无导师学习神经网络的分类-矿井突水水源判别

无导师学习神经网络的分类——矿井突水水源判别无导师学习神经网络的分类——矿井突水水源判别1、案例背景如第25章及第26章所述，对于有导师学习神经网络，事先需要知道与输入相对应的期望输出，根据期望输出与网络输出间的偏差来调整网络的权值和阈值。然而，在大多数情况下，由于人们认知能力以及环境的限制，往往无法或者很难获得期望的输出，在这种情况下，基于有导师学习的神经网络往往是无能为力的。与有导师学习神经网络不同，无导师学习神经网络在学习过程中无需知道期望的输出。其与真实人脑中的神经网络类似，可以通过不断地观察、分析与比较，自动揭示样本中的内在规律和本质，从而可以对具有近似特征(属性)的样本进行准确地分类和识别。本章将详细介绍竞争神经网络与自组织特征映射(SOFM)神经网络的结构及原理，并以实例说明其具体的应用范围及效果。近年来，国内煤矿事故时有发生，严重危害了人们的生命和财产安全。其中，由于煤矿突水造成的事故不容忽视。因此，不少专家和学者致力于研究矿井突水事故的预防，突水水源的判别对预测矿井突水事故的发生有着重要的意义。相关研究表明，可以利用水化学法判别矿井的突水水源，其基本依据是:由于受到含水层的沉积期、地层岩性、建造和地化环境等诸多因素的影响，使储存在不同含水层中的地下水主要化学成分有所不同。为了准确地判别突水水源，需要综合多种因素，用的比较多的是“7大离子”溶解氧、硝酸根离子等。目前，有很多种判别突水水源的方法，如模糊综合评判、模糊聚类分析、灰色关联度法等，然而这些方法都要事先假定模式或主观规定一些参数，致使评价的结果主观性较强。现采集到某矿的39个水源样本，分别来自于4个主要含水层:二灰和奥陶纪含水层、八灰含水层、顶板砂岩含水层和第四系含水层(砂砾石成分以石灰岩为主)。以每个水源样本中的等7种离子的含量作为判别因素，试利用竞争神经网络和SOFM神经网络分别建立判别模型，并对模型的性能进行综合评价。2、案例目录:27.1理论基础27.1.1竞争神经网络概述1.竞争神经网络的结构2.竞争神经网络的学习算法3.竞争神经网络的MATLAB工具箱函数27.1.2SOFM神经网络概述1.SOFM神经网络的结构2.SOFM神经网络的学习算法3.SOFM神经网络的MATLAB工具箱函数27.2案例背景27.2.1问题描述27.2.2解决思路及步骤27.3MATLAB程序实现27.3.1清空环境变量27.3.2训练集/测试集产生27.3.3竞争神经网络创建、训练及仿真测试27.3.4SOFM神经网络创建及仿真测试27.3.5性能评价27.3.6结果分析27.4延伸阅读27.4.1竞争神经网络与SOFM神经网络性能对比27.4.2案例延伸27.5参考文献3、主程序:%%清空环境变量clearallclc%%训练集/测试集产生%导入数据loadwater_data.mat%数据归一化attributes=mapminmax(attributes);%训练集——35个样本P_train=attributes(:,1:35);T_train=classes(:,1:35);%测试集——4个样本P_test=attributes(:,36:end);T_test=classes(:,36:end);%%竞争神经网络创建、训练及仿真测试%创建网络net=newc(minmax(P_train),4,0.01,0.01);%设置训练参数net.trainParam.epochs=500;%训练网络net=train(net,P_train);%仿真测试%训练集t_sim_compet_1=sim(net,P_train);T_sim_compet_1=vec2ind(t_sim_compet_1);%测试集t_sim_compet_2=sim(net,P_test);T_sim_compet_2=vec2ind(t_sim_compet_2);%%SOFM神经网络创建、训练及仿真测试%创建网络net=newsom(P_train,[44]);%设置训练参数net.trainParam.epochs=200;%训练网络net=train(net,P_train);%仿真测试%训练集t_sim_sofm_1=sim(net,P_train);T_sim_sofm_1=vec2ind(t_sim_sofm_1);%测试集t_sim_sofm_2=sim(net,P_test);T_sim_sofm_2=vec2ind(t_sim_sofm_2);%%结果对比%竞争神经网络result_compet_1=[T_train'T_sim_compet_1']result_compet_2=[T_test'T_sim