基于蚁群聚类的RBF网络在人因失误预测中的应用

[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（RBF）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； RBF网络； 人因失误

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60%以上，由此引发的重大灾难事故比率更是高达90%以上[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（RBF）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。

对上述35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心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BP网络被较多的应用于反演问题[2][3]。

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。BP网络是一种全局逼近网络，存在易陷入局部最优，训练速度慢，网络结构难以确定等问题。

径向基（RBF）网络是一种新型的神经网络（ANN）模型[4]，与BP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. Dorigo和T. Stützle[5]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RBF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RBF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RBF网络模型。蚁群聚类（ACC）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

Deneubourg等人最早对蚁群聚类算法展开研究[6]，提出了蚁群聚类算法的基本模型。Lumer和Faieta将Deneubourg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]：蚂蚁从第i（1，2，…，n）个模式样本向第j（1，2，…，k）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τij，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，q0为（0，1）之间的常数，为确定性概率[]。若q≤q0，则根据式（2）计算出来的概率，随机选择下一个聚类中心S。

3 蚁群聚类优化RBF神经网络

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。ACCRBF网络实现步骤如下：

1）初始化：设定Max Iterative Number，Ants Number，r，n，ε0，α，c，P0等参数，初始聚类中心选择为前j个输入样本。

2）采用蚁群聚类算法计算n个输入样本的j个聚类中心zj，作为RBF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σj=γdj （dj为第j个数据中心与离它最近的数据中心之间的距离；γ为重叠系数，用于调整扩展常数）。

重新计算E。

（6）：如果E-E'

4 基于ACC优化RBF的训练及预测

4.1 RBF神经网络输入端数据处理

4.2 RBF神经网络的训练及预测

1）样本训练

选取50组样本用于训练。取蚁群聚类的中心值为RBF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10组样本用于检验ACCRBF网络的性能，用训练好的网络对评测者的失误率进行预测计算。计算结果的精度见表1。

5 结论

1）将蚁群聚类算法与RBF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。基函数中心是影响RBF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RBF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].山东科技大学学报自然科学版，2010， 29（4）： 84-86.

[2] WANG Z L，LI Y C，SHEN R F. Correction of soil parameters in calculation of embankment settlement using a BP network back-analysis model[J]. Engineering Geology，2007，91（2/4）：168-177.

[3] YU Y Z，ZHANG B Y，YUAN H N. An intelligent displacement back-analysis method for earth-rockfill dams[J]. Computers and Geotechnics，2007，34（6）：423-434.

[4] 魏海坤. 神经网络结构设计的理论与方法[M]. 北京：国防工业出版社，2005.（WEI Haikun.Neural network design theoryand methods[M]. Beijing：National Defense Industry Press，2005.（in Chinese））

[5] DORIGO M，STüTZLE T. 蚁群优化[M]. 张 军，胡晓敏，罗旭耀译. 北京：清华大学出版社，2007.（ DORIGO M，STüTZLE T. Ant colony optimization[M]. Translated by ZHANG Jun，HU Xiaomin，LUOXuyao. Beijing：Tsinghua University Press，2007.（in Chinese））

[6] Deneubourg J L， Goss S， FranksN， eta.l The dynamics of collective sorting： robot-like antand ant-like robot [A]. Proceedings First Conference on Simulation of Adaptive Behavior： from Animals to Animates [C]. Cambridge， MA： MIT Press， 1991.

[7] 蒋玲艳，张军，钟树鸣.蚁群算法的参数分析[J].计算机工程与应用，2007（20）：31.36.

[8] 周晓刚，洪春勇.蚁群聚类算法在客户分类中的应用[J].计算机与现代化， 2007 （5）： 33-35. Zhou Xiaogang， Hong Chunyong. Application of ant colony clustering algorithm in customers classification [J]. Computer and Modernization， 2007 （5）： 33-35.

[9] 杨 燕，靳 蕃， Mohamed Kame，l等.一种基于蚁群算法的聚类组合方法[J].铁道学报， 2004， 26 （4）： 64-69.Yang Yan， Jin Fan， MohamedKame，l eta.l Clustering combination based on antcolony algorithm [J]. Journal of the China Railway Society， 2004， 26 （4）： 64-69.

[10] 武方方.一种基于蚁群聚类的径向基神经网络[J].西安交通大学学报，2006（4）：386-389.

[11] GARG S，PATRA K，PAL S K，et al. Effect of different basis functions on a radial basis function network in prediction of drill flank wear from motor current signals[J]. Soft Computing，2008，12（8）：777-787.