1994年No.6 北京科技大学学报 ·515· BP网络模型的拓扑结构一旦确定，接下来的问题就是训练这个模型， 首先，将收集的矿山实例进行整理，每个矿山实例的工程背景描述参数和主要技术经济指 标构成一学习样本，前者为BP网络模型的输人特征向量，后者作为模型的期望输出特征向 量.这些学习样本构成学习样本集合，放人数据文件，供训练模型使用.1个与BP网络模型对应 的采矿方法对应1个这样的数据文件. 然后，计算机将学习样本提供给BP网络模型，即将学习样本的输入特征向量和期望输出 特征向量，同时加在模型的输人层和输出层，当模型的实际输出值与期望输出特征向量之间 的误差小于设置时，这轮机器学习结束，紧接着进行下一轮学习，直到模型的权值稳定（不变 或变化量小于规定值)为止， 3.3BP网络模型的测试 对训练后的BP网络模型，需要进行测试，以检验其可靠性和实用性.我们采用两种方法 进行测试：1种是将学习样本作为检验样本，以检验模型的回响情况；另1种是用非学习样本作为 检验样本，以检验模型的预测能力. 下面，以普通全面法为例，说明建造BP网络模型的具体过程. 4实例 收集的实例来源于文献4~⑨，整理后得工程实例集合，共有14个实例.由于采用 Sigmoid型函数为活化函数，需要将样本数据变换为[0,1]之间的数.从变换后的工程实例集 中，随意抽出两个实例（供后面检验模型用，本文抽取的是第1和第7实例）后，其余的构成学 习样本集合.将样本集合放入普通全面法所对应的数据文件F111.DAT. BP网络模型的拓扑结构为：输入层节点数9，输出层节点数7，隐层节点数36 用FlI1.DAT数据文件训练BP网络模型，计算机经过约10min的时间完成训练工作.训 练时的最大总误差设置为0.001，最大单项误差设置为0.0001. 对训练后的BP网络模型进行以下测试： ()将变换后的工程实例集中的样本输人特征向量，作为模型的输入，模型几乎马上给出 结果.所得相对误差，系指模型实际输出值与期望输出值之间的相对误差，它们表明，回响是 成功的. (2)将变换后的工程实例集中的第1和第7实例（非学习样本）的输入特征向量，作为模型的 输入，则得出预测检验结果如表1. 表1普通全面法的预测检验结果 Table 1 Prediction tests for open stoping network 样本编号 模型实际输出值 相对误差% 1 0.64210.59600.77060.12040.2887028290.08460.730.420.423.832.108.1923.79 7 0.37890.87460.63770.19560.44330.58650.22461.060.030.341.351.471.661.111尧( 辫 年 N 6 . 6 北 京 科 技 大 学 学 报 B P 网 络模 型的拓 扑结 构 一旦 确定 , 接下 来的 问题就 是训 练这个 模 型 . 首先 , 将收集 的 矿 山 实例进 行 整理 , 每 个矿 山实例 的工程 背景 描述参数和主要 技 术经 济指 标 构成 一学 习 样 本 , 前 者 为 B P 网络模 型 的输人特 征 向量 , 后 者 作 为 模 型 的期 望 输 出特 征 向 量 . 这 些学 习 样 本构成 学 习 样 本集 合 , 放人数据文件 , 供训练模 型使 用 . 1 个 与B P 网络 模 型对应 的采矿 方法 对应 1 个这 样 的数 据文 件 . 然 后 , 计算 机将学 习 样本 提供给 B P 网络模 型 , 即将学 习 样 本的输 人特 征 向量 和 期 望 输 出 特征 向量 , 同时加在模 型 的输 人层 和输 出层 , 当模型 的实 际输 出值 与期 望 输出 特 征 向量 之 间 的误差 小于 设置 时 , 这 轮 机器 学 习结束 , 紧接 着进行 下 一 轮 学 习 , 直 到模 型 的权 值 稳 定 ( 不 变 或 变化 量小于 规定值 )为 止 . .3 3 B P 网络模型 的测试 对 训练 后 的 B P 网络模 型 , 需要 进行 测试 , 以 检 验其 可靠 性 和 实 用 性 . 我 们 采 用 两 种 方 法 进行测试:l 种是将学 习样本作 为检验样本 , 以检验模型的回响情况 ; 另 1 种是用非 学习样 本作 为 检验 样本 , 以检 验模 型 的预 测能力 . 下 面 , 以普 通全 面法 为 例 , 说明建 造 B P 网络 模 型的具体 过程 . 4 实例 收 集 的 实 例 来 源 于 文献 【4 一 司 , 整 理 后 得 工 程 实 例 集 合 , 共 有 14 个 实 例 . 由 于 采 用 S ig mo id 型 函 数 为 活 化 函 数 , 需 要 将 样 本数 据 变 换 为 0[ , l] 之 间 的 数 . 从变 换 后 的工 程 实 例 集 中 , 随意 抽 出两个 实例 (供后 面检 验模 型用 , 本文抽 取 的是第 1 和第 7 实 例 ) 后 , 其 余 的构 成 学 习 样 本集合 . 将样本 集合 放 人普通 全面 法所对 应的数 据文 件 F l 1 . D A .T B P 网络模 型 的拓 扑结构 为 : 输人 层节点 数 9 , 输 出层 节点 数 7 , 隐层节 点数 36 . 用 F l l . D A T 数据 文件 训练 B P 网络模型 , 计算 机经 过约 10 而 n 的时 间完 成训 练 工 作 . 训 练 时 的最大 总误 差设 置 为 .0 0 01 , 最大 单项误 差设置 为 .0 00 1 . 对训 练 后的 B P 网络 模 型进 行 以 下测 试: (l) 将 变换 后 的工程 实 例集 中 的样本输 人特征 向量 , 作 为模 型 的输 人 , 模型 几 乎 马 上 给 出 结果 . 所得相 对误 差 , 系指 模 型实 际输 出值与期望 输 出值之 间 的相 对误 差 . 它 们表 明 , 回 响是 成功 的 . ( 2) 将变换后 的工程实 例集 中的第 1 和第 7 实例 (非学 习样本 ) 的输人特 征 向量 , 作 为模型 的 输 人 , 则 得 出预测检验 结果 如表 1 . 表 1 普通全面法 的预 测检验 结果 aT ble 1 1、 日 11比on t“ 如 for 0 1脚I OtS 加嗯 【犯抽o kr 样 本编号 模 型实际输 出值 相对 误差 了% O石42 0 . 5 96 0 0 . 7 70 6 0 . 120 4 02 88 7 02 8 2 9 0刀84 6 0名74 6 0 . 6 37 7 0 . 195 6 0 . 4 43 3 0 . 586 5 0 . 224 6 0 7 3 0 一 42 1 . 肠 0 . 03 0 . 42 3名3 2 . 10 8 . 19 1 . 6 2 3刀9 0 . 378 9 0 . 34 1 . 35 1 . 4 7