固体废弃物膏体充填料浆质量的神经网络研究.pdf

第 2 5 卷 第 3期 2 0 0 8年 O 9月 J o u r n a l 采矿 与安全 工 程学报 o f Mi n i n g S a f e t y En g i n e e r i n g Vo I ． 2 5 No ． 3 Se p ． 2 0 08 文章编号 1 6 7 3 3 3 6 3 2 0 0 8 0 3 0 3 5 2 0 5 固体废弃物膏体充填料浆质量 的神经 网络研究 何荣军 ，张 丽 ，周 华强。 ，武龙 飞。 1 ．重 庆工程职业技术学院 ， 重庆4 0 0 0 3 7 ；2 ．中国矿业大学 矿业工程学院 ，江苏 徐 州 2 2 1 1 1 6 摘 要 固体 废 弃物 膏体 充填在 我 国煤 炭 系统 是 一种 新 的胶 结 充填 模 式． 充 填料 浆 质 量 的研 究 至 关重要． 它是一典型的多输入 、 多输 出、 非线性的模糊模 型． 一方面， 运用神 经网络结合遗传算法 构造 了膏体充填料浆质量的隐式模型， 建立该模型的方法以神经 网络为基础 ， 用遗传算法来学习 神 经 网络 的权 系数 ， 既 保 留 了遗 传算 法 的强全局 随机 搜 索 能力 ， 又具有神 经 网络 的鲁棒 性和 自学 习能 力． 该模 型 具有较 强预 测 能力 ， 为优 化 固体 废 弃物 膏体 充填料 浆质 量 的影响 因素提 供 了理论 依 据． 另一 方 面 ， 利 用 已训 练好 的 膏体 充 填料浆 质 量模 型 获得 遗 传 算 法 ， 对 充填料 浆质 量 的 影响 因素进 行优 化 ， 该法在 配 比设计 时， 可在较 少的试验 次数 下获 得较好 的配 比． 关键词 固体废弃物 膏体充填 ；充填料浆质量；神经网络 ；遗传算法 中图分 类号 TD 3 2 5 文献标 识码 A Re s e a r c h o n Qu a l i t y o f S o l i d W a s t e P a s t e f o r Ba c k f i l l i ng Ba s e d o n Ne u r a l Ne t wo r k HE Ro n g - j u n ，Z HANG Li ，Z HOU Hu a q i a n g ，WU Lo n g f e i 1 ． C h o n g q i n g Vo c a t i o n a l I n s t i t u t e o f E n g i n e e r i n g，Ch o n g q i n g 4 0 0 0 3 7，Ch i n a ； 2 ．S c h o o l o f Mi n i n g En g i n e e r i n g，Ch i n a Un i v e r s i t y o f Mi n i n g Te c h n o l o g y，Xu z h o u ，J i a n g s u 2 2 1 1 1 6 ，Ch i n a Ab s t r a c t So l i d wa s t e pa s t e f i l l i n g i S a n e w me t h o d o f c e me nt e d b a c kf i l l i n g ． The s t ud y of t he b a c k f i l l pul p qu a l i t y i s o f g r e a t i m p o r t a nc e b e c a us e i t i s a t y pi c a l mul t i i np ut ，m ul t i o ut pu t，a nd n o n l i n e a r f u z z y mo d e 1 ． On o n e h a n d，t h e i mp l i c i t mo d e 1 o f t h e b a c k f i l 】p u l p q u a l i t y i s f o r me d b a s e d o n GA a nd BP．The m e t ho d i s b a s e d on t he ne u r a l ne t wo r k。a nd t h e we i ght s o f ne u r a l n e t wo r k a r e t r a i n e d b y g e n e t i c a l g o r i t h m．S o i t r e ma i n s t h e g l o b a l s t o c h a s t i c a l l y s e a r c h i n g a b i l i t y O f g e n e t i c a l g o r i t h m a n d t h e r o b u s t n e s s a n d s e l f l e a r n i n g a b i l i t y o f n e u r a l n e t wo r k，ma k i n g t he m ．od e l ha v e a go o d pr e d i c t i o n c a pa c i t y，whi c h pr o v i de s a t he o r e t i c a l s up po r t f or o p t i mi z i ng a f f e c t i ng f a c t or s o f t h e b a c kf i l l pu l p q ua l i t y．On t he o t he r h a nd，o p t i mi z i ng a f f e c t i ng f a c t o r s o f t he ba c kf i l l p ul p qu a l i t y us i ng g e ne t i c a l go r i t hm a r e o b t a i ne d us i ng t he GA ANN mo de l ，ma k i ng t h e g o o d m i x t u r e p r op or t i on o bt a i ne d wi t h l e s s t e s t i ng t i me s ． Ke y wo r d s s o l i d wa s t e p a s t e f i l l i n g；b a c k f i l l p u l p q u a l i t y ；n e u r a l n e t wo r k；g e n e t i c a l g o r i t h m 固体废弃物膏体充填作为煤矿绿色 开采技术 的重要组 成部分口 ] ． 它包括充填料 浆的制备 和输 送． 为实现固体废弃物膏体充填 ， 首先应保证充填 料浆的质量． 充填料浆具有浓度高、 不沉淀、 不泌 水、 不离析和便于输送等特点 ] ． 对该料浆的质量 控 制 主要 的影 响 因 素有 胶 结 料 的 用量 、 集 料级 配 、 浓度的大小 、 料浆的养护温度 、 化学性质等． 材料中 各个因素之间存在复杂的化学和物理作用 ， 目前尚 不能用理论计算来推导各 因素 问的非线性定量关 系 ， 在一 定程 度 上 以经 验 为 主． 传 统 的 办 法是 采 用 正交设计或均匀设计等方法， 但需要试验 次数多 ， 易受到其它因素的限制， 因而在实际应用 中有一定 收稿 日期 2 0 0 7 0 41 2 作者简介 何 荣军 1 9 8 1 一 ， 男 ， 四川省安岳县人 ， 硕士 ， 从事环境材料 、 充 填采矿方面 的研究 E ma i l r on g j u n h 1 6 3 ． c orn Te l 0 51 6 8 3 8 8 4 8 6 1 维普资讯 第 3期 何荣军等 固体废弃物膏体充 填料浆质 量的神经网络研究 的局 限 性． 针对膏体充填料浆质量控制的实际情况 ， 为了 掌握这些影响因素之间的内在规律 ， 将神经网络引 入料浆的质量控制系统中， 对固体废弃物膏体充填 料 浆质 量进 行预 测 ， 并 对 充填料 浆 各影 响 因素进行 优 化． 1 神经网络与遗传算法 1 ． 1 B P神 经 网络 B P模型即误差反向传播神经网络是神经网络 模型中使用最广泛的一类． 从结构上讲 ， B P网络是 典型的多层网络 ， 分为输入层、 隐层和输出层 ， 层与 层 之 间采用 全连 接 方 式． 图 1给 出 了一 个 3层 B P 网络结构． 实践证明这种基于误差反传算 法的 B P 网络有 很强 的映射 能力． 输出模式 输出层 隐含层 输入层 图 1 一个 3层 B P神经 网络 Fi g． 1 o ne BP n e ur o i d of t hr e e l a y e r B P算法的训练过程 由正向传递过程和误差的 逆 向修 改 过程组 成． 一 方 面 ， 输 入 的信 息 流 从 输 入 层 ， 经隐层到输 出层逐层处理并计算出各神经元节 点的实际输出值． 另一方面， 计算网络 的实 际输 出 与训练样本期望的误差 ， 若该误差未达到允许值， 根据此误差确定权重的调整量 ， 从后往前逐层修改 各层神经元节点的连接权重． 两个过程完成一次学 习迭代． 这种信息的正向传递与根据误差的逆向修 改网络权重 的过 程 ， 是在不断迭代 中重复进行的， 直到网络的输出误差逐渐减小到允许的精度 ， 或达 到预定 的学习次数． 得 到合适 的网络连接值后 ， 便 可对新样本进行非线性映像． 1 ． 2 遗传 算法 遗传算法是模拟生物界 的遗传和进化过程而 建立起来的一种搜索算法L 4 ] ， 以概率选 择为主要 手 段 ， 不涉及 复 杂 的数 学 知 识 ， 亦 不 关 心 问 题 本 身 的内在规律 ， 可处理任意复杂的 目标 函数和约束条 件． 且由于遗传算法不采用路径搜索 ， 而用概率搜 索 ， 所以是概率意义上 的全局搜索 ， 在解决的问题 无论是否为凸性的 ， 理论上都能获得最优解 ， 避免 落人 局部 最小 点． 1 ． 3 B P神经 网络 与遗传 算 法的 结合 目前 ， 遗传算法 与神经 网络 的结 合方式 有几 种 ， 大致归纳如下 1 进化神经 网络的权重 ； 2 进 化神经网络的拓扑结构 ； 3 同时进化神经 网络 的 权重与拓扑结构 ； 4 分析神经 网络 的训练数据与 结 果． 其中 ， 进化神经网络的分析这类研究现在还无 法确定其广泛的有效性． 实践证明 ， 不管是否同时 进化网络的权重与否 ， 单就进 化网络结构来讲 ， 这 是件 困难 的事 ， 目前无论在理论上还是方法上 ， 都 尚未找到有效 的指导原则． 故遗传算法与神经网络 相结 合 的研究 ， 大 都集 中在 网络 权重 的训 练上 ． 由于 B P算法本身的原因， 收敛 于局部最小点 是 B P网络模型不可克服 的弱点． 遗传算法是基于 生物进化机理的数学算法系统 ， 许多实践 已证明遗 传算法是进行全局搜索的有效工具． 基于遗传算法 的神经网络的权值优化具体步骤如下 1 确定神经 网络的权值编码方案及参数设定 将所要构建 的神经网络 的所有权值作为一组 染色体． 依据权值 的数 目， 对权值用相应维数 的实 数 变量 表 示． 在传 统 的 GA 中采 用 二进 制 编码 ， 在 求解连续参 数优化 问题 时， 需将连续 的空 间离散 化 ， 此离散化过程存在一定 的映射误差 ， 不能直接 反 映 出所求 问题 本身 的结 构特 征 ， 故 直接 采用 实数 编码． 它是 连续参 数 优 化 问题 直 接 的 自然 描 述 ， 不 存在编码和解码 的过程 ， 可提 高运算 的精度和速 度 ， 避免编码中带来的负面影响． 网络的 隐节 点 和输 出层 的激 活 函数取 S i g mo i d函数 厂 z 一 i， 由于染色体表示权值， 1 TC 则适应度函数便是神经网络的误差计算 ， 且误差越 大， 适应度越小． 函数表达式为 E v a 1 z 一y -一， 1 ∑ i 1 式 中 ， 为放大因子 ； e 为第 i 个样本 的计算误差． 设定 输 入种 群 规 模 p o p s i z e ， 交 叉 概 率 P ， 变异概率 P ， 网络层数 ， 每层的神经元数． 2 初 始化 随 机 产 生 初 始 种 群 P { z ， z 。 ， ⋯ ， lz ， ⋯ ， z ， 任一 z ∈P为一神经 网络 ， 它 由一个权值 向 量组成． 权值 向量为 n维实数 向量， 为所有连接 权 的个数 ． 维普资讯 3 5 4 采矿与安全工程学报 第 2 5 卷 3 根据一定的性能评价准则 MS E， 学习速度 等 ， 计算 网络适应度值 根据随机产生 的权值向量对应 的神经网络 ， 对 给定的输入集和输出集计算 出每个神经网络 的全 局误差 ， 并根据适应度 函数计算 出对应 的适应度 值． 误差越小 的样本 ， 适应度值越大 ， 意味着染色体 越好 ． 4 算子操作 根据适应度大小 ， 决定各个个体繁衍后代的几 率 ， 完成选种． 按照一定 的概率 ， 对选种后群体施以 遗传算子 选择算子、 交叉算子 、 变异算子 、 保 留算 子 得到新一代群体． 5 自适应控制 随着进 化 的进 行 ， 适 应 度 的 差距 越 变 越 小 ， 交 叉算 子 的作 用减 少 ， 变 异算 子 的作 用 增 大 ， 因 此要 相应减少交叉概率 ， 增 大变异概率． 可用如下 两式 对两个概率进行修正 P e w P 一 e 一 1 十 南 ， P 一 P e -- 1 忐 ， 2 式中 P ， P 分别为进化前后 的交叉概率 ； P ， P 分别为进化前后 的变 异概率 ； G为总 进化代 数 ， ￡ 为 当前 进化 代数 ． 6 神经网络的二次训练 当遗传算法的进化计算到一定程度， 或网络误 差满足一定要求后 ， 停止迭代 ， 将得到 的最优染色 体 即神经 网络的一组权值 传递给神经网络 ， 让神 经 网络进行 二次 训 练 ， 直得 到 较好 的结果 ． 2 膏体充填料 浆质量的预测模型 2 ． 1 基 于遗传 神经 网络 的建 模思 想 膏体充填料浆质量的影 响因素有胶结料的用 量、 集料级配、 浓度的大小 、 温度、 化学性质等． 根据 现场经验以及实验室实验情况 ， 考虑充填成本 ， 在 这里主要研究料浆 中煤矸 石 的粒级 、 胶 结料 的用 量 、 浓度、 粉煤灰用量与流动性和强度两技术 指标 的关系． 由于这是一个多输入、 多输出、 时变 、 非线 性的模糊 系统， 很难用数学的方法或状态方程来建 立模型． B P神经网络具有强大的非线性映射 能力 和泛化功能 ， Ko s mo g o r o v定理 已经说 明， 若隐节 点可根据需要 自由设置 ， 则用 1 个 3层前馈 网络就 可按任意精度逼近任意复杂的连续函数． 故可建立 3层膏体充填料浆质量预测的 B P模型． 第 1层为 输入层 ， 4 个神经元 ， 分别为煤矸石 的粒级 、 胶结料 的用量、 浓度和粉煤灰用量 ， 第 2层为隐层 ， 第 3层 为输 出层 ， 3个神经元 ， 分别为坍落度 、 早期强度 和 中后期 强度 ． 由于 B P算法 易陷入局 部最小点和收敛速度 慢的缺点， 所 以为了建立固体废弃物膏体充填料浆 质量的预测模型采取基于遗传算法人工神经网络 的建模思想 先将试验数据模糊化 ， 再作为前馈神 经网络的输入和输出， 同时利用高搜索和全局搜索 能力的遗传算法配合 B P算法训练 网络 ， 得到原始 数据与有关指标之间的非线性映射模 型． 2 ． 2 算法 实现 步骤 建立 固体废弃物膏体充填料浆质量预测模型 的算法实现过程如下 1 确定 目标函数 ， 采用最小二乘 目标函数 ， 即 x一 u 一 u z ， 3 2 1 式 中 为试 验 组数 ； U 为第 i组试验 的实 际输 出 ； U 为第 i 组试验 的期望输 出． 2 通过正交设 计方法设计试验方案， 测得相 应的膏体坍落度和强度 ， 得到神经网络所需的样本 集 ， 并对样 本 进行 归一化 ； 3 进行神经 网络学习， 同时采用遗传算法优 化神经网络的权系数 ， 建立料浆质量的影响因素与 料浆坍落度和强度的非线性映射 ， 获得 固体废弃物 膏体充填料浆质量的预测模型． 3 优化膏体 充填料 浆质 量的影响因素 3 ． 1 优 化思 想 对于一已知的神经网络模型 ， 它的权重是已知 的 ， 也就是说通过反复的训 练， 最终可得到 网络 的 内部知识一网络权重． 现要求在给定的坍落度和强 度条件下 ， 找出一合理的配 比， 使其达到预期要求 ， 从而优化膏体充填料浆质量的影响因素． 由于产生 结果 的因素多而复杂 ， 单纯的应用神经 网络很难解 决问题． 遗传人工神经网络优化膏体充填料浆质量 的影响因素 ， 是基于已训练好 的膏体充填料浆质量 模型， 获得遗传算法 ， 对膏体充填料浆进行配 比设 计优化 ， 从而达到优化充填料浆质量的影响因素． 3 ． 2 优化思想的算法实现步骤 遗传神经网络优化膏体充填料浆质量 的影响 因素 的算 法过程 如 下 1 对已获得的固体废弃物膏体充填料浆质量 预测模型进行初始化设置， 确定料浆中煤矸石的粒 级、 胶结料 的用量、 浓度和粉煤灰用量的取值范围； 2 在待优化的料浆质量的影响因素的取值范 围内， 随机地产生一组可能 的取值 ， 各影响因素的 取值分别采用实数编码成～组染色体 ； 维普资讯 第 3 期 何荣军等 固体废弃物膏体充填料浆质 量的神经网络研究 3 将料浆质量的影响因素 的每一取值输入 已 训练 好 的预测模 型 ， 预 测 料浆 的坍 落 度 和 强 度 ， 根 据最小二乘 目标函数 ， 计算适应值 ； 4 如适应度满足精度要求 ， 则认 为找 到了最 优解 ， 停止计算 ， 否则对影响 因素的染 色体进行遗 传优化操作 ， 产生子代染色体 ； 5 重复前述的 3 ， 4 ， 直至找到合理的影响因 素值． 4应 用 举 例 某矿为解决煤矸石排放问题 ， 利用煤矸石膏体 充填材料进行巷旁充填 ， 它是中国矿业大学最近提 出的沿空留巷巷旁充填技术新途径 ， 是钱鸣高院士 提出绿色开采技术体系的重要组成部分[ 7 ] ． 巷旁充 填成本中充填材料费用 占 7 O ～8 O ％， 因此研制 价格低廉 、 性能优 良的膏体充填料浆是应用这项新 技术 的关 键 ． 现根 据 以上方 法对 膏体 充填 料浆 的质 量进 行 预测 ， 并 对 其影 响 因素进 行优 化． 4 ． 1 膏体充填料浆质量的预测 为 了将 遗 传 神 经 网络 应 用 于 膏体 充 填 料浆 质 量的预测 ， 需给网络学习提供一定 的样本数 据， 为 此进行 了一系列采用正交试 验设计方法构造神经 网络的学习样本试验I 8 ] ， 并增加两组试验作为检验 样本 ， 共测 了 1 8个样本数据 ， 其中 1 ～1 6 号试验是 训练样 本 ， 1 7 ， 1 8号试 验为 检验 样本 ． 由于神经 网络的训练样 摹中各数据的物理量 不相同， 数值差别也很大， 为了减轻人工神经 网络 模型训练 的难度 ， 使那些较大的量输入仍落在神经 元转换梯度大处， 在训练前 ， 需对样本进行归一化 处理 ． X 蜀一 ’ y 一 ’ 式中 X ， y 分别 为原始样本 中输入项 和输 出项 ； z ， 分别 为 归一 化 后 的输 入 和输 出项； X -n ， ⋯ 为相应列 的最小值 ； X ， Y ⋯ 为相 应列 的 最大 值． 在 MAT L AB 7 ． 0环 境 下 编 程 _ l 0 _ ， 模 型 的 预 测结果 见 表 1 ． 表 1样本数据及预测结果 Ta b l e 1 S t y l e b o o k d a t a a nd pr e di c t i o n r e s u l t 样 本 号 訾 。2 浓 度 ／ 粉 煤 灰 ／ 坍 落 度 y ／ cm k g m 一 。 实 测 值 预 测 值 1 d 强 度 y 2／ M P a 实 测 值 预 测 值 7 d 强 度 Y 3 ／ M P a 实 测 值 预 测 值 检验样本 1 7 1 8 5 ． O 0 3 ． 9 6 3 ， 2 6 5 ． 5 7 3 ． 8 4 4 ． 7 4 5 ． 5 1 4 ． 1 9 3 ． 9 5 4 ． 6 7 4 ． 0 1 4 ． 3 5 3 ． 8 6 4 ． 9 3 5 ． 0 5 4 ． 2 7 从上表可以算出所预测值的相对误差 坍落度 的相对误差最大 5 9 ／ 6 ， 最小 0 ． 3 9 ／ 6 ； 1 d强度 的相对 误差最大 4 ． 4 ， 最小 0 ． 2 ； 7 d强度 的相对误差 最大 4 ． 9 ％， 最小一O ． 4 ． 网络模型模拟值与样本 实测值之间的误差在允许误差范围内， 证 明该模型 预测精度较高， 且特别适合对早期 1 d强度 的精确 预测， 满足实际生产 中的要求． 同时该模 型在实 际 的应用 中还具有操作简便 、 较强 的适 应性 和可靠 性 ． 4 ． 2膏体充填料浆质量的影晌因素优化 设某巷旁充填需要的膏体充填材料 的坍落度 为 2 0 c m， 1 d强 度 为 4 ． 0 MP a ， 7 d强 度 为 5 ． 5 0 O O O O O O O O O O O O O O O O O ∞ 如 ∞ ∞ 踮 ∞ ∞ ∞ ∞ ∞ ∞ 维普资讯 采矿与安全工程学报 第 2 5 卷 MP a ， 采用前述方 法， 利用 已训练好 的遗传 神经网 络获得遗传算法 ， 对 固体废弃物膏体充填料浆的影 响因素进行优化 ， 优化的结果为 煤矸石 中粗集料 的比例 4 9 ． 6 ， 胶 结 料 的用 量 2 4 3 k g ／ m。 ， 浓 度 8 6 ， 试验粉煤灰用 量 3 0 6 k g ／ m。 ， 将该配 比做 现 场试验 ， 测得 坍 落 度 1 9 ． 5 c m， 1 d强 度 为 3 ． 9 MP a ， 7 d强度 为 5 ． 3 MP a ， 基 本 满 足需 要 ， 此 法 可 行 ． 5 结 论 1 将遗传神经网络应用于固体废弃物膏体充 填系统中， 能很好的预测膏体充填料浆的坍落度和 强度 ， 满足实际要求 ， 对早期 1 d强度 的预测更准 确 ． 2 在神经 网络 的学习过程 中引入遗传 算法， 该法具有寻优的全局性和精确性 、 收敛速度快等特 点 ， 由此 得到 的神 经 网络能 较真实 地 预测 膏体充 填 料浆 质量 隐式 模型 的非 线性 全局 映射 关系。 从 预测 和优化结果可知 ， 求取 的各影 响因素 的精度较高， 符合 现场 的要求 ． 3 在遗传算法进行优化各影响因素的过程 中 引入 已建立好的遗传神经网络模型， 计算个体适应 度 ， 以代 替试验 结果 ， 此 法减 少 了试 验 次数 ． 结果 表 明此法正确可行． 4 遗传神经网络可和各种统计试验设计相结 合 ， 优 化 各 影 响 因素 与 结 果 ， 从 工 艺 性 能 、 强 度 性 能 、 经 济性 方 面考 虑 更 多 的综 合 指 标 ， 得 到 更 合 理 的膏体充填材料配 比． 参考 文献 [ 1 ] 张 宝 明 ， 陈炎 光 ， 徐 永 圻．中 国煤矿 高 产 高效 技 术 [ M] ．徐州 中国矿业大学 出版社 ， 2 0 0 1 6 4 4 6 4 7 ． [ 2 ] 周华强， 侯朝炯 ， 孙希奎， 等．固体废弃物膏体充填不 迁村采煤[ J ] ．中国矿业 大学学 报 ， 2 0 0 4 ， 3 3 2 1 5 5 1 57 ． Z HOU Hu a - q i a n g，HOU Ch a o - j i o n g，S UN Xi ～ k u i ， e t a 1 ．S o l i d wa s t e p a s t e f i l l i n g f o r n o n e v i l l a g e - r e l o c a t i o n c o a l mi n i n g [ J ] ．J o u r n a l o f C h i n a Un i v e r s i t y o f Mi n i n g ＆ Te c h n o l o g y，2 0 0 4， 3 3 2 1 5 5 1 5 7 ． [ 3 ] 王 泳嘉 ．水 砂 充 填 [ M] ．北 京 煤 炭 工 业 出版 社 ， l 95 9 1 20 1 27 ． [ 4 ] 苑希 民 ， 李鸿雁 ， 刘树坤 ， 等．神经 网络 和遗传算法 在 水科学领 域 的应用 [ M] ．北 京 中国水 利水 电出 版 社 ， 2 0 0 2 9 1 9 5 ． [ 5 3 粱化楼 ， 戴贵 亮．人工 神经 网络与 遗传 算法 的结合 进展及 展望[ J ] ．电子学报 ， 1 9 9 5 ， 2 3 1 O 1 9 5 1 9 6 ． LI ANG Hua - l ou，DAI Gui 一 】 f a ng ．Co m b i n a t i o n of g e n e t i c a l g o r i t h ms a n d a r t i f i c i a l n e u r a l n e t wo r k s r e v i e w a n d p r o s p e c t [ J ] ．Ac t a E l e c t r o n i c a S i n i c a ，1 9 9 5 ， 2 3 1 0 1 9 5 - 1 9 6 ． [ 6 ] 洪露 ， 马长 山 ， 谢宗 安．基于遗 传算 法 的神经 网络 权值 优化[ J ] ．贵州工业大 学学报 ， 2 0 0 3 ， 3 2 6 4 9 5 O． HONG Lu， M A Cha n g s ha n， XI E Zon g a n．Opt i mi z a t i on o f we i ght s i n ne u r a l ne t wo r k s ba s e d o n g e ne t i c a l g o r i t h m[ J ] ． J o u r n a l o f Gu i z h o u Un i v e r s i t y o f Te c h n o l o g y ，2 0 0 3， 3 2 6 4 9 5 O ． I- 7 ] 钱呜高 ， 许家林 ， 缪协兴．煤 矿绿色开 采技术 [ J ] ．中 国矿业大学学报 ， 2 0 0 3 ， 3 2 4 3 4 4 3 4 7 ． QI AN Mi n g - g a o，XU J i a l i n，MI AO Xi e x i n g ．Gr e e n t e c h n i q u e i n c o a l mi n i n g[ J ] ．J o u r n a l o f C h i n a Un i v e r s i t y o f Mi n i n g Te c h n o l o g y，2 0 0 3， 3 2 4 3 4 4 3 47 ． [ 8 ] 何荣军 ， 周华 强 ， 郑保 才．煤矸石 膏体 巷旁 充填材 料 的研 究[ J ] ．能源技术与管理 ， 2 0 0 6 4 5 1 5 3 ． HE Ro n g - j u n。Z H0U Hu a q i a n g。ZHENG Ba o c a i ． Re s e a r c h o n g a n g u e p a s t e b a c k f i l l ma t e r i a l i n r o a d s i d e p a c k i n g [ J ] ．E n e r g y T e c h n o l o g y a n d Ma n a g e me n t ， 2 0 0 6 4 5 1 - 5 3 ． [ 9 ] 雷英杰 ， 张善文 ， 李 续武 ， 等．MAT L AB遗传 算法 工 具箱及应用 [ M] ．西 安 西安 电子 科技 大学 出 版社 ， 20 05 3 0 31 ． [ 1 O ] 飞思 科 技 产 品研 发 中心．神经 网络 理 论 与 MAT L A B 7实现[ M] ．北 京 电子工 业 出版社 ， 2 0 0 5 1 0 0 一 】 O4 ． 维普资讯