已完成的移民安置項目是否達(dá)到預(yù)期的效果,以及產(chǎn)生的作用和影響所進(jìn)行的系統(tǒng)的、客觀的評價,并分析其以后的發(fā)展趨勢,總結(jié)經(jīng)驗教訓(xùn),為今后移民安置工作提供建議,以期合理地進(jìn)行后期扶持,并對移民區(qū)經(jīng)濟(jì)發(fā)展提供對策與建議。目前對其主要有以下幾種研究方法:(1)專家打分法或經(jīng)驗判斷法。(2)基于灰色聚類法的項目成功度評價,該方法能比較客觀地反映項目的真實情況,但對于成功度指標(biāo)比較復(fù)雜的大型項目,在計算速度和精度上存在缺陷。(3)運用神經(jīng)網(wǎng)絡(luò)對成功度進(jìn)行評價。該方法目前只是處于嘗試階段。基于此,本文提出了基于模糊神經(jīng)網(wǎng)絡(luò)的水電工程移民安置項目成功度后評價方法。

二、基于模糊神經(jīng)網(wǎng)絡(luò)的項目成功度評價體系

1.建立指標(biāo)體系的基本原則。水電工程移民安置項目成功度后評價的核心是對項目實施效果成功度進(jìn)行評價。而水電工程移民是一個涉及多方面的復(fù)雜體系,因此需要為其構(gòu)建科學(xué)完備的實施效果后評價指標(biāo)體系。指標(biāo)體系的構(gòu)建要遵循以下原則:

(1)全面性。評價指標(biāo)體系作為一個有機(jī)整體是多種因素綜合作用的結(jié)果,同時水電工程移民內(nèi)容的多樣性要求指標(biāo)體系具有足夠的涵蓋面,從不同角度反映出被評價系統(tǒng)的主要特征和狀況。

(2)科學(xué)性。水電工程移民安置項目實施效果后評價指標(biāo)體系應(yīng)建立在科學(xué)的基礎(chǔ)上,尤其是具體指標(biāo)的設(shè)置、構(gòu)成、層次等要建立在充分認(rèn)識、系統(tǒng)研究的科學(xué)基礎(chǔ)上,社會、經(jīng)濟(jì)、資源和環(huán)境等主要構(gòu)成要素應(yīng)在指標(biāo)體系中得到充分的反映。

(3)動態(tài)性。作為一個系統(tǒng),水電工程移民是一個不斷變化發(fā)展的動態(tài)過程,要求其評價指標(biāo)體系充分考慮系統(tǒng)動態(tài)變化的特點。

(4)理論性與實踐性相結(jié)合。水電工程移民安置項目實施效果成功度后評價指標(biāo)體系的構(gòu)成應(yīng)以理論分析為基礎(chǔ),但在實際應(yīng)用中往往受到資料來源和數(shù)據(jù)支持的制約。因此,要求評價指標(biāo)體系中相應(yīng)指標(biāo)的量化應(yīng)是可行的,且獲取數(shù)據(jù)較為容易、準(zhǔn)確可靠,盡量利用現(xiàn)存數(shù)據(jù)和己有的規(guī)范標(biāo)準(zhǔn)。

2.水電工程移民安置項目成功度評價指標(biāo)體系。根據(jù)以上原則,結(jié)合大量相關(guān)項目后評價報告資料,本文構(gòu)建了水電工程移民安置項目成功度評價指標(biāo)體系(見上表)。

三、模糊神經(jīng)網(wǎng)絡(luò)成功度評價模型構(gòu)建方法

1.構(gòu)建評價指標(biāo)相對隸屬度矩陣。步驟:

(1)構(gòu)建n個級別,m個評價因子的成功度后評價標(biāo)準(zhǔn)值矩陣X:,式中,是第i項評價因子所對應(yīng)的第j級評價標(biāo)準(zhǔn)值

(2)假設(shè)已計算得到該項目成功度的成功度值,構(gòu)成檢測樣本值矩陣Y:,式中,表示第i項成功度指標(biāo)的值。

(3)運用模糊數(shù)學(xué)中的相對隸屬度來描述項目的成功度指標(biāo)的值,規(guī)定第i項成功度指標(biāo)的第1級別的標(biāo)準(zhǔn)值對于模糊集“成功”的相對隸屬度pi1,而第n級標(biāo)準(zhǔn)值對應(yīng)的相對隸屬度pin=1。介于1級與n級之間的第i項指標(biāo)的第j級標(biāo)準(zhǔn)值的相對隸屬度為pij,采用線性內(nèi)插公式進(jìn)行計算: (1)

(4)應(yīng)用公式(1),構(gòu)造成功度評價指標(biāo)標(biāo)準(zhǔn)值相對隸屬度矩陣R:

(5)把項目的各個成功度指標(biāo)值轉(zhuǎn)化為評價等級集合的相對隸屬度,計算方法見下式:(2)

(6)應(yīng)用公式(2),構(gòu)造實際項目檢測樣本指標(biāo)相對隸屬度矩陣T:

2.構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)屬于正向前饋神經(jīng)網(wǎng)絡(luò),具有很強(qiáng)的自學(xué)習(xí)和自組織能力,對輸入的數(shù)據(jù)和規(guī)則計算有很強(qiáng)的容錯性和穩(wěn)健性,因此用來評價項目成功度是可行的。下面以三層BP網(wǎng)絡(luò)建立模型,其拓?fù)浣Y(jié)構(gòu)如圖所示。

設(shè)有k個樣本向量,網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)為n,中間層神經(jīng)元個數(shù)為p,輸出層神經(jīng)元個數(shù)為m,網(wǎng)絡(luò)輸入向量,輸出向量,期望輸出向量,為輸入層到中間層的連接權(quán),為中間層到輸出層的連接權(quán),為中間層單元的閾值,為輸出層單元的閾值,其中。其計算步驟如下:

(1)對樣本向量進(jìn)行歸一化處理,將數(shù)據(jù)處理為(0,1)之間的數(shù)據(jù),給權(quán)值和閾值賦予(-1,1)之間的隨機(jī)初值,選取一組輸入和目標(biāo)樣本提供給網(wǎng)絡(luò)。

(2)計算隱含層和輸出層各單元的輸入和相應(yīng)輸出。 (3)

(3)根據(jù)網(wǎng)絡(luò)輸出計算輸出層誤差和隱含層誤差。(4)

(4)利用誤差調(diào)整值對各層權(quán)值和閾值進(jìn)行調(diào)整。(5)

(5)選取下一個學(xué)習(xí)樣本向量提供給網(wǎng)絡(luò),返回步驟2,直到全局誤差E小于預(yù)先設(shè)定值,則學(xué)習(xí)結(jié)束。

3.移民安置后評價模糊神經(jīng)網(wǎng)絡(luò)模型的實現(xiàn)

(1)模糊神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)過程。據(jù)構(gòu)造出的成功度評價指標(biāo)標(biāo)準(zhǔn)值相對隸屬度矩陣R,和實際項目檢測樣本指標(biāo)相對隸屬度矩陣T,對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。為了提高訓(xùn)練精度,需要對R進(jìn)行有限次內(nèi)插,要求內(nèi)插樣本k的指標(biāo)i對評價級別j的相對隸屬度均為,則內(nèi)插樣本k的隸屬于評價級別j的隸屬度為,并且其滿足。定義內(nèi)插樣本k對應(yīng)的標(biāo)準(zhǔn)級別值為,則有:(6)(7)

式中,i=1,2,…,n;j=1,2,…,m;q=1,2,…,c-1;c值可根據(jù)插值樣本個數(shù)進(jìn)行調(diào)整。并且從中選取部分樣本連同評價標(biāo)準(zhǔn)樣本作為學(xué)習(xí)樣本,對應(yīng)的級別值作為輸出樣本,余下的作為網(wǎng)絡(luò)的檢驗樣本。

(2)項目成功度后評價步驟。水電工程移民安置項目可以根據(jù)上述方法確定學(xué)習(xí)樣本和目標(biāo)輸出,調(diào)整隱含層和輸入層個數(shù),構(gòu)建BP神經(jīng)網(wǎng)絡(luò)。具體步驟:①根據(jù)上表中水電工程移民安置項目成功度評價指標(biāo)體系, 構(gòu)建神經(jīng)網(wǎng)絡(luò)的輸入層。②將各指標(biāo)的評價值進(jìn)行模糊處理后, 作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集。③啟動神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí), 經(jīng)反復(fù)迭代直到收斂到相應(yīng)的精度條件, 儲存學(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)綜合評價模型。④將標(biāo)準(zhǔn)化的評價矩陣輸入設(shè)計好的模型, 即可得出評價、評價結(jié)果。

四、結(jié)論

本文運用模糊神經(jīng)網(wǎng)絡(luò)對水電工程移民項目進(jìn)行成功度后評價, 弱化了評價過程中的隨機(jī)性和評價人員確定指標(biāo)權(quán)重的主觀性,保證了評價結(jié)果的客觀性和科學(xué)性,具有很強(qiáng)的實際意義。由于本文主要從后評價的方法層面進(jìn)行研究,所以需要進(jìn)一步開展實證研究,來驗證該方法的科學(xué)性和實用性。

參考文獻(xiàn):

[1]劉向富:BP神經(jīng)網(wǎng)絡(luò)在水電工程移民安置后評價中的應(yīng)用[J].水利技術(shù)監(jiān)督,2008,03:34～35

[2]張君偉:水利水電工程移民安置項目后評價研究[D]. 南京,河海大學(xué),2006

矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用范文第2篇

關(guān)鍵詞 原發(fā)性肝癌 特征提取 特征選擇 BP神經(jīng)網(wǎng)絡(luò)

1 前 言

原發(fā)性肝癌是由肝細(xì)胞或肝內(nèi)膽管上皮細(xì)胞發(fā)生的惡性腫瘤，在世界范圍內(nèi)是第5位致死性惡性腫瘤[1]，在我國發(fā)病率[2]也很高。在各種影像學(xué)檢查技術(shù)中，CT能較好地反映肝臟的病理形態(tài)表現(xiàn)，成為診斷肝臟疾病的首選影像檢查方法之一。正常的組織結(jié)構(gòu)被破壞是診斷學(xué)中區(qū)分彌散性和非彌散性肝臟疾病的重要形態(tài)特征，反映在CT圖像上則呈現(xiàn)為圖像紋理的改變，因此可以利用紋理特征的差異對不同病例的肝臟CT圖像進(jìn)行分析，也就能實現(xiàn)對原發(fā)性肝癌和正常肝組織進(jìn)行計算機(jī)分類識別。由于我國肝癌患者數(shù)量眾多，診斷工作較為繁重，因此實現(xiàn)對原發(fā)性肝癌CT圖像的計算機(jī)輔助診斷有助于減輕診斷醫(yī)師勞動負(fù)荷，增加診斷途徑從而減少誤診率，對原發(fā)性肝癌的治療具有重要意義。

近年來，基于CT圖像的紋理分析研究取得一定進(jìn)展，.Mir[3]等提出肝臟CT圖像采用基于灰度共生矩陣、灰度行程矩陣和灰度差分矩陣的紋理特征區(qū)分肝臟正常組織和病變組織。Chen[4]等通過分形特征信息和空間灰度共生矩陣提取特征值，利用改進(jìn)的概率神經(jīng)網(wǎng)絡(luò)分類器來識別肝囊腫和血管瘤這2種不同類型的肝CT圖像，這種分類器的正確率達(dá)到83%。Stavroula G.Mougiakakou[5]等人從一階統(tǒng)計值、灰度共生矩陣、灰度差分矩陣、Laws能量和分形維數(shù)5個方面提取特征，對正常肝、肝癌、肝囊腫、肝血管瘤4類CT圖像進(jìn)行識別，最好的識別率為84.96%。

本文借鑒當(dāng)前可用于描述圖像紋理特征的測度，并應(yīng)用模式識別中經(jīng)典、成熟圖像特征提取方法，結(jié)合人工神經(jīng)網(wǎng)絡(luò)識別技術(shù)對正常肝臟、原發(fā)性肝癌的CT圖像進(jìn)行紋理分析和識別研究，最終結(jié)果達(dá)到對原發(fā)性肝癌93.60%±5.35%較高的識別準(zhǔn)確率。

2 方法

本文研究60個樣本圖像來自于湖北文理學(xué)院附屬襄陽市中心醫(yī)院，選擇經(jīng)確診正常肝、原發(fā)性肝癌的CT圖像各30例，將上述CT圖像采集后存儲在計算機(jī)上，并選擇圖像中的興趣區(qū)（regions of interest，ROI）。在有經(jīng)驗醫(yī)師指導(dǎo)下選取60個20*20大小的ROI（Regions of interest）進(jìn)行分析，30個ROI屬于正常肝，30個ROI屬于原發(fā)性肝癌。 如圖1所示。

2.1 紋理特征提取

圖像的區(qū)域紋理特征可以描述一個區(qū)域圖像的精細(xì)或粗糙、均勻和不均勻和平滑與不規(guī)則等信息。本文從以下3方面提取紋理特征。

2.1.1 一階統(tǒng)計特征 一階統(tǒng)計特征[6]是圖像中灰度的一階概率分布，是包含在圖像中信息的簡介概括，是很有吸引力的紋理測量方法，也是最基本的紋理特征描述。

2.1.2 灰度共生矩陣 由Haralick[7]提出的灰度共生矩陣[6]方法，它是建立在估計圖像二階組合條件概率密度函數(shù)基礎(chǔ)上的。這個方法已有較長的研究歷史，也是當(dāng)前人們公認(rèn)的一種重要紋理分析方法。

灰度共生矩陣描述了圖像中在?方向上（一般為0?、45?、90?、135?四個方向），距離為d的一對象元分別具有灰度i和j的出現(xiàn)概率。灰度共生矩陣中每一個元素都可以包含距離、角度、灰度值和出現(xiàn)概率4種信息。根據(jù)灰度共生矩陣提取13個特征參量：角二階矩、對比度、相關(guān)系數(shù)、倒數(shù)差分矩、和均值、差均值、和方差、差分方差、熵、差分熵、信息測度I、信息測度II、最大相關(guān)系數(shù)。取d=1，將4個方向上相應(yīng)的值取平均，從每個ROI提取13個特征值。

2.1.3 灰度行程矩陣 灰度行程矩陣[6]是指連續(xù)的、共線的并具有相同灰度級（或?qū)儆谕换叶榷危┑南袼攸c，對于一個給定圖像可以計算出灰度游程矩陣M?，表示圖像在?方向上（一般為0?、45?、90?、135?四個方向），灰度為g，長度為d的灰度串所出現(xiàn)的總次數(shù)。本文提取了灰度行程矩陣的5個特征參量：短行程優(yōu)勢、長行程優(yōu)勢、灰度不均勻性度量、行程長度的不均勻性度量、行程總數(shù)的百分率。

2.2 特征選擇

這樣，本文對肝臟CT樣本圖像提取紋理特征達(dá)到28個，然而并不是每個特征都適用于樣本圖像的區(qū)分，對于某個特征而言，2個樣本值存在顯著性差異的為有效特征，否則為冗余特征。本文采用t檢驗法[8]進(jìn)行特征選擇。

2.3 神經(jīng)網(wǎng)絡(luò)識別系統(tǒng)

針對2類樣本圖像，本文采用BP神經(jīng)網(wǎng)絡(luò)識別系統(tǒng)在正常肝和原發(fā)性肝癌之間進(jìn)行分類。如圖2所示。BP 神經(jīng)網(wǎng)絡(luò)分類器的結(jié)構(gòu)中，分類器包括一個輸入層，一個隱含層和一個輸出層。其中輸入層含有與所選的有效特征數(shù)量相同的輸入神經(jīng)元，隱含層含有十個神經(jīng)元，輸出層含一個輸出神經(jīng)元，在隱含層和輸出層使用正切S型傳輸函數(shù)，收斂判斷值設(shè)為0.0001，最大訓(xùn)練步數(shù)為200。當(dāng)訓(xùn)練數(shù)據(jù)和網(wǎng)絡(luò)輸出的平均誤差平方降到低于這個值，認(rèn)為這個網(wǎng)絡(luò)已經(jīng)收斂。

3 實驗結(jié)果與分析

采用上述紋理特征提取算法，對每個ROI樣本提取28個紋理特征，然后采用t檢驗法選擇有效特征，在顯著性水平a取0.05的情況下，一階統(tǒng)計特征的10個特征以及信息測度I、信息測度II、和均值、最大相關(guān)系數(shù)、灰度不均勻性度量這15個特征具有顯著差異，其余的為冗余特征。t檢驗選擇結(jié)果見表1：

由于特征數(shù)目量較大，為直觀觀察t檢驗特征選擇的結(jié)果是否準(zhǔn)確，從有效特征中抽取一階矩、和均值，從冗余特征中抽取熵，觀察這些特征在不同性質(zhì)的圖像是否具有明顯不同的統(tǒng)計分布，表1給出部分特征在原發(fā)性肝癌、正常肝臟CT 圖像中的統(tǒng)計分布，結(jié)果以均值±標(biāo)準(zhǔn)差表示。

從上表可以看到，一階矩和和均值在正常肝和原發(fā)性肝癌中的統(tǒng)計分布有著顯著性差異，而熵在2者之間的分布差異則沒有有效特征明顯，很難將這2種樣本區(qū)分開。這一結(jié)果與t檢驗特征選擇的結(jié)果是一致的，從而更直觀證明該特征選擇機(jī)制的準(zhǔn)確性。

將t檢驗選出的特征向量輸入到神經(jīng)網(wǎng)絡(luò)分類器中進(jìn)行實驗。MATLAB神經(jīng)網(wǎng)絡(luò)工具箱提供十分豐富的分析計算和仿真函數(shù)，為神經(jīng)網(wǎng)絡(luò)的應(yīng)用提供極大的方便[9]，因此分析軟件選用MATLAB。

由于不同特征的物理意義不同，具有不同的動態(tài)范圍，這樣不同的特征常不具有可比性，因此，在分類之前首先將特征值歸一化[10]。對于特征值x，l是其取值上限，u是其取值下限，可用下式歸一化到[0，1]之間

用神經(jīng)網(wǎng)絡(luò)識別系統(tǒng)進(jìn)行實驗時分別采用2個方案：

方案一：全樣本作為檢測樣本。

把樣本集全部用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)識別系統(tǒng)，然后仍然用該樣本集來測試，根據(jù)測試結(jié)果來評價神經(jīng)網(wǎng)絡(luò)識別系統(tǒng)對全樣本的識別率。

方案二：留1/3樣本作為測試樣本，其余做訓(xùn)練樣本。

正常的和原發(fā)性肝癌各有30組樣本，分別從正常的隨機(jī)抽取10組，原發(fā)性肝癌中隨機(jī)抽取10組作為測試樣本，剩下的全部為訓(xùn)練樣本。一共進(jìn)行實驗100次，統(tǒng)計系統(tǒng)對所有測試樣本的識別正確率的平均值及標(biāo)準(zhǔn)差。識別結(jié)果如表3所示。

在方案一中，BP神經(jīng)網(wǎng)絡(luò)的識別率達(dá)到100%±0.00%，這個識別結(jié)果是比較好的。但是方案一是全樣本既做訓(xùn)練集又做測試集，因此這些結(jié)果還不足以衡量識別效果。不過從中可以說明此分類識別器可以用于解決正常肝臟、原發(fā)性肝癌的識別問題。

在方案二中，BP神經(jīng)網(wǎng)絡(luò)對正常肝的識別率達(dá)到100%±0.00%，對原發(fā)性肝癌的識別率達(dá)到93.60%±5.35%，由這個結(jié)果可見，BP神經(jīng)網(wǎng)絡(luò)識別系統(tǒng)對肝臟CT圖像識別有較高的識別準(zhǔn)確率。

從表2中可以看出，方案二的相應(yīng)識別率要比方案一的相應(yīng)識比率有所降低，但這完全符合模式識別理論的規(guī)律，有導(dǎo)師型神經(jīng)網(wǎng)絡(luò)[11]對學(xué)習(xí)過的樣本能夠很好的識別，但是對于從未學(xué)習(xí)過的檢測樣本，只能根據(jù)學(xué)習(xí)樣本的訓(xùn)練結(jié)果對該樣本進(jìn)行推斷，識別率必然有所降低。

4 結(jié)論

文中根據(jù)正常肝臟、原發(fā)性肝癌在CT圖像上的差異，對圖像感興趣區(qū)域進(jìn)行紋理特征的提取，通過篩選得到區(qū)分正常肝臟、原發(fā)性肝癌的特征向量，并通過神經(jīng)網(wǎng)絡(luò)分類器訓(xùn)練和測試達(dá)到對正常肝臟100.00%±0.00%，原發(fā)性肝癌93.60%±5.35%。實驗結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)具有較高的識別準(zhǔn)確率，在紋理分析中有一定的應(yīng)用價值，對肝臟CT圖像的紋理特征具有良好的識別能力。本項研究成果有望為臨床診斷原發(fā)性肝癌提供計算機(jī)輔助診斷手段。

參考文獻(xiàn)

[1] 徐輝雄，謝曉燕，呂明德，等.超聲引導(dǎo)經(jīng)皮消融術(shù)治療復(fù)發(fā)性肝癌[J].中華肝膽外科雜志，2005，11（12）：809-811.

[2] 朱志英，許紅璐，陳仙.原發(fā)性肝癌患者的需求現(xiàn)狀[J]. Modern Nursing， 2007， 13（19）： 1824-1825.

[3] Mir A H，Hanmandlu M，Tandon S N.Texture analysis of CT images. IEEE International Conference of the Engineering in Medicine and Biology Society， 1995；14（6）：781-6.

[4] Chen E L，Chung P C，Chen C L，Tsai H M，Chang C I.An automatic diagnostic system for CT liver image classification[J].IEEE Trans.Biomed.Eng.，1998，45（6）：783-794.

[5] Stavroula G. Mougiakakou， Ioannis K.Valavanis， Alexandra Nikita， et al.Differential diagnosis of CT focal liver lesions using texture features， feature selection and ensemble driven classifiers[J].Artificial Intelligence in Medicine.2007，41：25-37.

[6] 西奧多里德斯（Theodoridis， S.）等著，李晶皎等譯，模式識別[M]，第3版，北京：電子工業(yè)出版社，2006.213-219，310-312.

[7] Haralick R M， Shangmugam K，et al.Textural Features for Image Classification[J].IEEE Transaction on Systems，1973，SMC-3（6）：768-780.

[8] 劉次華，萬建平.概率論與數(shù)理統(tǒng)計[M]，第2版，北京：高等教育出版社，2003：202-203.

[9] 雷曉云 張麗霞 梁新平，基于MATLAB工具箱的BP神經(jīng)網(wǎng)絡(luò)年徑流量預(yù)測模型研究[J].水文，2008，28（1）：43-46.

矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用范文第3篇

關(guān)鍵詞： 計算機(jī)網(wǎng)絡(luò)安全； 安全評價； 神經(jīng)網(wǎng)絡(luò)； 遺傳神經(jīng)網(wǎng)絡(luò)

中圖分類號： TN915.08?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）03?0089?03

Computer network security evaluation simulation model based on neural network

WEN Siqin1， WANG Biao2

（1. Department of Computer Science and Technology， Hohhot Minzu College， Hohhot 010051， China；

2. College of Computer Information Management， Inner Mongolia University of Finance and Economics， Hohhot 010051， China）

Abstract： The applications of the complex network algorithm， neural network algorithm and genetic algorithm in computer network security evaluation are introduced. On the basis of the BP neural network algorithm， the genetic algorithm is used to improve the computer network security evaluation simulation model. The application of GABP neural network algorithm in computer network security evaluation is studied deeply. The simulation model has high theoretical significance and far?reaching application value for the computer network security evaluation.

Keywords： computer network security； security evaluation； neural network； genetic neural network

0 引 言

隨著科學(xué)技術(shù)的不斷進(jìn)步，Internet和計算機(jī)網(wǎng)絡(luò)技術(shù)越來越深入到了政治、經(jīng)濟(jì)、軍事等各個層面。網(wǎng)絡(luò)技術(shù)發(fā)展的越快，網(wǎng)絡(luò)安全問題越突出。目前，信息系統(tǒng)存在著很大安全風(fēng)險，受到嚴(yán)重的威脅，許多網(wǎng)絡(luò)入侵者針對計算機(jī)網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性和規(guī)模龐大性，利用網(wǎng)絡(luò)系統(tǒng)漏洞或安全缺陷進(jìn)行攻擊[1?2]。

目前，國內(nèi)存在不少的計算機(jī)網(wǎng)絡(luò)安全評估系統(tǒng)，但是僅有少部分在使用，其主要任務(wù)是檢測網(wǎng)絡(luò)安全存在的漏洞，對于網(wǎng)絡(luò)安全的風(fēng)險評估涉及不多或只是簡單的分析，并且基本上沒有涉及計算機(jī)網(wǎng)絡(luò)安全態(tài)勢評估和預(yù)測[3]。由于網(wǎng)絡(luò)安全評估系統(tǒng)沒有能夠?qū)⒃u估技術(shù)和檢測技術(shù)相結(jié)合，所以沒有形成一個框架和一個有力支撐平臺的網(wǎng)絡(luò)信息安全測試評估體系，用于指導(dǎo)各行業(yè)網(wǎng)絡(luò)安全風(fēng)險評估和檢測[4]。因此，需要建立一個包括多種檢測方法和風(fēng)險評估手段的全面網(wǎng)絡(luò)安全評估系統(tǒng)。本文在BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的基礎(chǔ)上，研究并制定了一個簡單、有效、實用的計算機(jī)網(wǎng)絡(luò)安全評估仿真模型。

1 基于GABP神經(jīng)網(wǎng)絡(luò)的計算機(jī)網(wǎng)絡(luò)安全評價

仿真模型

1.1 染色串與權(quán)系值的編碼映射

以下為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果，分為4個矩陣。在設(shè)定時，輸入節(jié)點、隱含節(jié)點和輸出節(jié)點分別設(shè)置為[i，][j，][k。]

（1） 輸入層到隱含層之間的權(quán)值矩陣為：

（2） 隱含層閾值矩陣：

[γ=γ1γ2?γj] （2）

（3） 隱含層到輸出層的權(quán)值矩陣：

（4） 輸出層的閾值矩陣：

[h=h1h2?hj] （4）

為利用GA進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的權(quán)值優(yōu)化，對上述四個矩陣進(jìn)行優(yōu)化，形成染色體串，并進(jìn)行編碼，如圖1所示。

1.2 自適應(yīng)函數(shù)

使用GA算法的具體目的是為了優(yōu)化權(quán)值，首先要設(shè)定一個函數(shù)，這個函數(shù)基于輸出層誤差并且是一個能夠評價染色體具有自適應(yīng)功能的函數(shù)，具體定義為：

[ft=1E，t=1，2，3，…] （5）

其中[minE=12i=1r（yak-yi）2，][yak]和[yi]分別表示期望輸出和實際輸出。

1.3 GABP算法

GABP算法的具w實現(xiàn)步驟如下：

1.4 BP算法實現(xiàn)

BP算法如下：

[Wij（K+1）=Wij（K）-lr-w??Ek?Wij， i=1，2，…，r；j=1，2，…，m] （6）

式中：[?Ek?Wij=?Ek?netijOjk=δjkOjk，]其中[Ojk]表示前一層第[j]個單元輸出，[Ojk=fnetjk]。

1.5 GA算法實現(xiàn)

（1） 權(quán)系編碼

本系統(tǒng)對神經(jīng)網(wǎng)絡(luò)權(quán)值系數(shù)進(jìn)行碼時采用的是實數(shù)編碼，因為系統(tǒng)內(nèi)包含96個變量，但是若是一般的情況，遺傳算法基本采用二進(jìn)制編碼。

[w1，1，w2，1，…，w17，1φ1w1，2…w17，5φ2…φ17b1b2φ18]

其中，[φi]（i=1，2，…，17）是指單元數(shù)目。

（2） 初始化及自適應(yīng)函數(shù)

GA算法搜索最優(yōu)函數(shù)參數(shù)[θc=cij，bij，]使得[minE=12i=1r（yak-yi）2，][yak]和[yi]分別表示期望輸出和實際輸出，從而求得每個染色體的適應(yīng)度值[ft=1E（t=1，2，3，…）。]

（3） 比率選擇

比率選擇是基于“賭輪法”進(jìn)行概率分布的選擇過程：

計算單個染色體的適應(yīng)值eval（θi）；

計算群體的總適應(yīng)值：[f=i=1popsizeeval（θ）；]

計算每一個染色體的被選擇概率：[Pt=eval（θt）F；]

計算每個染色體的累積概率：[qt=j=1tPj 。]

羅盤轉(zhuǎn)動popsize次，按照相應(yīng)的方法選擇一個單個染色體。

（4） 雜交

雜交的兩種方式分別是按照遺傳算法進(jìn)行的雜交，屬于簡單雜交，與二進(jìn)制雜交類似，就是在浮點數(shù)之間進(jìn)行具體的劃分；另一種叫做算數(shù)雜交，就是將不同的兩個向量進(jìn)行組合。

（5） 變異

本系統(tǒng)采用均勻變異，也就是被變異個體必須要有較好的適應(yīng)值，才能夠被接受為新的成員，替代變異前的群體，否則變異體被消去，群體保持不變。

2 仿真模型性能分析

計算機(jī)的網(wǎng)絡(luò)安全等級按照網(wǎng)絡(luò)安全評價的特點劃分為四級，A級對應(yīng)安全程度為很高，B級對應(yīng)安全程度為較高，C級對應(yīng)安全程度為一般，D級對應(yīng)安全程度為較低。在本系統(tǒng)中，作為輸入值的是計算機(jī)17項網(wǎng)絡(luò)安全指標(biāo)的具體分值，而將安全綜合評價分值作為網(wǎng)絡(luò)期望的惟一一項輸出項。BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)值有一定的要求，需要一定量的樣本且具有一致性的特點，并對其進(jìn)行訓(xùn)練，同時在對其評價時也采用訓(xùn)練好的網(wǎng)絡(luò)，但是就現(xiàn)在來看符合要求的數(shù)據(jù)相對來說較少，如表1所示，本系統(tǒng)評價數(shù)據(jù)時采用12組典型的網(wǎng)絡(luò)安全單項指標(biāo)。在進(jìn)行綜合評價時采用層次分析的方法，并作為訓(xùn)練樣本訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，以檢驗該仿真模型的安全評價效果。

本模型用Matlab語言實現(xiàn)，神經(jīng)網(wǎng)絡(luò)的隱藏節(jié)點為5，表2為對最后樣本進(jìn)行評價，閾值調(diào)整系數(shù)[β]的值為0.1，權(quán)值調(diào)整參數(shù)[α]為0.1，經(jīng)過1 000次的訓(xùn)練，1‰的學(xué)習(xí)精度，所得結(jié)果收斂于之前所要求的誤差范圍內(nèi)。可知該仿真模型是有效且可靠的，實際輸出的數(shù)值與期望值的相對誤差低于3.7%，其安全等級為B級與期望值相同。

3 結(jié) 論

通過分析BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)和遺傳算法的優(yōu)缺點，針對BP神經(jīng)網(wǎng)絡(luò)收斂速率低和搜索能力弱等問題，采用GA算法進(jìn)行補(bǔ)償，并設(shè)計了GABP計算機(jī)網(wǎng)絡(luò)安全評價仿真模型，并對評價結(jié)果進(jìn)行相應(yīng)的分析，認(rèn)為該評價仿真模型性能比較優(yōu)良，具有較高的理論價值和廣闊的應(yīng)用前景。

參考文獻(xiàn)

[1] RAYNUS J. Software process improvement with CMM [M]. Norwood： Manning Publications， 2009.

[2] 司奇杰.基于圖論的網(wǎng)絡(luò)安全風(fēng)險評估方法的研究[D].青島：青島大學(xué)，2006.

[3] 張?zhí)熘?GABP算法的復(fù)雜計算機(jī)網(wǎng)絡(luò)安全評價中的應(yīng)用[D].成都：電子科技大學(xué)，2015.

[4] KUCHANA P.Java軟件結(jié)構(gòu)設(shè)計模式標(biāo)準(zhǔn)指南[M].北京：電子工業(yè)出版社，2006：358.

[5] 占俊.基于自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)的計算機(jī)網(wǎng)絡(luò)安全評價[J].現(xiàn)代電子技術(shù)，2015，38（23）：85?88.

[6] 于群，馮玲.基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全評價方法研究[J].計算機(jī)工程與設(shè)計，2008（8）：1118?1125.

[7] SUR S， BOTHRA A K， SEN A. Bond rating： a non?conservative application of neural networks [C]// Proceedings of 1988 IEEE International Conference on Neural Networks. San Diego： IEEE， 1988： 443?450.

矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用范文第4篇

關(guān)鍵詞： 防腐涂層；BP人工神經(jīng)網(wǎng)絡(luò)；厚度預(yù)測

中圖分類號：TE42 文獻(xiàn)標(biāo)識碼：A 文章編號：1671－7597（2012）0310029－02

0 引言

管道外防腐層從傳統(tǒng)的石油瀝青或瀝青瓷漆、煤焦油和煤焦油瓷漆、聚乙烯和聚丙烯膠帶逐漸演化為主要是擠出包覆/纏繞聚乙烯和聚丙烯、三層聚乙烯和聚丙烯、單層和雙層熔結(jié)環(huán)氧粉末、液體聚氨酯和聚脲等的現(xiàn)代技術(shù)。目前熔結(jié)環(huán)氧粉末類防腐層（單層和雙層）和聚乙烯類防腐層在管道上得到了廣泛應(yīng)用，約占國內(nèi)已建管道防腐層的60%左右[1]。

目前在管道防腐涂敷生產(chǎn)過程中，為了在初始時期保證外涂層厚度達(dá)到既定要求，一般根據(jù)經(jīng)驗適當(dāng)增大原材料的使用量，然后通過在成品管檢測站對涂層厚度進(jìn)行監(jiān)測，進(jìn)而逐漸調(diào)整相應(yīng)的各項參數(shù)，使各種原料的使用量趨于合理。這種依靠經(jīng)驗進(jìn)行涂層厚度的控制方法不可避免會造成一些不必要的原材料浪費。同時，若在生產(chǎn)過程中由于傳動線以及其它設(shè)備波動引起涂層減薄，發(fā)現(xiàn)后及時通知操作人員進(jìn)行參數(shù)調(diào)節(jié)，亦會造成涂層厚度達(dá)不到要求。

利用神經(jīng)網(wǎng)絡(luò)的研究成果和影響管道外防腐層各項因素，對外防腐層的厚度進(jìn)行分析建模，目的是從系統(tǒng)的觀點出發(fā)，綜合考慮環(huán)氧粉末涂敷量、膠粘劑和聚乙烯/聚丙烯擠出量、傳動線速度和涂敷區(qū)預(yù)熱溫度對外防腐層厚度的影響。通過現(xiàn)有各項參數(shù)對涂層厚度進(jìn)行預(yù)測，是神經(jīng)網(wǎng)絡(luò)分析在管道外涂層厚度研究中應(yīng)用的一個嘗試。

1 神經(jīng)網(wǎng)絡(luò)模式識別模型的基本原理

人工神經(jīng)網(wǎng)絡(luò)[2]（ANN：Artificial neural network）是指由大量類似于生物神經(jīng)系統(tǒng)的神經(jīng)細(xì)胞的人工神經(jīng)元互聯(lián)而成的，具有一定智能功能的網(wǎng)絡(luò)。它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。

采用基于BP（Back-Propagation誤差反向傳播）算法的多層感知器（MLP：

Multi layer perception）模型。MLP的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。

Fig. 1 Network topological structure of MLP model

圖1所示是一個具體的MLP。該網(wǎng)絡(luò)有3層：一個輸入層，一個隱含層，一個輸出層。網(wǎng)絡(luò)結(jié)構(gòu)可用“n-j-m結(jié)構(gòu)”描述，其中n、j、m分別表示各層的結(jié)點數(shù)。每層都有一個權(quán)矩陣W、一個偏差矢量b和一個輸出矢量a。

輸入層的輸入矩陣是：

各層的輸出矢量分別是：

其中的 表示有效傳輸函數(shù)（Active transferfunction），各層權(quán)矩陣的維數(shù)由輸入分量數(shù)目及層神經(jīng)元數(shù)決定。網(wǎng)絡(luò)的學(xué)習(xí)就是各層權(quán)矩陣及偏差矢量的變化。

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)對管道外防腐涂層厚度進(jìn)行預(yù)測主要包括以下的過程：

1）設(shè)計神經(jīng)網(wǎng)絡(luò)。根據(jù)具體的問題給出的輸入矢量與目標(biāo)矢量，確定所要設(shè)計的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，包括：① 網(wǎng)絡(luò)的層數(shù)；② 每層的神經(jīng)元數(shù)；③ 每層的有效傳輸函數(shù)。

2）網(wǎng)絡(luò)學(xué)習(xí)前的數(shù)據(jù)處理。它包括收集有關(guān)的變量，評價和提取有效的變量以及數(shù)據(jù)變換處理。模式特征提取過程如圖2所示。

3）識別（分類）。網(wǎng)絡(luò)按照一定的學(xué)習(xí)規(guī)則，從示范模式的學(xué)習(xí)中逐漸調(diào)整權(quán)值。當(dāng)網(wǎng)絡(luò)完成訓(xùn)練后，對網(wǎng)絡(luò)輸入待識別的模式，網(wǎng)絡(luò)將以泛化方式給出識別結(jié)果。

Fig. 2 Process of feature extraction

2 外防腐層厚度影響因子及神經(jīng)網(wǎng)絡(luò)模型建立

此次預(yù)測所用數(shù)據(jù)是某氣田工程項目鋼管涂敷數(shù)據(jù)，影響涂層厚度的主要因子有環(huán)氧粉末噴槍的供粉氣、配粉氣、膠粘劑的擠出量、聚乙烯的擠出量、傳動線的運行速度以及涂敷區(qū)的預(yù)熱溫度。上述6個因子共同影響外涂層的厚度，本文旨在說明神經(jīng)網(wǎng)絡(luò)法應(yīng)用于厚度預(yù)測的可能性。

以環(huán)氧粉末噴槍的供粉氣、配粉氣、膠粘劑的擠出量、聚乙烯的擠出量、傳動線的運行速度和涂敷區(qū)的預(yù)熱溫度這6項作為網(wǎng)絡(luò)輸入項；以外涂敷層厚度作為網(wǎng)絡(luò)輸出項（同時添加了外涂敷層溫度）。取隱含層數(shù)為1，隱含層神經(jīng)元數(shù)為8，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為6-8-2。隱含層采用S型（Sigmoid）有效傳輸函數(shù)，輸出層采用線性有效傳輸函數(shù)。

神經(jīng)網(wǎng)絡(luò)模型有多種，本文選用加入動量項的BP網(wǎng)絡(luò)模型，并用MATLAB語言[3-4]進(jìn)行編程。

輸入表1中處理后的前8組數(shù)據(jù)（學(xué)習(xí)樣本）到建立好的網(wǎng)絡(luò)模型訓(xùn)練學(xué)習(xí)，后2組（9-10）數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練完畢后的檢驗樣本。將檢驗樣本代入訓(xùn)練好的網(wǎng)絡(luò)中檢驗網(wǎng)絡(luò)實際應(yīng)用能力，即是否具有泛化能力。網(wǎng)絡(luò)的運行結(jié)果見圖3所示，從圖中可見實際值和輸出值基本一致，最大誤差只有2%左右，完全符合實際工作的要求，說明網(wǎng)絡(luò)具有很好的泛化能力且利用神經(jīng)網(wǎng)絡(luò)進(jìn)行外防腐層厚度預(yù)測是很成功的。

Fig. 3 Comparison of Study data and Test data

3 結(jié)論

1）基于人工神經(jīng)網(wǎng)絡(luò)的管道外防腐層預(yù)測模型能夠充分利用現(xiàn)有參數(shù)來解決涂層厚度偏厚及偏薄問題，在一定程度上避免了原材料的浪費以及不合格管的產(chǎn)生。

2）對于不同項目、不同要求的涂敷數(shù)據(jù)，參考實際生產(chǎn)數(shù)據(jù)后再利用神經(jīng)網(wǎng)絡(luò)效果將會更加明顯。

3）針對某一具體項目涂層厚度建立了預(yù)測模型，取得一定的效果。預(yù)期對其它項目的生產(chǎn)有較大的指導(dǎo)作用，有較好的適用前景。

參考文獻(xiàn)：

[1]中石油管道公司編，世界管道概述，北京：石油出版社，2004.

[2]袁曾任，人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用[M].北京：清華大學(xué)出版社，1999.

[3]樓順天、于衛(wèi)、閆華梁，MATLAB程序設(shè)計語言[M].西安：西安電子科技大學(xué)出版社，1997.

[4]聞新，MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].科學(xué)出版社，2001.

矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用范文第5篇

神經(jīng)網(wǎng)絡(luò)具有高度非線性、并行處理、魯棒性、容錯性和很強(qiáng)的自學(xué)習(xí)功能，煤礦瓦斯涌出量預(yù)測問題涉及的影響因素多，影響因素之間耦合性強(qiáng)，因此瓦斯涌出量預(yù)測模型建立難度大。使用數(shù)據(jù)預(yù)處理的方法弱化數(shù)據(jù)波動性，然后建立基于神經(jīng)網(wǎng)絡(luò)的瓦斯涌出量預(yù)測模型，通過訓(xùn)練，使其誤差波動在可接受范圍，即可對未知領(lǐng)域進(jìn)行預(yù)測，進(jìn)而提出改進(jìn)措施，預(yù)防和減少事故的發(fā)生。

1、概況

2014年以來，全國煤礦10起重大事故中，有7起為瓦斯事故，造成113死亡，發(fā)生9起較大以上煤與瓦斯（二氧化碳）突出事故。2014年4月21日凌晨0時30分左右，云南富源縣后所鎮(zhèn)紅土田煤礦121701工作面發(fā)生瓦斯爆炸事故。當(dāng)班井下56人下井，安全升井42人，14人被困井下，全部遇難。2014年6月3日16時58分，重慶能投集團(tuán)所屬南桐礦業(yè)公司硯石臺煤礦發(fā)生重大瓦斯事故，28人被困井下，經(jīng)全力搶險救援，6人被成功救出，22人不幸遇難。

瓦斯是礦井生產(chǎn)過程中的最主要的不安全因素之一，是礦井事故的主要誘發(fā)源。瓦斯涌出量是決定煤礦通風(fēng)安全和管理工作的關(guān)鍵因素。因此，對其進(jìn)行預(yù)測的結(jié)果是否準(zhǔn)確，直接影響到礦井的經(jīng)濟(jì)技術(shù)指標(biāo)。目前，煤礦瓦斯涌出量一直以檢測為主，在預(yù)測預(yù)報瓦斯涌出量方面的技術(shù)還不是很成熟。預(yù)測礦井瓦斯涌出量是進(jìn)行通風(fēng)設(shè)計和制定礦井安全技術(shù)措施的重要依據(jù)。在開采煤層群的礦井中，不同的開采順序及開采強(qiáng)度均會對礦井瓦斯涌出量有影響，故難以精確地預(yù)測。傳統(tǒng)的礦井瓦斯預(yù)測方法，有瓦斯梯度法和煤層瓦斯含量法，它們都是基于瓦斯涌出量和影響因素之間為線性關(guān)系進(jìn)行預(yù)測的，在應(yīng)用過程中有一定的局限性，且需要計算的參數(shù)多，另外，灰色理論預(yù)測方法雖然預(yù)測精度較高，但在多因素情況下同樣遇到精確建模與求解兩方面的困難。人工神經(jīng)網(wǎng)絡(luò)以其高度的非線性映射、自組織結(jié)構(gòu)、并行處理等特點，將影響礦井瓦斯涌出量的各因素視為輸入節(jié)點，并通過一定方式連接，對網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)與聯(lián)想記憶，使其在礦井瓦斯涌出量預(yù)測中具有傳統(tǒng)方法無法比擬的適應(yīng)性和優(yōu)越性。

2、瓦斯涌出量預(yù)測模型

人工神經(jīng)網(wǎng)絡(luò)主要包含網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、神經(jīng)元的特征和訓(xùn)練規(guī)則三個因素。研究和應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型有前向網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)、隨機(jī)神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)、連續(xù)時間非線性神經(jīng)網(wǎng)絡(luò)及模糊神經(jīng)網(wǎng)絡(luò)等多種模型。本文選用前向神經(jīng)網(wǎng)絡(luò)模型，并使用適用于該模型的BP算法，即反向傳播算法。誤差反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation，簡稱BP網(wǎng)絡(luò)），是一種單向傳播的多層前向網(wǎng)絡(luò)。其由輸入層、中間層、輸出層組成的階層型神經(jīng)網(wǎng)絡(luò)，中間層可擴(kuò)展為多層。相鄰層之間各神經(jīng)元進(jìn)行全連接，而每層各神經(jīng)元之間無連接，網(wǎng)絡(luò)按有教師示教的方式進(jìn)行學(xué)習(xí)。

一個神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建包括神經(jīng)網(wǎng)絡(luò)層數(shù)的確定、網(wǎng)絡(luò)神經(jīng)元個數(shù)的確定、初始權(quán)值、學(xué)習(xí)速率和網(wǎng)絡(luò)期望誤差的選取。本文所用瓦斯涌出量預(yù)測模型所建立模型總體可以分為兩部分：訓(xùn)練部分和預(yù)測部分。訓(xùn)練部分主要實現(xiàn)對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，直到神經(jīng)網(wǎng)絡(luò)達(dá)到要求的誤差為止；預(yù)測部分可實現(xiàn)實時預(yù)測，也可以輸入單組樣本，測試預(yù)測效果。

3、瓦斯涌出量預(yù)測模型的實現(xiàn)及應(yīng)用

3.1某礦地質(zhì)條件簡介

某礦籌建于1906年，迄今已有百年歷史。礦井為主皮帶斜井，副立井提升，分水平階段石門開拓布置。12水平以上階段垂高90m，12水平以下階段垂高100m。西翼石門間距為220～250m，東翼石門間距500～600m。目前開采水平為12水平（-1002m）和13水平（-1100m），地面標(biāo)高+54.4m；生產(chǎn)主要集中在12和13水平；14水平正在開拓中。采煤方法為傾斜長壁、偽傾斜柔性掩護(hù)支架采煤，回采工作面均采用陷落法管理頂板，以放炮落煤方式為主，部分工作面采用綜合機(jī)械化放頂煤開采。礦井采用中央并列式與對角混合抽出方式，通風(fēng)網(wǎng)絡(luò)極其復(fù)雜。礦井瓦斯等級為煤與瓦斯突出礦井，9號煤層為煤與瓦斯突出煤層。

圖1 工作面通風(fēng)示意圖

該礦3237工作面位于13水平西。上至3237西上面運輸巷，下至13水平，13水平以下尚無采掘工程。該工作面在回采過程中，回風(fēng)流瓦斯?jié)舛容^大，平均風(fēng)排瓦斯量為2.12m3/min。工作面相對瓦斯涌出量10.2m3/t；按日產(chǎn)2500噸計算，回采時瓦斯絕對涌出量為17.7m3/min。煤層自然發(fā)火期6―8個月；煤塵爆炸指數(shù)33.15%。采用綜機(jī)放頂煤采煤法，一次采全高。該工作面采用“U”型通風(fēng)方式；工作面進(jìn)、回風(fēng)巷采用10.5m2鐵拱形棚支護(hù)。

3237工作面通風(fēng)示意圖如圖1所示。

3.2訓(xùn)練樣本選取及輸入數(shù)據(jù)歸一化

根據(jù)已有礦井的有關(guān)數(shù)據(jù)資料及所選的影響因素，選取該礦3237工作面從2009年5月到2010年6月的數(shù)據(jù)作為訓(xùn)練樣本，其中選12組數(shù)據(jù)作為訓(xùn)練網(wǎng)絡(luò)的樣本數(shù)據(jù)，2009年9月及2010年1月的數(shù)據(jù)作為檢驗樣本。原始數(shù)據(jù)如下表：

表1 某礦預(yù)測瓦斯涌出量原始數(shù)據(jù)表

對于所選取的4個關(guān)鍵影響因素，BP神經(jīng)網(wǎng)絡(luò)模型一般以Sigmoid型函數(shù)作為轉(zhuǎn)移函數(shù)，即西格莫伊德函數(shù)，這類曲線反映了神經(jīng)元的飽和特性。該函數(shù)為常用的激發(fā)函數(shù)，它便于應(yīng)用梯度技術(shù)進(jìn)行搜索求解。該函數(shù)的值域為[0，1]，因此在網(wǎng)絡(luò)訓(xùn)練是要將原始數(shù)據(jù)進(jìn)行處理，規(guī)范到[0，1]區(qū)間，常用的數(shù)據(jù)預(yù)處理方法主要有標(biāo)準(zhǔn)化法、重新標(biāo)法、變換法、比例壓縮法、壓縮系數(shù)法。為了對網(wǎng)絡(luò)輸入數(shù)據(jù)信息集進(jìn)行合理的壓縮，且體現(xiàn)原始輸入數(shù)據(jù)信息之間的差別，筆者應(yīng)用了一個變換公式：

分別為每個因素中的最大值、最小值。對每個因素做歸一化處理。式中，xi為歸一化后所有因素中的第i個量；a、b分別為參數(shù)，設(shè)a=0.8，b=（1-a）/2。

以上數(shù)據(jù)歸一處理據(jù)結(jié)果如下表：

表2 數(shù)據(jù)歸一化處理結(jié)果

4、瓦斯涌出量預(yù)測模型網(wǎng)絡(luò)訓(xùn)練與測試

4.1Matlab7.0軟件簡介

Mtalab是MathWorks公司推出的一套功能十分強(qiáng)大的工程計算及數(shù)值分析軟件。MathWorks公司剛剛推出了Mtalab R14版本產(chǎn)品，即Mtalab 7。Matlab7.0軟件運行界面如下：

圖1 Matlab7.0軟件運行界面

4.2神經(jīng)網(wǎng)絡(luò)預(yù)測工作面瓦斯相對涌出量

用Matlab神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建一個輸入層神經(jīng)元數(shù)為4，隱含層神經(jīng)元數(shù)為9，輸出層的神經(jīng)元數(shù)為1的具有三層隱含層和一層輸出層的三層BP網(wǎng)絡(luò)：

net=newff（minmax（p），[4，9，1]，{'tansig'，'tansig'，'tansig'}，'trainrp'）

在網(wǎng)絡(luò)中輸入層及隱含層的激活函數(shù)均為默認(rèn)的tansig。網(wǎng)絡(luò)輸入節(jié)點數(shù)為4個，對應(yīng)各區(qū)域地質(zhì)因素統(tǒng)計量化值，網(wǎng)絡(luò)輸出節(jié)點數(shù)為1個，對應(yīng)該工作面絕對瓦斯涌出量。經(jīng)試用對比，網(wǎng)絡(luò)訓(xùn)練函數(shù)trainrp雖然訓(xùn)練次數(shù)較多，但由于其占用內(nèi)存小，單次訓(xùn)練周期短，總的訓(xùn)練時間較短，收斂的實際使用時間較少，所以決定設(shè)計網(wǎng)絡(luò)中使用訓(xùn)練函數(shù)trainrp。

設(shè)定相關(guān)參數(shù)：

net.trainParam.show=50；（隔50次顯示1次，可按意愿修改）

net.trainParam.epochs=2000；（最大訓(xùn)練次數(shù)，超出則退出訓(xùn)練）

net.trainParam.goal=1e-5；（訓(xùn)練誤差目標(biāo)，達(dá)到或小于則完成訓(xùn)練）

對網(wǎng)絡(luò)訓(xùn)練完成后，用檢驗樣本檢驗網(wǎng)絡(luò)的誤差程度。

輸入矩陣p，t。（p為訓(xùn)練樣本的4個地質(zhì)指標(biāo)量化值組成的矩陣；t為訓(xùn)練目標(biāo)矩陣，即每組地質(zhì)指標(biāo)數(shù)據(jù)對應(yīng)的平均與其相對涌出量）。

訓(xùn)練網(wǎng)絡(luò)：

net=train（net，p，t）；

訓(xùn)練完成（即達(dá)到訓(xùn)練誤差目標(biāo)）后，輸入矩陣p1（檢驗樣本的4個地質(zhì)指標(biāo)量化值矩陣）。

用訓(xùn)練成功的網(wǎng)絡(luò)進(jìn)行檢驗：

a=sim（net，p1）

a即為檢驗樣本的預(yù)測值。編程程序及運行環(huán)境如下圖：

圖2 預(yù)測程序及運行環(huán)境

檢驗結(jié)果見表3。

表3 預(yù)測效果檢驗

結(jié)果顯示，訓(xùn)練后的BP網(wǎng)絡(luò)的預(yù)測結(jié)果與實際數(shù)值的相對誤差平均為2.2%，考慮到煤礦企業(yè)實際生產(chǎn)情況，認(rèn)為這樣的誤差范圍為可接受范圍，因此，可以對未知瓦斯涌出量進(jìn)行預(yù)測。

輸入矩陣p2（每個預(yù)測工作面的地質(zhì)指標(biāo)進(jìn)行量化，作為網(wǎng)絡(luò)輸入部分）。

用訓(xùn)練成功的網(wǎng)絡(luò)進(jìn)行預(yù)測：

b=sim（net，p2）

b即為預(yù)測值，其結(jié)果見表5.4中的網(wǎng)絡(luò)輸出部分。考慮上述平均相對誤差，可預(yù)測出工作面在采動時的絕對瓦斯相對涌出量如表5.4所示。

表5.4 考慮誤差的絕對瓦斯涌出量

經(jīng)生產(chǎn)實踐檢驗，在開采預(yù)測區(qū)時實際平均瓦斯相對涌出量與預(yù)測結(jié)果相符，即此方法完全可用于井田瓦斯分布與未采區(qū)域開采時平均瓦斯涌出量的預(yù)測。

5.4瓦斯涌出量預(yù)測結(jié)果分析

利用人工神經(jīng)網(wǎng)絡(luò)建立的礦井瓦斯涌出量預(yù)測模型，克服了傳統(tǒng)的數(shù)學(xué)計算方法精確建模和求解兩方面的困難，它可隨礦井生產(chǎn)條件的變化進(jìn)行輸入與輸出的高度非線性映射，模型精度很高，從而實現(xiàn)對煤層群開采礦井瓦斯涌出量動態(tài)預(yù)測。預(yù)測數(shù)據(jù)經(jīng)預(yù)測模型訓(xùn)練后，誤差曲線如下圖：

圖3 預(yù)測模型的訓(xùn)練性能曲線

5、結(jié)論

瓦斯涌出是影響煤礦安全生產(chǎn)的重要因素，瓦斯涌出量預(yù)測的方法正在迅速發(fā)展和完善，現(xiàn)如今還沒有一套能夠廣泛適用于各種地質(zhì)條件瓦斯涌出量預(yù)測的方法。利用具有非線性和自學(xué)習(xí)功能的神經(jīng)網(wǎng)絡(luò)作為工具來研究瓦斯涌出量預(yù)測問題，比現(xiàn)有其他數(shù)學(xué)方法具有更大的優(yōu)點。神經(jīng)網(wǎng)絡(luò)算法針對波動性較大的數(shù)據(jù)預(yù)測結(jié)果不理想的問題，在對監(jiān)測數(shù)據(jù)分析的基礎(chǔ)上，提出了用數(shù)據(jù)預(yù)處理的方法弱化數(shù)據(jù)波動性，然后建立基于神經(jīng)網(wǎng)絡(luò)的瓦斯涌出量預(yù)測模型，通過訓(xùn)練，使其誤差波動在可接受范圍，即可對未知領(lǐng)域進(jìn)行預(yù)測。現(xiàn)將本文的主要工作歸納如下：