基于演化神经网络的稀土矿山边坡稳定性预测方法技术

本发明专利技术公开了一种基于演化神经网络的稀土矿山边坡稳定性预测方法。本发明专利技术利用改进的人工蜂群算法来优化神经网络的连接权值和偏置值，然后利用优化设计的神经网络实现稀土矿山边坡稳定性的预测。在改进的人工蜂群算法中，观察蜂执行适应性精英引导的食物源搜索操作；侦察蜂融合停滞食物源和最优食物源的信息来生成新的食物源，增强算法的搜索性能，从而提高稀土矿山边坡稳定性的预测精度。提高稀土矿山边坡稳定性的预测精度。提高稀土矿山边坡稳定性的预测精度。

【技术实现步骤摘要】
基于演化神经网络的稀土矿山边坡稳定性预测方法


[0001]本专利技术涉及机器学习领域，尤其是涉及一种基于演化神经网络的稀土矿山边坡稳定性预测方法。

技术介绍

[0002]目前，许多稀土矿山开采的主要工艺是原地浸矿。在原地浸矿技术开采稀土矿的过程中，需要在稀土矿山中开挖大量的注液井，然后通过注液井往稀土矿山山体注入大量的浸矿液。而大量的浸矿液灌注到稀土矿山体会使得稀土矿山山体变得松软，从而容易引发滑坡事故，造成较大的人员伤亡和财产损失。因此，掌握稀土矿山边坡稳定性的规律是至关重要的。
[0003]然而，稀土矿山边坡稳定性的影响因素众多，滑坡形成机理复杂。传统基于边坡滑坡机理的建模方法往往难以有效地把握稀土矿山边坡稳定性的规律。鉴于这种现状，技术人员将机器学习技术引入到稀土矿山边坡稳定性的预测中[姚玮,温树杰.随机森林模型在边坡稳定性预测中的应用[J].矿业研究与开发,2017,37(04):58
‑
61]。神经网络是一种广为人知的机器学习技术，它在许多工程实践中获得了一定的效果。然而，传统神经网络在稀土矿山边坡稳定性的预测过程中会出现精度不够的缺点。

技术实现思路

[0004]本专利技术提供一种基于演化神经网络的稀土矿山边坡稳定性预测方法。它在一定程度上克服了传统神经网络应用于稀土矿山边坡稳定性的预测过程中出现精度不够的缺点，本专利技术能够提高稀土矿山边坡稳定性的预测精度。
[0005]本专利技术的技术方案：一种基于演化神经网络的稀土矿山边坡稳定性预测方法，包括以下步骤：
[0006]步骤1，采集稀土矿山边坡稳定性数据集；
[0007]步骤2，对采集的稀土矿山边坡稳定性数据集进行预处理；
[0008]步骤3，设置预测稀土矿山边坡稳定性的神经网络结构；
[0009]步骤4，输入种群大小NP，最大搜索代数MaxIT；
[0010]步骤5，设置当前搜索代数IT＝0；
[0011]步骤6，设置临界值Limit＝200，设置种群中每个食物源的未更新次数Trail
ai
＝0，其中下标ai＝1,2,...,NP；
[0012]步骤7，随机生成种群PPL＝{X1,X2,...,X
ai
,...,X
NP
}，其中X
ai
是种群中的第ai个食物源；种群中每个食物源都存储了预测稀土矿山边坡稳定性的神经网络的优化设计参数；
[0013]步骤8，计算种群中每个食物源的适应值XFits
ai
；所述适应值的计算过程为：
[0014]对于种群中的第ai个食物源，首先从食物源X
ai
中提取出所存储的优化设计参数，再利用得到的优化设计参数构建预测稀土矿山边坡稳定性的神经网络模型NN
ai
，计算神经网络模型NN
ai
在稀土矿山边坡稳定性数据集上的交叉熵NCE
ai
，然后设置XFits
ai
＝NCE
ai
；所
述预测稀土矿山边坡稳定性的神经网络模型NN
ai
的输入变量为：重度、黏聚力、内摩擦角、边坡角、边坡高度和孔隙压力比；所述预测稀土矿山边坡稳定性的神经网络模型NN
ai
的输出变量为：稀土矿山边坡稳定性的状态值；其中，稀土矿山边坡稳定性的状态值为0或1；稀土矿山边坡稳定性的状态值为0表示稀土矿山边坡滑坡；稀土矿山边坡稳定性的状态值为1表示稀土矿山边坡稳定；
[0015]步骤9，找出种群中适应值最小的食物源记为最优食物源Xbest；
[0016]步骤10，雇佣蜂根据公式(1)进行搜索生成新食物源V
ai
：
[0017]V
ai,jd
＝X
ai,jd
+φ
ai,jd
×
(X
ai,jd
‑
X
mk,jd
)
ꢀꢀ
(1)
[0018]其中，V
ai,jd
是新食物源V
ai
中存储的预测稀土矿山边坡稳定性的神经网络的第jd个优化设计参数；X
ai,jd
是食物源X
ai
中存储的预测稀土矿山边坡稳定性的神经网络的第jd个优化设计参数；X
mk,jd
是种群中第mk个食物源中存储的预测稀土矿山边坡稳定性的神经网络的第jd个优化设计参数；φ
ai,jd
是[
‑
1,1]之间的一个随机实数；mk是[1,NP]之间的一个随机整数，并且要求mk不等于ai；下标jd是[1,NT]之间的一个随机整数；NT为预测稀土矿山边坡稳定性的神经网络的优化设计参数的数量；
[0019]步骤11，计算新食物源V
ai
的适应值VFits
ai
；
[0020]步骤12，如果新食物源V
ai
的适应值VFits
ai
小于食物源X
ai
的适应值XFits
ai
，则转到步骤13，否则转到步骤15；
[0021]步骤13，利用新食物源V
ai
替换食物源X
ai
，并且设置食物源X
ai
的未更新次数Trail
ai
＝0；
[0022]步骤14，转到步骤16；
[0023]步骤15，设置食物源X
ai
的未更新次数Trail
ai
＝Trail
ai
+1；
[0024]步骤16，按照公式(2)计算种群中每个食物源的选择概率SP
ai
：
[0025][0026]其中，fitX
ai
表示种群中的第ai个食物源的规范化适应值；abs表示取绝对值的函数；
[0027]步骤17，根据公式(3)计算精英率Ep：
[0028][0029]其中，sin表示正弦函数；
[0030]步骤18，设置精英食物源的数量EN＝Ep
×
NP；
[0031]步骤19，找出种群中的适应值最小的前EN个食物源放入到精英食物源集合EXS中；
[0032]步骤20，根据种群中每个食物源的选择概率，采用轮盘赌的方法从种群中选择出来食物源X
td
，观察蜂根据公式(4)对选择出来的食物源X
td
进行搜索生成新食物源U
td
：
[0033]U
td,jd
＝X
ed,jd
+φ
td,jd
×
(X
r1,jd
‑
X
r2,jd
)
ꢀꢀꢀ
(4)
[0034]其中，U
td,jd
是新食物源U<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于演化神经网络的稀土矿山边坡稳定性预测方法，其特征在于，包括以下步骤：步骤1，采集稀土矿山边坡稳定性数据集；步骤2，对采集的稀土矿山边坡稳定性数据集进行预处理；步骤3，设置预测稀土矿山边坡稳定性的神经网络结构；步骤4，输入种群大小NP，最大搜索代数MaxIT；步骤5，设置当前搜索代数IT＝0；步骤6，设置临界值Limit＝200，设置种群中每个食物源的未更新次数Trail
ai
＝0，其中下标ai＝1,2,...,NP；步骤7，随机生成种群PPL＝{X1,X2,...,X
ai
,...,X
NP
}，其中X
ai
是种群中的第ai个食物源；种群中每个食物源都存储了预测稀土矿山边坡稳定性的神经网络的优化设计参数；步骤8，计算种群中每个食物源的适应值XFits
ai
；步骤9，找出种群中适应值最小的食物源记为最优食物源Xbest；步骤10，雇佣蜂根据公式(1)进行搜索生成新食物源V
ai
：V
ai,jd
＝X
ai,jd
+φ
ai,jd
×
(X
ai,jd
‑
X
mk,jd
)
ꢀꢀ
(1)其中，V
ai,jd
是新食物源V
ai
中存储的预测稀土矿山边坡稳定性的神经网络的第jd个优化设计参数；X
ai,jd
是食物源X
ai
中存储的预测稀土矿山边坡稳定性的神经网络的第jd个优化设计参数；X
mk,jd
是种群中第mk个食物源中存储的预测稀土矿山边坡稳定性的神经网络的第jd个优化设计参数；φ
ai,jd
是[
‑
1,1]之间的一个随机实数；mk是[1,NP]之间的一个随机整数，并且要求mk不等于ai；下标jd是[1,NT]之间的一个随机整数；NT为预测稀土矿山边坡稳定性的神经网络的优化设计参数的数量；步骤11，计算新食物源V
ai
的适应值VFits
ai
；步骤12，如果新食物源V
ai
的适应值VFits
ai
小于食物源X
ai
的适应值XFits
ai
，则转到步骤13，否则转到步骤15；步骤13，利用新食物源V
ai
替换食物源X
ai
，并且设置食物源X
ai
的未更新次数Trail
ai
＝0；步骤14，转到步骤16；步骤15，设置食物源X
ai
的未更新次数Trail
ai
＝Trail
ai
+1；步骤16，按照公式(2)计算种群中每个食物源的选择概率SP
ai
：其中，fitX
ai
表示种群中的第ai个食物源的规范化适应值；abs表示取绝对值的函数；步骤17，根据公式(3)计算精英率Ep：其中，sin表示正弦函数；步骤18，设置精英食物源的数量EN＝Ep
×
NP；
步骤19，找出种群中的适应值最小的前EN个食物源放入到精英食物源集合EXS中；步骤20，根据种群中每个食物源的选择概率，采用轮盘赌的方法从种群中选择出来食物源X
td
，观察蜂根据公式(4)对选择出来的食物源X
td
进行搜索生成新食物源U
td
：U
td,jd
＝X
ed,jd
+φ
td,jd
×
(X
r1,jd
‑
X
r2,jd
)
ꢀꢀ
(4)其中，U
td,jd
是新食物源U
td
中存储的预测稀土矿山边坡稳定性的神经网络的第jd个优化设计参数；X
ed

【专利技术属性】
技术研发人员：郭肇禄，向传娇，周才英，杨火根，张文生，
申请(专利权)人：江西理工大学，
类型：发明
国别省市：