無(wú)導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的分類-礦井突水水源判別

無(wú)導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的分類——礦井突水水源判別無(wú)導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的分類——礦井突水水源判別1、案例背景如第25章及第26章所述，對(duì)于有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，事先需要知道與輸入相對(duì)應(yīng)的期望輸出，根據(jù)期望輸出與網(wǎng)絡(luò)輸出間的偏差來(lái)調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值。然而，在大多數(shù)情況下，由于人們認(rèn)知能力以及環(huán)境的限制，往往無(wú)法或者很難獲得期望的輸出，在這種情況下，基于有導(dǎo)師學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)往往是無(wú)能為力的。與有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)不同，無(wú)導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過(guò)程中無(wú)需知道期望的輸出。其與真實(shí)人腦中的神經(jīng)網(wǎng)絡(luò)類似，可以通過(guò)不斷地觀察、分析與比較，自動(dòng)揭示樣本中的內(nèi)在規(guī)律和本質(zhì)，從而可以對(duì)具有近似特征(屬性)的樣本進(jìn)行準(zhǔn)確地分類和識(shí)別。本章將詳細(xì)介紹競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)與自組織特征映射(SOFM)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及原理，并以實(shí)例說(shuō)明其具體的應(yīng)用范圍及效果。近年來(lái)，國(guó)內(nèi)煤礦事故時(shí)有發(fā)生，嚴(yán)重危害了人們的生命和財(cái)產(chǎn)安全。其中，由于煤礦突水造成的事故不容忽視。因此，不少專家和學(xué)者致力于研究礦井突水事故的預(yù)防，突水水源的判別對(duì)預(yù)測(cè)礦井突水事故的發(fā)生有著重要的意義。相關(guān)研究表明，可以利用水化學(xué)法判別礦井的突水水源，其基本依據(jù)是:由于受到含水層的沉積期、地層巖性、建造和地化環(huán)境等諸多因素的影響，使儲(chǔ)存在不同含水層中的地下水主要化學(xué)成分有所不同。為了準(zhǔn)確地判別突水水源，需要綜合多種因素，用的比較多的是“7大離子”溶解氧、硝酸根離子等。目前，有很多種判別突水水源的方法，如模糊綜合評(píng)判、模糊聚類分析、灰色關(guān)聯(lián)度法等，然而這些方法都要事先假定模式或主觀規(guī)定一些參數(shù)，致使評(píng)價(jià)的結(jié)果主觀性較強(qiáng)。現(xiàn)采集到某礦的39個(gè)水源樣本，分別來(lái)自于4個(gè)主要含水層:二灰和奧陶紀(jì)含水層、八灰含水層、頂板砂巖含水層和第四系含水層(砂礫石成分以石灰?guī)r為主)。以每個(gè)水源樣本中的等7種離子的含量作為判別因素，試?yán)酶?jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)和SOFM神經(jīng)網(wǎng)絡(luò)分別建立判別模型，并對(duì)模型的性能進(jìn)行綜合評(píng)價(jià)。2、案例目錄:27.1理論基礎(chǔ)27.1.1競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)概述1.競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)2.競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法3.競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的MATLAB工具箱函數(shù)27.1.2SOFM神經(jīng)網(wǎng)絡(luò)概述1.SOFM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)2.SOFM神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法3.SOFM神經(jīng)網(wǎng)絡(luò)的MATLAB工具箱函數(shù)27.2案例背景27.2.1問(wèn)題描述27.2.2解決思路及步驟27.3MATLAB程序?qū)崿F(xiàn)27.3.1清空環(huán)境變量27.3.2訓(xùn)練集/測(cè)試集產(chǎn)生27.3.3競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)創(chuàng)建、訓(xùn)練及仿真測(cè)試27.3.4SOFM神經(jīng)網(wǎng)絡(luò)創(chuàng)建及仿真測(cè)試27.3.5性能評(píng)價(jià)27.3.6結(jié)果分析27.4延伸閱讀27.4.1競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)與SOFM神經(jīng)網(wǎng)絡(luò)性能對(duì)比27.4.2案例延伸27.5參考文獻(xiàn)3、主程序:%%清空環(huán)境變量clearallclc%%訓(xùn)練集/測(cè)試集產(chǎn)生%導(dǎo)入數(shù)據(jù)loadwater_data.mat%數(shù)據(jù)歸一化attributes=mapminmax(attributes);%訓(xùn)練集——35個(gè)樣本P_train=attributes(:,1:35);T_train=classes(:,1:35);%測(cè)試集——4個(gè)樣本P_test=attributes(:,36:end);T_test=classes(:,36:end);%%競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)創(chuàng)建、訓(xùn)練及仿真測(cè)試%創(chuàng)建網(wǎng)絡(luò)net=newc(minmax(P_train),4,0.01,0.01);%設(shè)置訓(xùn)練參數(shù)net.trainParam.epochs=500;%訓(xùn)練網(wǎng)絡(luò)net=train(net,P_train);%仿真測(cè)試%訓(xùn)練集t_sim_compet_1=sim(net,P_train);T_sim_compet_1=vec2ind(t_sim_compet_1);%測(cè)試集t_sim_compet_2=sim(net,P_test);T_sim_compet_2=vec2ind(t_sim_compet_2);%%SOFM神經(jīng)網(wǎng)絡(luò)創(chuàng)建、訓(xùn)練及仿真測(cè)試%創(chuàng)建網(wǎng)絡(luò)net=newsom(P_train,[44]);%設(shè)置訓(xùn)練參數(shù)net.trainParam.epochs=200;%訓(xùn)練網(wǎng)絡(luò)net=train(net,P_train);%仿真測(cè)試%訓(xùn)練集t_sim_sofm_1=sim(net,P_train);T_sim_sofm_1=vec2ind(t_sim_sofm_1);%測(cè)試集t_sim_sofm_2=sim(net,P_test);T_sim_sofm_2=vec2ind(t_sim_sofm_2);%%結(jié)果對(duì)比%競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)result_compet_1=[T_train'T_sim_compet_1']result_compet_2=[T_test'T_sim