基于改进的切比雪夫神经网络的露天煤矿产量预测

蔡光琪，彭洪阁，周毅勇,3，张 磊

(1.中煤集团平朔煤业有限公司安太堡露天煤矿, 山西 朔州036800；2.中国矿业大学矿业工程学院，江苏 徐州 221008；3.神华集团准格尔能源有限公司，内蒙古 呼和浩特 010300；4.国家安监局信息研究院煤炭工业出版社， 北京 100029)

随着我国露天开采进入迅速发展的新时期，露天煤矿原煤产量也有较大幅度的提高。由于矿山原煤产量的确定影响因素众多，特别是矿山具体条件千差万别，矿体赋存条件的变化、运输方式的变化、剥采比的调整均能直接使矿山产量发生变化[1]。所以，对矿山生产能力的分析、预测存在着较大困难。在这种情况下，探索一条能够准确预测露天矿原煤产量的新途径势在必行。

切比雪夫神经网络是一种新型的基于正交多项式的函数型神经网络，具有优良的泛化性能和预测能力[2]。但是，切比雪夫神经网络是单输入模型，故无法实现多输入的情况[3-5]。对此，根据切比雪夫神经网络的特性，本文将切比雪夫神经网络进行改进，改进后的模型具有算法简单，收敛速度快的优势。通过此模型对露天矿原煤产量进行预测，通过实例可知，这种方法具有简单有效的优势。

1 模型的建立

构造多输入层的切比雪夫神经网络模型，改进的模型为多输入单输出结构，输入层到第一隐层及第一隐层到第二隐层之间的连接权值恒等于1，第二隐层至输出层连接权值为σj(j=1,2,…,k),其中k为第二隐层神经元个数。

1.1 输入层

(1)

n为输入神经元的数目。

(2)

第三层：这是一组切比雪夫正交多项式，即

(3)

(4)

1.2 误差分析

(5)

yd和y分别为理想输出和实际输出。

1.3 性能指标

(6)

m为学习样本数。

1.4 权值修正

(7)

式中，η为学习率，且0<η<1。

1.5 网络学习法

(1)用(0，1)之间的数初始化ωj。

(2)输入样本以后，再根据根据上述公式，用现有权值对各神经元的实际输出和输出误差进行计算。

(3)通过每行的权值来调整公式(7)，并计算ωj。

(4)输入其他样本，转到②继续进行计算。

需要注意的是，所有样本都是周期的输入，直到网络达到收敛，并且输出的总误差小于允许值，方可满足要求。

2 实例研究

众所周知，影响露天矿原煤年产量的因素有很多，不可能每个因素都进行考虑。按照主导因素起决定性作用的原则，本文根据某露天煤矿的实际情况以及经验，选择了剥采比、剥离量、采剥动用效率、药耗作为网络输入向量。根据露天矿近几年的产量数据进行预测，见表1。

表1 露天矿原煤产量表

将前9年的数据作为基本样本，第10年的数据作为参照，验证模型的科学性。表2是改进的Chehyshev神经网络与传统BP网络对第10年的原煤产量进行预测收敛速度及预测结果的比较。

表2 收敛速度及预测结果的比较

由表2可知，如果在相同精度的情况下，改进的网络模型比传统模型具有收敛速度快、预测能力强的特点。

3 结 论

露天煤矿原煤产量的确定影响因素众多，特别是矿山具体条件千差万别，矿体赋存条件的变化、运输方式的改变、设备及工艺的更换均能直接影响矿山的产量规模。因此，需要一种定量的数学方法来对其就行预测。研究表明，利用本文提出的的切比雪夫神经网络预测模型，可以快速、准确、智能地预测出露天矿原煤产量，为矿山生产计划的编制提供了理论依据，对矿山实际生产具有重要的指导意义。

[1] 姬长生.露天矿生产规模及相关要素研究[M].徐州:中国矿业大学出版社,1998.

[2] 邹阿金,沈建中.基于切比雪夫神经网络的非线性预测应用研究[J].计算机应用，2001,21( 4):14-15.

[3] 张立明.人工神经网络的模型及其应用[M].上海:复旦大学出版社，1994.

[4] 袁曾任.人工神经元网络及其应用[M].北京:清华大学出版社，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.