基于蚁群聚类的RBF网络在人因失误预测中的应用.pdf

第 1 8 卷 2 0 1 3 年 1 1 月 煤矿开采 Co a l mi n i n g T e c h n o l o g y V0 L l 8 N O V 2 0 1 3 基于蚁群聚类的 R B F网络在人因失误预测中的应用 刘双跃，方 茈心(北京科技大学 土木与环境工程学院，北京 1 0 0 0 8 3)摘要 详细分析了煤矿安全中的人因失误机理，从安全生理、安全心理、组织管理、机械设备 及环境 4个方面进行分析，将蚁群聚类与径向基(R B F)神经网络相结合，建立了一种基于蚁群聚类优化 径向基神经网络的煤矿人因失误预测模型。关键词 蚁群聚类算法；R B F网络；人因失误 The Ap pl i c a t i o n Ba s e d o n t he Ant Co l o n y Cl us t e r i ng M e t h o d o f RBF Ne ur a l Ne t wo r k d ue t o Hu ma n Er r o r Pr e di c t i o n Ab s t r a c t：De t a i l e d a n a l y s i s o f t h e me c h a n i s m o f h u ma n e r r o r i n c o a l mi n e s a f e t y t h r o u g h t h e s a f e t y p h y s i o l o g y，p s y c h o l o g y，o r g a n i z a t i o n a n d ma n a g e me n t，ma c h i n e r y a n d e q u i p me n t a n d t h e e n v i r o n me n t f o u r a s p e c t s T h e a n t c l u s t e r i n g c l a s s e s c o mb i n e d w i t h r a d i a l b a s i s(R B F)n e u r a l n e t w O r k t o e s t a b l i s h a p r e d i c t i o n m o d e l w h i c h b a s e d o n t h e a n t c o l o n y c l u s t e r i n g m e t h o d o f R B F n e u r a l n e t wo r k d u e t o h u ma n e r r o r 国内外大量的事故调查统计结果表明，每年由 于人因失误而导致的事故占事故发生总数的6 0 以 上，由此引发的重大灾难事故 比率更是高达9 0 以 上l 1 1，可见控制人 因失误是防止或减少煤矿事故发生 的关键，因此，从安全科学的角度对人 因失误因素进 行准确分析已变得愈来愈重要。本文对煤矿安全中 的人因失误 因素进行了详细分析，并采用蚁群聚类 优化 的径向基(R B F)神经 网络来建立煤矿人因失误 预测模型，以期实现对人因失误动态预测，减少人因 事故发生的可能性。1 煤矿安全中人因失误致因分析 煤矿生产系统是处于特定环境中的复杂系统，人的行为产生因素极为复杂，针对人因失误的机理、分类和特点，本文从生理因素、心理因素、组织管理 因素、机械设备及环境因素这四大部分对人误 因素 进行分析。1)生理原因()，包含 1 2个基本指标：身高(1)，体重 标准体重(x 2)，年龄(x 3)，时间视觉()，听觉敏感性(X 5)，手腿 部力量(X )，心率(x 7)，呼 吸次数 每分钟()，疲劳()，睡眠质量(。)，身 体灵活性()，耐力(，)。2)一 0理原因()，包含 7个基本指标：性格(3)，能力(4)，I(X l 5)，动机(6)，压力(1 )，意志(x I R)，注意(x 1 q)。3)组织管理原因(3)，包含 6个基本指标：28 6 作业安全规程(。)，组织安全 文化(1)，安全 生 产责任制度(2)，监督管理(x 2 )，培训制度(X 2 4)，组织变革影响(，)。4)机械设备及环境原 因()，包含 1 0个基本 指标：作业空间()，作业强度(X，)，时间裕度(2 8)，作业复杂程度(2 9)，安全设施(0)，照明 强度()，作业环境噪声(X 3，)，作业环境温度(X )作业环境风速()，相对湿度()。对上述3 5 个指标正确分级与量化是进行人因失 误预测的基础，结合人机工效学、人体测量学、安全 心理学等相关学科理论，编制各 因素的量化标准。煤炭行业 中安全系统 工程基础 比较薄弱，对各 种事故概率难以精确统计，人因失误及作用范围分 析研究尚不完善，因此依靠传统的安全系统工程方 法评价人因事故有一定 的局限性；利用传统聚类方 法按照特定准则对人因事故主导因素进行分析时，一般采用指定聚类和修改聚类中 0 2 个阶段反复循 环，计算量大且算法复杂。而由于人因失误因素的 复杂性，在已知量和未知量之间存在很强的非线性 关系，这种复杂的非线性关系可 以用神经 网络得到 很好的映射。作为一种多参数反演的工具，多层前 馈B P 网络被较多的应用于反演问题【2】【3 J。基于智能优化的反演方法虽然具有很多搜索法 不具备的优点，但也存在需要循环迭代，计算时间长 等问题，不适用于正分析计算量较大的多参数反演 问题。B P 网络是一种全局逼近网络，存在易陷入局 第 1 8 卷 2 0 1 3 年 1 1 月 煤矿开采 C o a l mi n i n g T e c h n o l o g y V0 1 1 8 NO V 2 01 3 部最优，训练速度慢，网络结构难 以确定等 问题。径 向基(R B F)网络 是一 种新 型的神经 网络(A N N)模型，与B P 网络相 比，不仅具有生物学基础 和数学基础，而且结构简单，学 习速度快，隐节点具 有局部特性，逼近能力更强。而蚁群算法是M D o r i g o 和T S t fi t z l e t5 提出的一种新的模拟进化算法，具有分 布式、自组织、信息素通信等性能，已经在组合优化 领域取得大量的成果。建立R B F 网络的关键在于选 择合适 的基 函数中心，将蚁群算法用于选择R B F 网 络基函数中心，提出一种用于评价煤矿人 因失误的 蚁群聚类R B F 网络模型。蚁群聚类(A C C)模拟了蚁 群觅食的概率转移特性，克服了传统K 均值聚类对 初始 聚类 中心 的依赖性 强和收敛 到局部最优的缺 点，得到的基函数中心更有代表性。2 蚁群聚类算法 D e n e u b o u r g 等人最早对蚁群聚类算法展开研究 6 1，提出了蚁群聚类算法的基本模 型。L u me r 和F a i e t a 将D e n e u b o u r g 等建立的基于蚁群聚类现象的模型推 广到数据分析范畴，其主要思想是将待聚类数据初 始随机地散布在一个二维平面内，然后在该平面上 进行蚁群算法的聚类分析。蚁群 聚类 的思路是_7 1：蚂蚁从 第i(1，2，n)个模 式样本向第(1，2，)个聚类中心出发，通过不断的 搜索寻找最优路径，在这搜索的路径上留下信息素 丁 ，且蚂蚁选择聚类 中心的规则根据式(1)判断，q 为 0，1】之 间的随机数，q。为(0，1)之 间的常数，为确定性 概率 。若g q o，则根据式(2)计算 出来的概率，随机 选择下一个聚类中心S。j arg m a x (f)H吼)若 g g 0 【S 否 则 选择聚类 中心的状态转移概率公式 如下：e k(t)=一 2 r()“叩()。，、叩 (f)1(2-3)式 中a l l o w e d k 为蚂蚁允许选择的下一个聚类 中 心，N -,g N 发 因 子，为 期 望 启 发 因 子，(t)为 在 本 次 循 环中 路 径 上 留 下 的 信 息 素，叩 (t)为 启 发 函 数，(t)为t 时 刻 蚂 蚁 选 择 聚 类 中 心的 状 态 信息素更新方程如下：(f+1)(1 一 p)(f)+p A T (t)(2-4)，、1 若 蚂 蚁 i在 本 次 循 环 达 到 j 聚 类 中 心 1 0H 否 l I(2 _ 5)I 否贝 0 一 3 式中：为模式样本 i 到聚类中心 z 的距离；p为挥发系数；O为一正常数。当聚类规模 比较大 时，由于 的存在，使得那些从未被搜索到 的解 的 信息量会减少，甚至接近于 0，这样就降低 了算法 的全局搜索能力【l o 。当P过大且解的信息量增大 时 以前搜索到的解被选择 的可能性过大，也会影响算 法的全局搜索能力，因此仅通过增大 P是不会降低 算法的收敛速度的。而且蚂蚁数量和聚类个数对算 法的收敛速度也有很大影响，本文将根据实验中最 优路径值 的大小来确定最佳蚂蚁数量。通过不断反 复的路径选择，蚂蚁完成最优路径，各个样本达到 最优 的聚类中心，输出聚类中心值。3 蚁群聚类优化RB F 神经网络 R B F是一种前馈神经网络，一般为 3 层结构。图 1 所示为 m 一 却 结构的R B F网络，即网络具有 m 个 输 入，k 个 隐 节 点，P 个 输 出。其 中 =，X 2，X m 1 R 为网 络 输入向 量；W为 输出权值矩阵，W R ；岛，b p 为输出单元，、7 偏 移；Y 为 网 络 输 出；Y=Y l Y 2，Y p；f i(x c f11)为 第i 个 隐 节 点 的 激 活 函 数。激 活 函 数 种类较多【J“，常用的激活函数为高斯函数：()：e x p -x (2 a )(3 1)式 中：o r 为该基 函数的扩展常数，其作用是调节 高斯函数神经元的敏感程度。图1 R B F 神经网络结构 图 R B F 网络的第i 个输出可表达为：k e x p (2 2+(3-2)j=l 28 7 第 1 8 卷 2 0 1 3 年 1 1 月 煤矿开采 Co a l mi n i n g T e c h n o l o g y V0 L 1 8 NO V 2 01 3 式 中：W 为输 出层权 值，为基 函数 的扩展 常 数。基函数采用常用的高斯函数，对于给定的基函 数个数和扩展常数，基函数中心采用蚁群聚类算法 确定。AC C R B F 网络实现步骤如下：1)初 始 化：设 定 Ma x h e r a t i v e N u m b e r，A n t s N u m b e r，r，n，8。，仅，c，P 0 等参数，初始聚类中心选择 为前 个输入样本。2)采用蚁群聚类算法计算n 个输入样本的 个聚 类 中心 作 为R B F 网络基函数中心。3)根据各聚类中心之间的距离确定各隐节点的 扩展常数。隐节点的扩展常数o：y d i(为箭个数据 中心与离它最近的数据中心之间的距离；为重叠系 数，用于调整扩展常数)。4)根据 z 和 求得隐节点输 出矩阵。5)由 伪 逆 算 法 求 得W，W=Y f，l=(_。r =善(一)=(一(：+)重新计算E。(3 3)(6)：如果E E，(E 为上次计算 的E)，迭代收 敛，否则回到步骤(5)。4 基于AC C 优化RB F 的训练及预测 4 1 I F 神经网络输入端数据处理 由某矿 3 2 0 名一线工人 的填写量表获得实测数 据，选取 2 0 0个样本数据进行蚁群聚类，并绘制煤 矿安全人因失误因素聚类分析表(见表 4-1)。根据 上述算法，参数值设置如下：最大循环次数 1 0 0 0 次，聚类中心条件阈值 q o：O 9，0=1，初始挥发 系数 0 1 P 0 5，白适应参数 0 1(步长取 0 1)，0 1 0(步长取 1)。实验 2 0 0 次后，获得初步优化参数组合为：a=0 5，：8，p=O 4，R=I 8。再随机实验 1 0 0 次，取最优的 1 0次结果，确定聚类个数为 4个。4 2 R B F 神经网络的训练及预测 1)样本训练 选取5 0 组样本用于训练。取蚁群聚类 的中心值 为R B F 网络的隐中心值，聚类个数为隐层节点个数。输 出层单元为一个，即评测者在安全生产中的失误 率，设定为4 级 无或极小，一般，较大，重大。2)样本测试 根 据测 试数 据整 理 出 1 0 组 样本 用 于检 验A C C R B F 网络的性能，用训练好的网络对评测者的失误 28 8 率进行预测计算。计算结果的精度见表1。表l 评测者失误率的预测精 度 检验样本 实际记录值 预测值 误差 1 0 0 0 6 4 0 0 0 6 4 0 2 0 0 0 1 4 0 0 0 1 4 O 3 O O 1 2 7 0 01 2 9 0 0 0 0 2 4 0 0 0 7 4 0 0 0 7 4 0 5 0 O O 9 6 0 0 0 9 6 0 6 0 0 0 1 2 0 0 0 1 2 0 7 0 0 0 8 1 0 0 0 8 0 0 o 0 0 1 8 0 0 01 2 0 0 0 1 2 0 9 0。0 0 2 8 0 0 0 2 8 0 1 O 0 0 0 5 2 0 0 0 5 2 0 从表 1 可以看 出，基于蚁群聚类优化的R B F 网络 预测人的失误率精度较高，能满足生产现场对人 因 失误的预测。5 结论 1)将蚁群聚类算法与R B F 神经网络相结合，提 出了一种基于蚁群聚类优化径向基神经网络的煤矿 人因失误评价模型。基 函数 中心是影IR B F 络性能 的关键，采用蚁群聚类算法选择基 函数 中心，模拟了 蚁群觅食聚类的概率转移特性，能够获得更合理的 聚类中心，得到满意的R B F 网络模 型。2)预测模型可提高安全管理的科学性。通过预 测人因失误率，改善人因失误的指标，预测改善后的 人因失误率，从而降低事故伤亡率，能满足煤矿生产 中矿工人因失误预测的要求。参考文献 【1】陈静 煤矿事故人失误致因模型构建及团队建设安全对策分析【J J 山东科技 大学学报 自然科学版，2 0 1 0，2 9 f 4)：8 4 8 6 2 WA N G Z L，L I Y C，S HE N R F C o r r e c t i o n o f s o i l p a r a me t e r s i n c a l c u l a t i o n o f e mb a n kme nt s e t t l e me n t u s i n g a B P n e t wo r k ba c k a n a l y s i s m o d e l J E n g i n e e r i n g G e o l o g y，2 0 0 7，9 1(2 4)：1 6 8 1 7 7 f 3 1 Y U Y Z，Z H A N G B Y，Y U AN H N An i n t e l l i g e n t d i s p l a c e m e n t b a c k a n a l y s i s m e t h o d f o r e a r t h r o c k fi l l d a ms J C o mp u t e r s a n d G e o t e c h n i c s，2 0 0 7，3 4(6)：4 2 3-4 3 4 f 4 魏海 坤 神经 网络结构设计 的理论 与方 法 MI 北京：国防工业 出 版 礼，2 0 0 5 (WE I H a i k u n Ne u r a l n e t w o r k d e s i g n t h e o r y a n d me t h o d s M B e i j i n g：N a t i o n D e f e n s e I n d u s t r y P r e s s，2 0 0 5(i n C h i n e s e)【5 D O R I G O M，S T t T Z L E T 蚁群优化【M】张 军，胡晓敏，罗旭 耀译 北 京：清 华大学 出版 社，2 0 0 7 (DO R I G O M，S T t i T Z L E T A n t c o l o n y o p t i mi z a t i o n M T r a n s l a t e d b y Z H A NG J u n，HU X i a o m i n，L U O X u y a o B e i j i n g：T s in g h u a U n i v e r s i t y P r e s s，2 0 0 7 (i n C h i n e s e)6 D e n e u b o u r g J L，G o s s S，F r a n k s N，e t a 1 T h e d y n a mi c s o f c o l l e c t i v e s o rt i n g：r o b o t l i k e a n t a n d a n t l i k e r o b o t A P r o c e e d i n g s F i r s t C o n f e r e n c e o n S i mu l a t i o n o f A d a p t i v e B e h a v i o r：f r o m A n i ma l s t o A n i ma t e s【C】Ca mb r i d g e，MA：M1 T P r e s s，1 9 91 7 1 蒋玲艳，张军，钟树鸣 蚁群算法的参数分析 计算机工程与应 用，2 0 0 7(2 0)：3 1 3 6 8 周晓刚，洪春勇 蚁群聚类算法在客户分类中的应用计算机与现