煤炭资源资产分类方法比较研究

第33卷第10期数学的实践与认识Vol. 33 No. 102003年10月MATHEMATICS IN PRACTICE AND THEORYOcto.，2003 .煤炭资源资产分类方法比较研究温国锋(中国煤炭经济学院管理科学与工程系，山东烟台264005)摘要:煤炭资源资产评估是实行煤炭资源资产化管理的重要 基础工作，而煤炭资源资产分类的可靠性是有效完成这一工作的前提条件.针对煤炭资源资产的特点,建立了多个分类模型一基 于模糊聚类的分类模型、基于BP网络的分类模型及基于自适应共振理论网络的分类模型,编制了相应的分类程序软件包,实例运行效果证明了模型的有效性.文中还对所建模型进行了比较和分析,提出了具体应用的建议.关键词:煤炭资源资产 ;分类;模糊聚类; BP算法;自适应共振理论(ART I )0引言煤炭资源资产是在现有技术经济条件下煤炭资源中能被开发利用而处于社会经济运营中的部分,煤炭资源资产评估,是实行煤炭资源资产化管理、开采权流转、合理计取资源税及资源补偿费、维护国家所有者权益的重要基础工作.煤炭资源分类是煤炭资源评价的基本前提与主要内容,煤炭资源资产分类的可靠性直接影响煤炭资源资产评估的准确性与可信度,因此,煤炭资源资产分类研究具有重要的意义.0.2638煤炭资源资产价值受煤层、地质、采矿技术及社贡」 0.3792会经济等众多因素的影响,对其进行分类是一个多件煤层稳定性0.2092煤层倾角」0.4116因素、多层次的综合评价分类问题。目前煤炭资源C煤炭储量口0.1045资产分类的方法有多种,如模糊综合分类法、灰色聚0.51820.3224断层0.4703地类综合分类法、基于人工神经网络BP算法的分类[1]. . 褶皱0.1985及基于自适应共振理论网络的煤炭资源资产分类模素|条火成岩慢入0.1689岩性」0.2253型[2],本文旨在对有关模型进行比较与分析,从而得.9.1121出各种模型的特点,以对煤炭资源资产评估工作起瓦斯0.4723涌水量0.3161到借鉴作用.发火期] 0.2116-[ 地斟可靠性] 0.16120.1941煤炭资源资产价值影响因素分析开拓方式0.3657机械化程度0.2105只有对影响煤炭资源资产价值的因素进行客观|因]开采深度] 0.4238地分析,才能对其进行科学的分类和评估.通过具0.2875地区经济0.3561体分析,可把影响煤炭资源资产价值的因素中国煤化工-外运能力运距口0.15480. 2604地质因素、技术因素、社会因素和经济因素MYHCNMHGC煤种比价J02287.并从众多的因素之中筛选出十九个主要影响因素[3],见图1.在此主要影响因素分析图的基础上即图1矿产资源价值影响因素分析收稿8期29细据4基金项目:山东省省然科学基金资助项目[Q99G14]56数学的实践与认识33卷可建立多种模型完成煤炭资源资产分类任务.2煤炭资源资产分类模型与方法2.1基于模糊聚类的分类方法煤炭资源资产价值的影响因素评价指标是多因素多层次指标体系.所以,采用基于聚类的评判方法进行煤炭资源资产分类,这种方法是将综合评判方法和聚类方法结合起来形成一种新的评判方法.设A={a, az, ... am}为待评对象集,m为所进行分类的矿井数;B={b, b2, ... b,}为n等级所构成的集合;C={Cn, C2, .. Cig,}为评价因素集,i=1,2..p, p为评价指标层次数目. q;为第i因素层的因素数;其权重分配为{wI，wr, .. win,},i,q; 符号意义同上.对于任意单因素C,∈C,作出ai∈A属于b.∈B的程度,可得到一个矩阵(不-定是方阵).2 r2”... r%(1)lr’r2...r_从末层逐层向前进行综合评判，设单因素C,∈C的第i+1层子因素对应于第i+1层的因素为{C+，C+1+1，... C:+1s+o}, l为因素C的第i+1层子因素的个数,显然2w+ikk=$= 1,可以得出对因素C;属于的隶属度矩阵为>w+er9(+12) .艺r7w+rf$+14)...w+1er9i+1)k=sh=;节，w+1ri+1k)w+1rx2+1k)5。w;+1r%+1k)R) =(2)节i+1 h>.(i+ 1 k)> W;+1rmtW;+1W;+1rm2W;+1krmtk-:k-s最后得到综合评判的结果为:「R{?' R{&) .... R{97R'0) =R{? R纽’ ... R2)(3)l RR)D(0 ;中国煤化工R{*) = max ((4)I≤k≤n0YHCNMHG则R{")所对应的类别b%即为矿井l所升米时煤灰贫源资广奕别.采用模糊聚类模型进行资产分类时，各因素权重的确定是尤为重要,本研究中,根据问题影响因素评价指标体系的特点,采用判断矩阵分析法确定权重.判断矩阵中的各元素采用专家调查法藝縵,经过对特征向量归一化等处理过程得出各因素权值(标于图1中),十九个因素的单因素分类标准如表1所示.10期温国锋:煤炭资源资产分类方法比较研究57表1单因素的分 类标准表类别因素煤质以灰分含量(% )为标准<1010~1515~ 2525~ 35> 35煤层倾角<1212~ 2535~ 45> 45煤炭储量可供建井规模(万吨/年)≥300120~24045~909~30瓦斯(m3/t)<55~1010~15.> 15瓦斯突出.发火期类别*1) .无原1类原N类地勘可靠性一f值*2)≥0.90.75~0. 90.6~0.750.45~0.6 <0. 45开拓方式平硐平、斜混斜井立、斜混立井开采深度< 300300~ 500500~ 800800~ 1000 : > 1000 .机械化程度f值"3)≥0. 90.9~0.70.7~0.50.5~0.3<0.3地区经济一以地区 发达程度分值(1| 8~106~84~62~41~2~ 10)进行分类运输能力以外运能力的富裕系数>1.51.2~1.50.9~1.20.6~0.9为分类标准运距(Km)< 30(300~ 600600~ 900.900~ 1200> 1200煤种比价焦煤肥煤、气肥煤、气煤、长烟煤.1/2贫瘦煤、贫煤褐煤1/3焦煤中粘煤、弱粘煤地质条件(断层,褶皱,煤层稳定性.顶按原中国统配煤矿总公司生产局对全国矿井的地质条件进行分类的标准，划底板岩性，火成岩侵入)分为5类,第1类条件最好.水文地.质条件按原中国统配煤矿总公司生产局的分类标准进行,分为5类注:1)发火期类别以原中国统配煤矿总公司安全局的分类标准为基础进行分类,原标准分为I、I、I、IV四类.2)地勘^可靠性按其隶属函数值进行分类,表达式为:f(x，x2, xs,x)= 1.0x1 + 0.8x2 + 0.5xs + 0.3x;(5)式中x)，x2,xs,x分别为A、B、C、D级储量占总储量的百分比,常系数为各级储量的探明可靠性程度.3)机械化程度评价指标的隶属函数为:f(xI, x，x3)= 1.0x1 + 0.6x2+ 0.2x3(6)式中x，x2，x3s分别为综采、普采、炮采所占比例，常系数为综采、普采、炮采的相对效率系数.2.2基于 人工神经网络BP算法的煤炭资源资产分类人工神经网络是-种包括许多简单的中国煤化工的非线性动力系统.反向传播模型是-种被广泛应用于模式识别MYHCNMHG问题的人工神经网络模型,BP模型即属此类.根据Kolmogolov定埋,二层网络叮头现牺入信号的任何非线性连续函数,所以本课题选择使用三层的BP网络模型,即中间层层数为1的误差反向传播模型,此模型的另外两层分别为输入层和输出层.根据前勇鲍维析和煤炭资源资产分类的特点,确定BP网络的具体结构.根据煤炭资源资产评估的需要,确定分类类别数为5,因此网络的输出层神经元数目确定为5个;网络输入58数学的实践与认识33卷层的神经元数目由煤炭资源资产价值的影响因素数目决定,在前文中我们已经分析到,这种影响因素共有19个,故网络输入层节点数目确定为19个;隐含层节点数的确定,至今仍然没有一个特别有效的方法,本课题中采用试算法确定最佳节点.网络结构确定以后,需要用学习样本对网络进行训练(具体学习算法略).2.3 基于自适应共振理论网络的煤炭资源资产分类自适应共振理论(ART)是以认知和行为模式为基础的一种无教师、矢量聚类、竞争学习算法.它是由一个前向和后向自适应滤波器构成的闭环反馈系统.ART网络主要有三种形式,根据煤炭资源资产分类的特性,采用ART I模型和算法.ARTI由注意子系统和取向子系统组成,ART I网络结构如图2所示.注意复位F;子系统中包括短期记忆特征表示区(STM- F)和短期记忆类别表示区(STM- - F2),分别简称为F1和Fz,F1和.cPzji/ ZyLTM)qF2之间的连接通道为自适应长期记忆.Pbf(q,)|阈值(LTM- - Z.,Z;),分别简称为Z,和Z小。在u”F:层中,经过预处理的输入信号I,通过au;闽值f(x,)F向量归一化和非线性变换f(x),得到稳定'x的中间层模式U,并经过上层模式P将增强后的信息送入F2层.当有信号输入时，F2迅速产生相应的模式并存储于F2中.图2 ART I网络结构示意图F2的侯选模式向F1反馈学习期望Z,在F1中计算Z;与输入模式的匹配度,然后由取向子系统将匹配度与一固定的门限比较,确定输入是否属于F2的侯选模式,若是,Z;和Z,;重新学习以包含输入信息;若不是,取向子系统即向Fz发出复位信号,F2重新探索其它模式，学习结果存储于Z,和Z,中,因此称它们为长期记忆,而在F1和F2中存储的是暂时性输入及侯选模式,故称之为短期记忆.用ART I网络进行煤炭资源资产分类,首先是需要确定网络参数.网络的输入数据为待评估的各个矿井的矿产资源影响因素特征值,为一向量,记为(x，x2, ... x1g),这里的xIx,..x1g分别对应上面的19个因素,故网络输入层需要设19个单元;根据煤炭产资源资产评估的需要,将类别划分为5一-7类为宜,为便于对比,本课题研究确定为5个类别,所以输出层需设5个节点,记为(y1，y2, Ys，y，ys).这样就建立起了用于分类的自适应网络模型,用预处理后的数据作为网络的输入,利用ARTI算法[4(限于篇幅,详细算法略),即可实现分类功能.2.4人工神经网络分类模型样本数据预中国煤化工图1中列出的十九个因素,其评价指;MHCN MH G法作统-的比较,无法满足神经网络对样本输入值的要求,故需将各因素时专业评估指标转化为0~1之间的无量纲的数值,称之为原始数据的预处理.进行预处理后的数据,才能提供给网络.处理的方法是，建立各因素指标的模糊隶属函数,把各因素的隶属度作为样本的参数值.规定某项指标的评价值越有诉映该指标对其价值的影响越有利.对各个样本,其分量值的确定方法详见文献[2],这里从略.10期温国锋:煤炭资源资产分类方法比较研究593实例分析与模型比较在本课题的研究过程中,收集了山东、山西、内蒙、辽宁、河北、北京等省、市、自治区的多个矿务局的共100多个矿井的相关数据资料,选出其中信息完整的76个矿井的数据作为样本以对模型进行检验.首先按上面介绍的方法对输入数据进行预处理,模糊聚类模型和人工神经网络模型需采用不同的处理过程.将经过预处理的数据作为样本的输入值,提供给相应的分类模型.本课题针对各分类模型和相应的算法,编制了相应的分类程序,并将三个程序块加以集成，形成矿产资源资产分类软件包.软件以面向对象的程序设计语言Visual Basic作为开发工具在Windows98环境下编制完成的,界面友好、人机交互功能强，且具有对原始数据的预处理功能,使得数据预处理和样本自学习分类集于一身,使用方便、分类速度快..在选出的76个样本中,模糊聚类分类法和ARTI分类法中全部参加分类,而基于BP算法的分类模型,由于是有教师示教的模型和算法,需要从中列出一部分作为训练之用,本课题中确定训练样本28个,其余48个作为测试样本.参照煤炭工业技术咨询委员会对全国矿井综合评价与分类的研究结果(1992.11),并对各个矿井的煤炭资源资产实际情况进行分析对比,得出各模型的分类结果如表2所示.表2分 类结果对比表项目测试样本数其中准确分类样本数分类准确率方法模糊聚类方法7681. 6%人工神经网络BP算法. )48485. 4%自适应共振理论(ARTI )网络86. 8%由分类结果可见,三种方法均能够较准确地实现煤炭资源资产分类功能,分类结果与实际情况基本一致.相对而言,人工神经网络方法比模糊聚类方法分类的可靠性更高些;而BP算法与ARTI网络的分类效果差别不太大,可认为二者相同.模糊聚类分析方法,一旦权值和单因素隶属度确定,分类将十分快捷和稳定,但它存在某些主观性,主要表现在权重及单因素隶属度的确定,存在主观因素的影响,其确定的合理与否直接会影响到总的分类结果的合理性;用BP算法可解决分类过程中存在的主观性问题,且网络学习稳定后,分类快速且可靠性高,但BP算法需要教师示教,如果样本数少或样本或训练样本代表性不强,对分类结果影响较大,另一方面,当学习样本增加或有所改变时，BP网络需重新进行学习,以确定新的网络参数,这又给应用带来了不便;ART I网络是一种自适应网络,它不需要教师示教,能够直接进行分类,在加入新样本时,不会对网络以前的工作结果造成影响,这是它比BP网络的优中国煤化工别的无序性,即ART I网络的分类结果,只是把类别相同的样本放]没有直接与实际类别的TYHCNMHG类序相一致,直观性不强、在本课题研究过柱中，针对这一情况，米用了在输入样本中增加类别指针的方法，有效地解决这一问题.所谓“类别指针”,就是在每一类中设一标准样本，来代表该类.ARTI分类的结果,应使这几个“指针”分到不同的组中,每组中的样本类别就根据该组中捐鈹粪别来确定.60数学的实践与认识33卷4结论以上建立起了用于煤炭资源资产分类的三类模型,运行效果表明这些模型都是可行的，可靠性比较高.由于各种方法都有其相应的优点和不足处，建议在实际应用中综合采用多个方法进行分类,并对其进行比较,对结论不相一致的情况需要进行认真的分析,确定合理的矿产资源类别,为煤炭资源资产的准确评估奠定基础.参考文献:[1] 王广成，李祥仪。基于人工神经网络的煤炭资源资产分类研究[J]. 系统工程理论与实践,1998, (6): 74- 79.[2] 温国锋，王广成，潘正勇.自适应共振理论网络在煤炭资源资产分类中的应用研究[J]. 煤炭学报，2002, 27(6):566- 569.[3] 王广成，李祥仪，熊国华.煤炭资源资产评估的主要影响因素分析[J].阜新矿业学院学报(自然科学版),1996,15(4): 509-512.[4] 徐永成，温熙森，韩小云. -种新型ART 1无监督分类算法[J].计算机工程与应用，2001. 8: 13- - 15.[5]王广 成著.煤炭资源资产评估理论和方法研究[M].中国经济出版社，2000, 4: 72- 110.The Comparison Study on the Method ofClassification of Coal Resources A ssetsWEN Guo- feng( Engineering Dept. ，China Coal Economic College，Yantai 264005, China )Abstract: The evaluation of coal resources assets is the important and basic work to carry outasset style management of coal resources, and the reliability of classification of coal resourceassets is the precondition to complete the work effectively. Several classification models isfounded according to the characteristic of coal resource assets-- classification model based onFuzzy Clustering, classification model based on BP networks and classification model based onAdaptive Resonance Theory networks， the software about the classification is worked outaccordingly，the validity of the models is proved by the example. Compare and analysis iscarried out to the models built above and suggests on the use of the models is brought forward.Keywords:coal resource assets; classification; fuzzy clustering; BP algorithm; adaptiveresonance theory(ART I )中国煤化工MYHCNM HG