doi:10．3969/j．issn．1001－358X．2014．01．30观测站缺失数据修复的神经网络模型研究*喻成林1，黄强1，李钢1，2(1．徐州市国土资源局，江苏徐州221006;2．中国矿业大学环境与测绘学院，江苏徐州221006)摘要:为验证人工神经网络方法是否可以用于观测站缺失数据修复:通过相邻时间观测数据，利用BP、ＲBF神经网络分别进行了缺失最大下沉数据、连续数据缺失(本论文为3个)两个方案进行了数据修复实验;通过与实测数据进行对比分析，证明BP、ＲBF网络都可以用于观测站缺失数据的修复工作，其预测精度随着缺失数据增加而降低。关键词:观测站;数据修复;人工神经网络中图分类号:TD325文献标识码:A文章编号:1001－358X(2014)01－0092－04*基金项目:煤矿区国土资源协调与调控研究(国家科技支撑计划2012BAB11B06)为研究地下开采引起的岩层与地表移动规律，保护井巷、建(构)筑物、水体及铁路等，减少地下资源的损失，国内外进行了实地观测，建立了大量观测站，取得了大量的第一手资料，综合研究分析了岩层与地表移动规律。观测站从建立到最后结束，需经历较长的时间(少则几个月，多则几年)，观测点的保存完整尤为重要。然而，由于受到多种因素的影响，如:观测点遭到人为破坏，下沉积水引起不能观测，或者其它因素导致无法观测等，最终表现为观测数据的缺失，进而影响观测结果的分析与研究，严重者导致观测站失效，达不到设立观测站目的。根据岩层与地表移动规律的特性，同时基于人工神经网络可以模拟人脑的某些智能行为，具有自组织、自学习和强容错等能力，且具有处理确定性和不确定性的动态非线性信息的能力，可以建立复杂的非线性映射关系［6－7］，在岩石力学、采矿、测绘等领域得到广泛的应用［1－3，5，8］。本文将利用人工神经网络进行观测站数据的修复研究。1岩层与地表移动规律影响因素及数据选取、处理分析1．1影响因素分析地下有用资源开采后引起的地表沉陷是一个时间和空间的过程。不同时间的回采工作面与地表点的相对位置不同，开采对点影响也不同。其过程经历一个由开始移动到剧烈移动，最后到停止移动，是一个非线性、动态的过程。根据岩层与地表移动规律研究，可知一个点的移动过程主要受地质采矿因素、开采时间、点的位置等因素的影响。其中地质采矿因素主要包括开采方法、覆岩性质、工作面尺寸、煤厚、倾角、采深、表土层厚度等因素［9－11］。针对某一观测站而言，观测站缺失数据主要考虑因素为:观测时间，以此建立观测站缺失数据修复的神经网络模型。1．2数据选取、处理分析地表岩层移动观测站的观测数据为不同观测时间的点坐标(X，Y，H)，本次主要分析以高程数据作为基础进行研究与分析，同时方便对比，经过计算，将高程转换为不同时间的下沉值，考虑到岩层与地表移动的时间特性，因此决定采用观测站时间前后相邻相邻关系的部分观测数据作为其训练样本，解决神经网络预测模型需大量前期数据问题，进行训练学习，从而实现观测站缺失数据修复。2人工神经网络模型建立人工神经网络有许多网络模型，如感知器、线性网络、BP网络、反馈网络、径向基网络、自组织竞争网络等各种神经网络模型，BP网络是一种具有三层或三层以上神经元的神经网络，但目前理论上已证明一个包括输入层、隐含层、输出层的3层BP网络模型可以有效的逼近任意连续函数。ＲBF网络以函数逼近理论为基础构造的一类前向网络，其只有两层，具有结构简单、训练过程快速及与初始权值无关等优良特性，在多维曲面拟合等领域得到广泛应用。29第1期2014年2月矿山测量MINESUＲVEYINGNo.1Feb.2014中国煤炭期刊网 www.chinacaj.net

本次分析主要采用了前向多层网络的BP网络、ＲBF网络进行分析。2．1学习和训练样本针对某一观测站数据而言，其工作面尺寸、采厚、倾角、采深、表土层厚度等因素是一致的，因而对于观测站缺失数据修复而言，根据地表动态移动规律，主要考虑时间因素关系，以此建立观测站缺失数据修复的神经网络模型。表1为某矿区观测站某一时刻不同位置的下沉值。根根实际情况，设计了以下情况进行对比分析:表1学习和训练的样本数据编号下沉(mm)1－222－233－236－28－121433155574724236393842352522146274276199546358487829089615214316414216272282332532322958464494490512529983385988689389910137214351471149114761119942042205620412086122309235823772385239013217322542259227623101417991859187518851933151149117711961186120516635647662626636172472862783113131898100126136145193022572838201040－11346211022－7－26402294－2－543423－24－39－48－39－3124－14－27－29－20425－2－17－10－14026－1850－8127－95－6－8－52827752129129191748309527364131－45152543218102124方案一，缺失最大下沉值，以编号1～11、13～32处理数据作为学习和训练的样本对网络进行训练，12号处理数据作为计算测试样本检测网络性能。方案二，其它数据连续缺失，以3个为例，以编号1～14、18～32处理数据作为学习和训练的样本对网络进行训练，15、16、17号处理数据作为计算测试样本检测网络性能。2．2网络模型结构本次设计了两种神经网络模型，分别为前向多层网络的BP网络、ＲBF网络。(1)本文所建立的残余下沉系数预测的神经网络模型采用3层BP网络结构，其基本结构为:输入层为4个节点(与1－22、2－23、3－23、6－2的4个时间节点相对应);1层隐含层，5个节点数;输出层为1个节点(8－12时间节点下沉对应)。(2)ＲBF网络模型的预测精度与径向基函数的扩展速度spread值有关，因此根据缺失数据不同，确定不同的值，方案一采用测试spread值从25～40(步长为0．2)变化(即测试76次);方案二采用测试spread值从70～85(步长为0．2)变化(即测试76次)。2．3网络的性能测试2．3．1方案一，缺失最大下沉值。(1)经过实验，BP网络迭代次数300，为了说明BP神经网络模型的稳定性及预测结果的可靠性，对BP神经网络模型进行10次仿真训练。其结果见表2。从中可以看出第3次结果最好，绝对误差1．7mm，相对误差0．1%，第8次结果最差，绝对误差153.4mm，相对误差6．4%，整体看BP网络预测稳定，预测结果可靠。(2)经过实验，ＲBF网络中当spread=30．8时，预测精度最高，预测值为2392．2mm，与真实值2390mm的绝对误差为2．2，相对误差为0．09%。2．3．2方案二，其它数据连续缺失，即15、16、17号等3个点。(1)经过实验，BP网络迭代次数300，为了说明BP神经网络模型的稳定性及预测结果的可靠性，对BP神经网络模型进行10次仿真训练。其结果见表3。从中可以看出第5次结果最好，平均相对误差3.1%，第9次结果最差，平均相对误差6．7%，整体看BP网络预测稳定，预测结果可靠。39第1期喻成林等:观测站缺失数据修复的神经网络模型研究*2014年2月中国煤炭期刊网 www.chinacaj.net

表2BP计算结果与实测值的比较12345678910实测值2390239023902390239023902390239023902390预测值2344．62372．32388．32515．82255．92284．22449．82236．62482．82419．2绝对误差45．417．71．7125．8134．1105．859．8153．492．829．2相对误差1．90．70．15．35．64．42．56．43．91．2表3BP计算结果与实测值的比较实测值1预测值绝对误差相对误差2预测值绝对误差相对误差3预测值绝对误差相对误差4预测值绝对误差相对误差5预测值绝对误差相对误差12051174312．61191．413．61．11170．734．32．81243．3－38．33．21242．4－37．43．1636646．7－10．71．7658．7－22．73．6661．7－25．74．0630．95．10．8641．4－5．40．8313342－299．3333．2－20．26．5341．4－28．49．1334．8－21．87．0329．8－16．85．4平均相等误差4．53．75．33．63．1实测值6预测值绝对误差相对误差7预测值绝对误差相对误差8预测值绝对误差相对误差9预测值绝对误差相对误差10预测值绝对误差相对误差12051193．811．20．91192．512．51．01238．3－33．32．81181．223．82．01178．926．12．2636682．3－46．37．3685．8－49．87．8626．49．61．5624．511．51．8657．8－21．83．4313338．8－25．88．2340．5－27．58．8335．1－22．17．1363．7－50．716．2333．5－20．56．5平均相等误差5．55．93．86．74．0(2)经过实验，ＲBF网络中当spread=76．8时，预测精度最高，见表4，平均相对误差为3．9%。表4ＲBF计算结果与实测值的比较实测值预测值绝对误差相对误差12051230．5－25．52．1636689．2－53．28．4313309．13．91．2平均相等误差3．9通过上述不同方案计算分析，BP、ＲBF网络都可以用于观测站缺失数据的修复工作，其预测精度随着缺失数据增加而降低。3结论(1)通过观测站相邻时间观测数据可以解决数据缺失问题。(2)通过BP、ＲBF网络分别进行了缺失最大下沉数据、连续数据缺失两个方面进行了数据修复，当只缺失最大下沉数据时，BP网络最优相对误差0.1%，ＲBF网络最优相对误差0.09%;当连续缺失数据时(本论文为3个)，BP网络最优平均相对误差3．1%，ＲBF网络最优相对误差3．9%。(3)通过与实测数据进行对比分析，证明BP、ＲBF网络都可以用于观测站缺失数据的修复工作，其预测精度随着缺失数据增加而降低。参考文献:［1］郭文兵，吴财芳，邓喀中．开采影响下建筑物损害程度的人工神经网络预测模型［J］．岩石力学与工程学报，2004，23(4):583－587．［2］郭文兵，邓喀中，邹友峰．概率积分法预计参数选取的神经网络模型［J］．中国矿业大学学报，2004，33(3):322－326．［3］张庆松，高延法，等．基于粗集与神经网络相结合的岩移影响因素分析与开采沉陷预计方法研究［J］．煤炭学报，2004，29(1):22－25．［4］郭广礼，张国良，张贻广．灰色系统模型在沉陷预测中的应用［J］．中国矿业大学学报，1997，26(4):62－65．［5］周保生，朱维申，李术才．神经网络在综放回采巷道锚49第1期矿山测量2014年2月中国煤炭期刊网 www.chinacaj.net

杆支护设计中的应用研究［J］．岩石力学与工程学报，2001，20(4):497－501．［6］孙钧，袁金荣．盾构施工扰动与地层移动及其智能神经网络预测［J］．岩土工程学报，2001，23(3):261－267．［7］冯夏庭，王泳嘉．采矿智能系统———人工智能与神经网在矿业工程中的应用［M］．北京:冶金工业出版社，1994．［8］李红霞，张建雄，赵新华．基于混沌优化BP神经网络的地面沉降模型［J］．中国矿业大学学报，2008，37(3):396－401．［9］国家煤炭工业局．建筑物、水体、铁路及主要井巷煤柱留设与压煤开采规程［M］．北京:煤炭工业出版社．2000:78－108．［10］邹友峰，邓喀中，马伟民．矿山开采沉陷工程［M］．徐州:中国矿业大学出版社，2003．［11］何国清，杨伦，等．矿山开采沉陷学［M］．徐州:中国矿业大学出版社．1991:116－182．［12］葛哲学，孙志强．神经网络理论与MATLABＲ2007实现［M］．北京:电子工业出版社，2007．［13］袁曾任．人工神经网络及其应用［M］．北京:清华大学出版社，1999．［14］楼顺天，施阳．基于MATLAB的系统分析与设计———神经网络［M］．西安:西安电子科技大学出版社，2000．作者简介:喻成林(1977－)，男，江苏徐州人，研究生，2005年毕业于中国矿业大学大地测量学与测量工程专业，从事采煤塌陷地综合治理、土地综合整治、生态修复。(收稿日期:2013－12－17檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸)(上接第14页)一种改进的自适应中值滤波算法。把经典算法和本文提出的算法进行了比较，通过对遥感图像的视觉效果和数据仿真实验分析后可以看出，此方法具有较强的自适应去噪和细节保护能力，滤波效果比单独使用自适应中值滤波处理的效果更为理想，尤其当遥感图像被高密度噪声污染严重时，其滤波效果更优秀。参考文献:［1］韩春明，郭华东，王长林，等．一种改进的SAＲ图像斑点噪声滤波方法［J］．遥感学报，2004，8(2):121－127．［2］赵高长，张磊，武分波．改进中值滤波算法在图像去噪中的应用［J］．应用光学，2011．7．32(4):678－682．［3］GonzalezＲC，WoodsＲE．Digitalimageprocessing［M］.Beijing:PublishingHouseofElectronicsIndustry，2002．．［4］张恒，雷志辉，丁晓华．一种改进的中值滤波算法［J］．中国图象图形学报，2004，9(4):408－411．［5］王明常，邢立新，等．利用二维多级中值滤波去除遥感图像随机噪声［J］.吉林大学学报(地球科学版)，2004．1034(2):178－180．［6］张旭明，徐滨士，董世运，等．用于图像处理的自适应中值滤波［J］．计算机辅助设计与图形学学报，2005，17(2):295－299．［7］高为广，何海波．自适应抗差联邦滤波算法［J］．测绘学院学报，2004，(1):24－26．［8］KunduA，VaidyanathanPP．Applicationoftwo－dimen-sionalgeneralizedmeanfilteringforremovalofimpulsenoisesfromimages［J］．IEEETransAcoustics，SpeechandSignalProcessing，1984，32(3):600－609．［9］贾洪涛，朱元昌，王建华．扩展自适应中值滤波器的原理与实现［J］．中国图象图形学报，2004，9(8):948－950．［10］朱磊，徐佩霞．一种稳健快速的椒盐噪声抑制算法［J］．小型微型计算机系统，2007，28(4):692－696．［11］苟中魁，张少军，李忠富，等．一种基于极值的自适应中值滤波算法［J］．红外与激光，2005，34(1):98－101．作者简介:张燎(1968－)，男，甘肃工业职业技术学院高级工程师，本科，主要研究方向:智能信息处理。(收稿日期:2013－10－11)59第1期喻成林等:观测站缺失数据修复的神经网络模型研究*2014年2月中国煤炭期刊网 www.chinacaj.net