姜安龍，戚玉亮

(1.南昌航空大學 土木建筑學院，江西 南昌，330063；2.同濟大學 地下建筑與工程系，上海，200092；3.上海交通大學 土木工程系，上海，200030)

數(shù)據(jù)挖掘(Data mining)是一門交叉學科，融合了數(shù)據(jù)庫、人工智能、機器學習、統(tǒng)計學等多個領域的理論和技術，它是知識發(fā)現(xiàn)KDD(Knowledge discovery in database)中進行知識學習的階段，是KDD的核心[1]。地下工程圍巖穩(wěn)定性影響因素眾多，許多研究者對圍巖穩(wěn)定性的影響因素進行了研究[2?6]。大部分研究是從經驗出發(fā)直接得出主要的影響因素，有些是通過定性分析得出。雖然得出的圍巖穩(wěn)定性分類的影響因素在多數(shù)情況下能與實際情況較吻合，但是，缺乏對這些因素的定量化表示和解釋。使用數(shù)據(jù)挖掘技術從大量的工程實例數(shù)據(jù)中進行知識發(fā)現(xiàn)，找出蘊含在其中的內在關系，進而應用于相似條件下的工程穩(wěn)定性判別非常有意義。馮夏庭等[7]將數(shù)據(jù)挖掘方法應用到地下硐室圍巖穩(wěn)定性判別知識的自學習中，提出了可以考慮負屬性的一種新的數(shù)據(jù)挖掘方法，它從硐室圍巖穩(wěn)定性的實例數(shù)據(jù)中挖掘出知識，并將得到的知識輸入專家系統(tǒng)，進行不確定性推理，對圍巖的穩(wěn)定性進行合理的判別。數(shù)據(jù)挖掘中的粗糙集理論(Rough sets)是Pawlak在1982年提出的[8?9]。它的突出優(yōu)點是不需要預先給定某些特征或屬性的數(shù)量描述，如統(tǒng)計學中的概率分布、模糊集理論中的隸屬函數(shù)等，而是直接從給定問題的描述集合出發(fā)，通過不可分辨關系和不可分辨類確定問題的近似域，找出問題中的內在規(guī)律。粗糙集理論已在許多領域中得到很好的應用，但在巖土工程領域的應用尚缺乏研究[10]。人工神經網(wǎng)絡(Artificial neural network)具有模擬人類形象思維的能力，在建立非線性、經驗型知識仿真模型方面具有強大的功能和無比的優(yōu)越性。Back-propagation neural network(簡稱 BP神經網(wǎng)絡)是前向網(wǎng)絡的核心部分，體現(xiàn)了人工神經網(wǎng)絡的精華。然而，傳統(tǒng) BP算法收斂速度慢，容錯性差，結果不唯一。雖然提出了很多改進算法，如附加動量法、自適應學習速率法、彈性BP法、共軛梯度法、Levenberg-Marquardt等，但是，均未完全解決上述問題。Yasdi[11]較早地采用粗糙集和神經網(wǎng)絡的組合學習方法來研究不確定性、不精確的信息，雖然二者的結合能較好地提高整體分類效率和精簡規(guī)則的依賴因子，但是仍存在很多問題，以至于并不能應用到實踐中。在此，本文作者在前人研究的基礎上[11?15]，利用粗糙集理論和神經網(wǎng)絡各自的優(yōu)勢，提出了粗糙?BP神經網(wǎng)絡方法，并成功應用于地下工程圍巖穩(wěn)定性判別中。

1 粗糙集理論在煤巷圍巖穩(wěn)定性中的應用

1.1 粗糙集理論的知識表達系統(tǒng)

粗糙集理論的知識表達系統(tǒng)(也稱信息決策系統(tǒng))定義為：S=(U, A, V, F)。其中：U為一個非空有限對象(元組)集合，稱為論域；A為對象的屬性集合，分為2個不相交的子集，即條件屬性 C和決策屬性 D，Va為屬性a的值域；F是一個函數(shù)，即U×A→V為一個映射函數(shù)，它為每個對象的屬性賦予一個屬性值，對于每個屬性子集R?A，不可分辨關系為[16]：

顯然，Ind(R)是一個等價關系，在不產生混淆的情況下可以用R代替Ind(R)。關系等價族R中所有不可約去的關系稱為核，由它構成的集合稱為R的核集，記成core(R)。

1.2 決策表的生成

根據(jù)山東兗州礦區(qū)煤巷信息數(shù)據(jù)庫[17]，整理了137條回采巷道的圍巖穩(wěn)定性數(shù)據(jù)集，組成知識表達系統(tǒng)的論域U。決策系統(tǒng)的條件屬性＝{特殊地點，煤層埋深，煤層傾角，煤層厚度，采煤方法，護巷煤柱，煤體強度，巷道層位，基本頂類別，直接頂類別}；決策屬性={巷道穩(wěn)定性}。

為了表達簡明扼要，進行如下假設。

特殊地點為c1，其屬性值為：

煤體強度為c7(單位MPa)，其屬性值為：

按上面的評定標準對論域U進行離散化處理后，生成的決策表如表1所示。

1.3 屬性約簡與規(guī)則簡化

知識表達系統(tǒng)中的屬性并不同等重要，有些甚至是冗余的，因此，必須對屬性進行約簡，尋求不含多余屬性并保證分類正確的最小屬性集。需要注意的是：C的最小屬性集一般不唯一，而要找到所有的最小屬性集是一個NP問題，在大多數(shù)應用中，沒有必要找到所有的最小屬性集。通過屬性約簡刪除多余屬性后，獲取的規(guī)則重復項較多，規(guī)則的概括能力差，因此，必須對論域進行規(guī)則簡化，挖掘出數(shù)據(jù)中隱含的決策知識，作為依據(jù)，進而精選樣本集，克服 BP神經網(wǎng)絡訓練結果不唯一的缺點。具體過程如下。

(1)首先進行依賴度分析。將決策表調入粗糙集數(shù)據(jù)分析程序[16]，調用函數(shù)“Pos(C, D, X)”，計算C與D 之間的依賴程度γ(C , D )輸出比率為 1 ，說明決策屬性完全依賴于條件屬性C(C→D)，也就是說，條件屬性C能準確地區(qū)分決策屬性等價集。

(3)規(guī)則化簡。由于條件屬性2，4和5屬于冗余屬性，所以將其刪除。基于約簡的最小屬性集建立新的決策表：1—特殊地點；2—煤層傾角；3—護巷煤柱；4—煤體強度；5—巷道層位；6—基本頂類別；7—直接頂類別，決策屬性={巷道穩(wěn)定性}不變。此時，決策表中會產生重復的對象，取R=C使用函數(shù)“Ind(R)”找出重復項，然后從決策表中將其刪除，最后剩余94條規(guī)則。采用識別矩陣法，調用函數(shù)“Val_red(R，D)”對決策表的規(guī)則進行化簡，消除冗余項，如圖2所示，最終獲得63條判別規(guī)則如表2所示。表2中：“Inf”代表與屬性值無關。對獲取的規(guī)則進行分析，可以揭示數(shù)據(jù)中潛在的規(guī)律，如表2中的第1條規(guī)則“0 0 Inf 1 1 0 Inf 1”，說明當巷道非在特殊地點，煤層傾角很小(小于 5°)，與留設的保護煤柱寬度無關；煤體強度大于20 MPa，巷道沿煤層頂板掘進，基本頂來壓不明顯，與直接頂類別無關，巷道處于穩(wěn)定狀態(tài)。這是符合工程實際的。提取的規(guī)則基本反映了兗州礦區(qū)圍巖穩(wěn)定性的判別規(guī)則，與工程實際情況較吻合。

表1 決策表Table1 Decision table

圖1 屬性的約簡求核Fig.1 Attribute reduction for core

表2 決策規(guī)則Table2 Decision rules

圖2 規(guī)則化簡Fig.2 Rule reduction

2 神經網(wǎng)絡的建立、訓練與測試

訓練樣本使用規(guī)則化簡后剩余94條樣本，各屬性重要度的計算可以通過調用函數(shù)“SGF(A,R,D,X)”得到，從而可以對圍巖穩(wěn)定性影響因素的程度進行比較，當對其進行歸一化處理時，可以反映出各屬性權重。由于數(shù)據(jù)隱含63條知識，所以，BP神經網(wǎng)絡隱含層神經元的節(jié)點數(shù)，設計采用2層隱含層神經元個數(shù)為8×8的結構，這樣可以完全包含這63條知識，傳遞函數(shù)采用S型的對數(shù)函數(shù)logsig(N)。輸入層節(jié)點數(shù)為7，輸出層節(jié)點數(shù)為 1，輸出層的傳遞函數(shù)采用purelin(N)函數(shù)，網(wǎng)絡拓撲結構如圖3所示。使用MATLAB神經網(wǎng)絡工具箱(NNtool)對設計好的神經網(wǎng)絡進行訓練。訓練得到的均方誤差曲線如圖4所示?？梢姡河柧毥Y果十分理想；經過23步訓練，其均方誤差達到8.322 27×10?31，網(wǎng)絡很平滑地收斂于全局極小值。

從前述的兗礦煤巷信息數(shù)據(jù)庫中另選 10組樣本對網(wǎng)絡進行測試，測試結果如表3所示。從表3可以看出：真實情況與辨識結果的絕對誤差相當小，神經網(wǎng)絡的辨識結果與工程勘察的結果較吻合，從而證明該網(wǎng)絡的預測精度較高，能很好地滿足工程應用的需要。

圖3 BP神經網(wǎng)絡的結構Fig.3 Structure of BP neural network

表3 測試樣本Table3 Test samples

圖4 訓練過程的均方誤差曲線Fig.4 Curve of mean squared error in process of training

3 結論

(1)提出的粗糙－BP神經網(wǎng)絡圍巖穩(wěn)定性判別方法，充分發(fā)揮了粗糙集理論與 BP神經網(wǎng)絡的優(yōu)點，彌補了各自的缺點。

(2)采用粗糙集分析程序挖掘的決策規(guī)則與兗州礦區(qū)圍巖穩(wěn)定性判別規(guī)則較吻合；由于規(guī)則簡明清晰，建立的圍巖穩(wěn)定性分類 BP神經網(wǎng)絡模型不但能夠使網(wǎng)絡全局逼近于最小值，避免陷入局部極小點，而且為隱含層神經元節(jié)點數(shù)的確定提供了依據(jù)。

(3)由于粗糙集理論具有很強的容錯能力，使得神經網(wǎng)絡的容錯能力也得到加強。因此，將粗糙集理論與神經網(wǎng)絡相結合應用于圍巖穩(wěn)定性判別，不但是有效可行的，而且具有廣闊的應用前景。

[1]Fayyad U, Stolorz P.Data mining and KDD: promise and challenges[J].Future Generation Computer Systems, 1997,13(2/3): 99?115.

[2]YANG Ying-jie, ZHANG Qing.The application of neural networks to rock engineering systems(RES)[J].International Journal of Rock Mechanics and Mining Science, 1998, 35(6):727?745.

[3]Leu S S, Chen C N, Chang S L.Data mining for tunnel support stability: neural network approach[J].Automation in Construction, 2001, 10(4): 429?441.

[4]ZHU Wei-shen, LI Shu-cai, LI Shu-chen, et al.Systematic numerical simulation of rock tunnel stability considering different rock conditions and construction effects[J].Tunnelling and Underground Space Technology, 2003, 18(5): 531?536.

[5]Durand F, Vargas E A, Vaz L E.Applications of numerical limit analysis (NLA)to stability problems of rock and soil masses[J].International Journal of Rock Mechanics and Mining Sciences,2006, 43 (3): 408?425.

[6]宮鳳強, 李夕兵, 高科.地下工程圍巖穩(wěn)定性分類的突變級數(shù)法研究[J].中南大學學報: 自然科學版, 2008, 39(5):1081?1086.GONG Feng-qiang, LI Xi-bing, GAO Ke.Catastrophe progression method for stability classification of underground engineering surrounding rock[J].Journal of Central South University: Science and Technology, 2008, 39(5): 1081?1086.

[7]馮夏庭, 馬平波.基于數(shù)據(jù)挖掘的地下硐室圍巖穩(wěn)定性判別[J].巖石力學與工程學報, 2001, 20(3): 206?209.FENG Xia-ting, MA Ping-bo.Identifying stability of underground openings based on data mining[J].Chinese Journal of Rock Mechanics and Engineering, 2001, 20(3), 206?209.

[8]Pawlak A.Rough sets[J].International Journal of Information and Computer Science, 1982, 11(1): 341?356.

[9]譚旭, 陳英武, 王楨珍.廣義相似關系下的不完備信息系統(tǒng)粗糙集模型[J].中南大學學報: 自然科學版, 2009, 40(5):1360?1366.TAN Xu, CHEN Ying-wu, WANG Zhen-zhen.Rough set model based on general similarity relation in incomplete information systems[J].Journal of Central South University: Science and Technology, 2009, 40(5): 1360?1366.

[10]代春艷.粗糙集理論及其應用發(fā)展綜述[J].重慶工商大學學報, 2004, 21(6), 575?579.DAI Chun-ye.A survey on rough set theory and its application[J].Journal of Chongqing Technol Business University: Natural Science Edition, 2004, 21(6): 575?579.

[11]Yasdi R.Combining rough sets learning-and neural learning-method to deal with uncertain and imprecise information[J].Neurocomputing, 1995, 7(1): 61?70.

[12]XIAO Zhi, YE Shi-jie, ZHONG Bo, et al.BP neural network with rough set for short term load forecasting[J].Expert Systems with Application, 2009, 36(1): 273?279.

[13]Swiniarski R W, Hargis L.Rough sets as a front end of neural-networks texture classifiers[J].Neurocomputing, 2001,31(1/4): 85?102.

[14]LI Ren-pu, WANG Zheng-ou.Mining classification rules using rough sets and neural networks[J].European Journal of Operational Research, 2004, 157(2): 439?448.

[15]Mak B, Munakata T.Rule extraction from expert heuristics: A comparative study of rough sets with neural networks and ID3[J].European Journal of Operational Research, 2002, 136(1):212?229.

[16]薛定宇, 陳陽泉.高等應用數(shù)學問題的 MATLAB求解[M].北京: 清華大學出版社, 2004: 377?380.XUE Ding-yu, CHEN Yang-quan.The Solution of High Application in Mathematic Problem[M].Beijing: Press of Tsinghua University, 2004: 377?380.

[17]王磊.基于人工神經網(wǎng)絡的煤巷圍巖穩(wěn)定性分類系統(tǒng)[D].青島: 山東科技大學資源與環(huán)境工程學院, 2005: 10?50.WANG Lei.The stability classification system for the surrounding rocks in mining roadway based on ANN method[D].Qingdao: Shandong University of Science and Technology.College of Resources and Environmental Engineering, 2005:10?50.