17-17-基于Relief算法与ReLU核ELM的煤矿开采最大下沉预测模型研究

网络，ELM 在保障了训练精度的同时也兼顾了训
练的效率。在训练初始，ELM 随机初始化输入权
重和偏置，并得到相应的输出权值； 随着训练的进
行，其权值随着训练样本及核函数进行相应调整。
假设 有 N 组 样 本 （ Xi ，ti ） ，其 中 Xi = ［xi1，xi2， …，xin］T ∈ＲN ，ti = ［ti1 ，ti2 ，…，tin］T ∈ Ｒ M 。即 一个含有 L 个隐含神经元的训练网络可表示为：
另外，在解决非线性预测回归问题中，不同的 输入参数 往 往 得 到 不 同 的 输 出 结 果［19－ 21］， 所 以 对 输入参数进行筛选以获得最优输入数据就显得十分 重要。作为一种特征权值算法，Ｒelief Algorithm 因 其可根据各个参数与目标值的特征相关性，对参数 赋予不同的权重值，而剔除权值小于阈值的参数， 故可以做到筛选参数以优化输入数据［22］。
式表达：
Wi+1 p
=
W
i p
－ diff（ p，x，H（ x） ）
/m + diff（ p，x，M（ x） ）
/m
（ 1）
式中，x 为参数样本； p∈P； H （ x） 为 x 的同类
最近临点； M （ x） 为 x 的非同类最近 临 点。diff
（ ） 函数形式见式 （ 2） 。
{ diff（ p，x，x，） = 0，xp = x，p 1，xp ≠ x，p
第 23 卷 第 5 期 （ 总第 144 期） 2018 年 10 月
煤矿开采 COAL MINING TECHNOLOGY
Vol. 23No. 5 （ Series No. 144） October 2018
基于 Ｒelief 算法与 ＲeLU 核 ELM 的煤矿开采 最大下沉预测模型研究
魏 勇1，2 ，唐延东1 ，喻 强1 ，杨春兰3
煤矿开采地表最大下沉值是反映地表移动与变 形程度的一个重要参数，水平移动和各项变形值的 大小均可表示成最大下沉值的关系函数。针对煤矿 开采下沉预测，国内外开展了大量的研究工作，并 取得了丰硕的研究成果。
传统方法主要包括实测分析方法、影响函数方 法及数值模拟方法等。Jung 等人基于可靠量测数 据，对地表沉陷的形成机理与预测方法进行分析研 究［1］，该类方 法 能 较 好 地 处 理 演 化 规 律 较 为 简 单 的数据，若演化规律复杂时，则误差较大； Nicieza 等人采用一种三维的 n－k－g 影响函数预测地表下 沉值［2］，该 类 方 法 在 相 似 地 质 条 件 下 十 分 适 用，
但是岩体地质条件往往复杂多变［3］； 数值模拟方 法有以阿威尔申为代表的连续介质学派和以波兰学 者李特维 尼 申 为 代 表 的 随 机 介 质 学 派［4］， 这 两 种 方法均基于岩土结构情况、岩土力学参数及合理数 学假设，需要取得大量且大范围区域的岩体物理力 学及地质结构参数，这使得做到真实模拟的难度较 高。其他研究方法 （ 3S 技术、灰色系统及神经网 络等） 也为解决该问题提供了相应途径［5－7］，但仍 尚存诸多不足［8］。
（ 2）
最后，得到各 参 数 的 特 征 权 值。 特 征 权 值 越
大，表示该参数与目标关系越密切。根据所得的特
征权值，以筛选预测模型输入参数。
1. 2 基于 ＲeLU function 核的 ELM 预测最大下沉值
ELM 是由南洋理工大学黄广斌教授提出用于 求解单隐层神经 网 络 的 算 法［25］。 相 较 于 传 统 神 经
随着非线性科学的飞速发展，一种名为极限学 习机 （ Extreme Learning Machine，ELM） 的单隐层 前馈神经网络被广泛应用在各行各业［9－11］，该算法
［收稿日期］ 2018－06－13
［DOI］ 10. 13532 / j. cnki. cn11－3677 / td. 2018. 05. 018
Abstract： The maximum subsidence of goaf was forecast by ELM arithmetic that introduced ＲeLU function core and Ｒelief Algorithm. First，stratum movement data were filtrate based on relief Algorithm，and then hidden layers number of ELM forecast model with higher forecast precision was picked by circulation experiment of hidden layer number，and the picked parameters were input， ELM forecast model for the maximum subsidence was built，which based on ＲeLU function core，igmoid function core，Ｒadial basis function core and Hardlim function core，at the last，the forecast results of the four model were contrastive analysis. The results showed that relationship between mining thickness，mean mining depth，strike length ，dip length and the maximum subsidence was obviously，and ELM forecast results precision was better than others，which core was ＲeLU function and hidden layers nerve cell was 57. Key words： the maximum subsidence of mining； Ｒelief Algorithm； ＲeLU function； ELM
样本与目标样本在特征属性上的假设间隔。计算
中，计算与目标样本距离最近的近邻样本 （ 分为
同类最近临点和不同类最近临点） ，如果样本与同
类最近临点距离小于与不同类最近临点权值； 反之，
则是无益的，降低权值。以上过程重复 P 次，并
累加作为特征权值。更新特征属性 p 的权值可用下
随着神经科学的发展，科学家发现了生物神经 具有稀疏激活性。Lennie［13］研究发现，人类大脑运 作时，最多只有 1% 的神经元被激活，而在传统神 经网络运算时，其核函数有近乎一半的神经元被激 活［14］，这一点 不 符 合 神 经 科 学 的 研 究， 也 不 利 于 简化优化运算网络。大量研究表明［15－17］，因 ＲeLU function 具有反对称结构，计算中不会出现两侧抑 制的问题，函数图形状也较 sigmoid 更接近神经元 的稀疏激活模式［18］。
本文以阜新矿区 36 个工作面的岩移数据为基 础资料［23］，引入 Ｒelief Algorithm 与以 ＲeLU function 为核函数的 ELM 算法，对煤矿开采最大下沉 进行预测。首先运用 Ｒelief Algorithm 对所获得的参 数建立筛选优化模型，选出对最大下沉值贡献较大 的参数而剔除贡献不是太大的参数。基于筛选优化 后的参数，建立以 ＲeLU function 为核函数的 ELM 算法的煤矿开采最大下沉值预测模型； 在预测模型 中，对 ELM 的隐含层进行筛选以优化预测模型， 且将该计算结果与 ELM 常用的核函数 如 Sigmoid function，Sine function， Hardlim function 及 Ｒadial basis function 的计算结果进行对比研究。
68
魏 勇等： 基于 Ｒelief 算法与 ＲeLU 核 ELM 的煤矿开采最大下沉预测模型研究
2018 年第 5 期
具有基本数学模型简洁、数据泛化能力强大、学习 速度快及能够跳出局部最优解而获得全局最优解的 优势。该算法也解决了传统神经网络选择隐函数层 数的难题，便于应用及推广。
不同核函数往往适用于不同的数据类型，传统 神经网络 经 常 运 用 Sigmoid 系 方 程 作 为 模 型 核 函 数。该函数对中央区域信号增益大而对两头信号有 抑制，从神经科学上看，中央区为神经元兴奋态而 两侧为抑 制 态［12］。 因 此， 该 类 核 函 数 处 理 极 值 显 著的预测问题会显得乏力。
（ 1. 四川工程职业技术学院 建筑工程系，四川 德阳 618000； 2. 成都理工大学 地质灾害防治与地质环境保护国家重点实验室，四川 成都 610059； 3. 西华大学 土木建筑与环境学院，四川 成都 610039）
［摘 要］ 尝试引入 ＲeLU function 核的 ELM 算法及 Ｒelief Algorithm 对开采区最大下沉量进行预 测。首先基于 Ｒelief Algorithm 对现场岩移数据进行筛选优化； 然后通过隐含层数目循环实验选出预测 精度较高的 ELM 预测模型隐含层数目； 再筛选优化后的参数为输入，最大下沉为目标分别建立基于 ＲeLU function 核、igmoid function 核、Ｒadial basis function 核及 Hardlim function 核的 ELM 预测模型； 最 后对 4 种模型的预测结果进行对比分析。结果表明： 采厚、平均采深、走向长度和倾向长度与最大下 沉关系显著； 以 ＲeLU function 核、隐含层神经元数目为 57 的 ELM 的预测结果精度显著优于对比组。
［作者简介］ 魏 勇 （ 1985－） ，男，四川邻水人，博士研究生，讲师，主要研究方向为岩土体稳定性及工程环境效应。
［引用格式］ 魏 勇，唐延东，喻 强，等 . 基于 Ｒelief 算法与 ＲeLU 核 ELM 的煤矿开采最大下沉预测模型研究 ［J］． 煤矿开采，2018，23