本发明涉及岩土工程
技术领域：
，尤其涉及一种基于随机ga-bp神经网络群的爆破块度预测方法、装置及介质。
背景技术：
：岩石爆破块度大小是评价爆破效果的重要指标，影响着后续的铲装、运输等工序，和整个相关生产过程的效益息息相关，且不同的爆破作业，爆破后的岩石目标块度不同。因此，国内外许多专家学者在研究岩石爆破块度的预测模型上做出来许多努力。kuz-ram模型是第一个台阶爆破块度预测方程，是一个用于计算筛分曲线遵循rr函数的台阶爆破圆的平均碎片尺寸和均匀性指数n的方程。此外，还有利用split-desktop软件进行图像分析，找出破碎岩石的块度分布、均匀性指数和平均粒径，然后，采用多元回归方法和决策试验与评价实验室(dematel)技术，建立了均匀度指数和平均块度的新模型。还有利用世界上不同的矿山和岩层中进行的几次爆破事件的数据建立小型的爆破数据库，并采用层次聚类分析方法将数据分为两组，运用多元回归分析建立了各组爆破块度分布的预测方程。随着机器学习的迅猛发展，各种对爆破块度预测方法层出不穷。如针对传统台阶爆破块度分布评价方法存在的问题，基于统计学习理论，采用支持向量机(svm)回归方法预测了不同矿山岩石爆破产生的平均粒度(x50)。还如用bp神经网络替代多元回归分析建立各组爆破块度分布的预测方程，采用四种训练方法训练，确定了levenberg–marquardt(lm)算法为最佳训练方法。目前，在爆破块度预测方面，bp神经网络被广泛使用。虽然bp神经网络被广泛的应用于爆破块度预测，但bp神经网络存在学习速度慢、极易陷入局部极小值等缺陷。在实际应用到爆破块度预测过程中，效率较低，且其预测值误差偏大，其预测可靠性不高。技术实现要素：本发明提供了一种基于随机ga-bp神经网络群的爆破块度预测方法、装置及介质，以解决现有技术中基于bp神经网络预测爆破块度的误差偏大且可靠性不足的问题。本发明第一方面，提供了一种基于随机ga-bp神经网络群的爆破块度预测方法，包括：获取待爆破地区的爆破参数；基于所述爆破参数提取得到爆破特征数据；依据所述爆破特征数据和预设的随机ga-bp神经网络群爆破块度预测模型，预测待爆破地区的爆破平均块度；其中，所述预设的随机ga-bp神经网络群爆破块度预测模型为通过已爆破地区历史爆破数据对随机ga-bp神经网络群进行训练后得到。通过获取的待爆破地区的爆破参数和训练好的随机ga-bp神经网络群爆破块度预测模型，可对待爆破地区爆破后的爆破平均块度进行预测，以便合理调整设计爆破参数，使爆破平均块度的预测值满足要求，以确保实施爆破后的的爆破效果达到工况要求，其中已爆破地区和待爆破地区为同一区域或相近区域。而且本发明以通过已爆破地区历史爆破数据对随机ga-bp神经网络群进行训练后得到的随机ga-bp神经网络群爆破块度预测模型对爆破平均块度进行预测，随机ga-bp神经网络群爆破块度预测模型是基于随机森林算法的思想并以ga-bp神经网络为核心而建立的，首先通过遗传算法(ga)可减少bp神经网络限于局部极小值的可能，最后结合随机森林算法的思想使输出的爆破平均块度预测结果更加准确稳定，有效提高了爆破平均块度预测值的精度和可靠性。进一步地，所述预设的随机ga-bp神经网络群爆破块度预测模型为通过已爆破地区历史爆破数据对随机ga-bp神经网络群进行训练后得到，具体包括：获取已爆破地区历史爆破数据中的爆破参数及爆破平均块度；基于已爆破地区的所述爆破参数提取得到已爆破地区的爆破特征数据，并对爆破特征数据进行标准化预处理，然后基于预处理后的已爆破地区的爆破特征数据及其对应的爆破平均块度构建爆破样本集；通过随机有放回的抽样方法从所述爆破样本集中抽取n组子训练集，n为预设值；以爆破特征数据为输入，以对应的爆破平均块度为输出，用n组子训练集分别对ga-bp神经网络进行训练，得到n个ga-bp神经网络爆破块度预测模型；其中，每训练得到一个ga-bp神经网络爆破块度预测模型，均使用对应的子测试集对该ga-bp神经网络爆破块度预测模型分别进行检验；若该ga-bp神经网络爆破块度预测模型的预测误差超过预设值，则重新随机从所述爆破样本集中抽取一组子训练集及对应的子测试集，利用该组子训练集建立一个ga-bp神经网络爆破块度预测模型，并使用对应的子测试集对其进行检验，直到得到的ga-bp神经网络爆破块度预测模型的预测误差未超过预设值；根据n个ga-bp神经网络爆破块度预测模型各自的预测误差计算其各自对应的权重，基于n个ga-bp神经网络爆破块度预测模型建立随机ga-bp神经网络群爆破块度预测模型，该随机ga-bp神经网络群爆破块度预测模型输出的爆破平均块度预测值为n个ga-bp神经网络爆破块度预测模型各自的输出与其对应的权重的乘积之和。其中，n个ga-bp神经网络爆破块度预测模型各自对应的权重通过如下公式进行计算：式中，ei为n个ga-bp神经网络爆破块度预测模型中的第i个预测模型的误差，xi为第i个ga-bp神经网络爆破块度预测模型的权重。随机ga-bp神经网络群爆破块度预测模型输出结果的数学模型为：式中：xi为第i个ga-bp神经网络爆破块度预测模型的权重，yi为第i个ga-bp神经网络爆破块度预测模型的输出，y为n个ga-bp神经网络爆破块度预测模型加权平均后的总输出，也就是随机ga-bp神经网络群爆破块度预测模型的输出，即爆破平均块度的预测值。随机森林算法(rf)采用随机有放回的抽样方法选择训练数据,构造多个决策树分类器,是通过随机选择特征来构建最优分割,最后将构造的弱分类器进行组合来增加整体的效果。随机森林算法(rf)的随机性体现在选择数据和特征的随机，即使数据或特征存在遗失，随机森林算法(rf)也会有一个较为准确的结果。此外，由于构造了多个分类器，所以可以减少或消除某个分类器的结果的带来的误差。本发明结合随机森林算法(rf)的思想，用ga-bp神经网络爆破块度预测模型代替决策树分类器，提出以ga-bp神经网络爆破块度预测模型为核心的随机ga-bp神经网络群爆破块度预测模型。该随机ga-bp神经网络群爆破块度预测模型继承了随机森林算法(rf)思想的优点，通过平衡误差来保证随机ga-bp神经网络群爆破块度预测模型的输出结果的精确度和稳定性，以泛化能力、容错力强来弥补ga-bp神经网络爆破块度预测模型的容错能力和泛化能力的不足。进一步地，所述ga-bp神经网络为通过遗传算法对bp神经网络进行优化后得到，具体包括：a1、随机生成多组bp神经网络的权值和阈值，并对权值和阈值进行编码；a2、对多组权值和阈值分别进行适应度评价；a3、若存在一组或多组权值和阈值对应的评价结果达到要求，即bp神经网络输出层输出的爆破块度预测值的误差在预设范围内，则选择bp神经网络输出层输出的爆破块度预测值误差最小的所对应的一组权值和阈值作为最优权值和最优阈值，将最优权值和最优阈值作为bp神经网络的权值和阈值，得到ga-bp神经网络；若没有一组权值和阈值对应的评价结果达到要求，则对多组权值和阈值进行选择、交叉、变异，产生新的多组权值和阈值，并返回步骤a2。其中，对多组权值和阈值分别进行适应度评价所采用的适应度函数为bp神经网络，在用bp神经网络进行评价中，评价方法采用均方误差或均方根误差，若一组权值和阈值适应度评价时对应的均方误差或均方根误差小于预设值，则评价结果达到要求。其中均方误差(mse)和均方根误差(rmse)的计算公式如下：式中，yi为实际爆破平均块度值，为bp神经网络输出的爆破平均块度预测值，n为训练样本总数。遗传算法(ga)是一种模拟自然界适者生存、优胜劣汰遗传机制的进化规律演化而来的随机化搜索方法。它通过选择、交叉、变异的概率化的寻优方法将问题解编码表示的“染色体”群一代代不断进化，最终收敛到最适应的群体，从而求得问题的最优解或满意解。具有内在的隐并行性和更好的全局寻优能力。以遗传算法(ga)优化bp神经网络，主要是利用遗传算法的全局搜索能力，可以对多组权值和阈值进行适应度评价的特点来优化bp神经网络的权值和阈值，进而减少建立的ga-bp神经网络爆破块度预测模型陷入极小值的可能。进一步地，所述基于已爆破地区的所述爆破参数提取得到已爆破地区的爆破特征数据之后还包括：对得到的爆破特征数据及对爆破平均块度进行标准化预处理。进一步地，所述爆破参数包括抵抗线、孔间间距、台阶高度、堵塞长度、炮孔直径、炸药单耗、岩石弹性模量及原位岩石块度；基于所述爆破参数提取得到的爆破特征数据包括台阶高度与抵抗线比、孔间间距与抵抗线比、抵抗线与炮孔直径比、堵塞长度与抵抗线比、炸药单耗、原位岩石块度及岩石弹性模量。本发明第二方面，提供了一种基于随机ga-bp神经网络群的爆破块度预测装置，包括：第一数据获取模块，用于获取待爆破地区的爆破参数；第一数据提取模块，用于基于所述爆破参数提取得到爆破特征数据；爆破平均块度预测模块，用于依据所述爆破特征数据和预设的随机ga-bp神经网络群爆破块度预测模型，预测待爆破地区的爆破平均块度；其中，所述预设的随机ga-bp神经网络群爆破块度预测模型为通过已爆破地区历史爆破数据对随机ga-bp神经网络群进行训练后得到。进一步地，所述基于已爆破地区的所述爆破参数提取得到已爆破地区的爆破特征数据之后还包括：对得到的爆破特征数据及对爆破平均块度进行标准化预处理。第二数据获取模块，用于获取已爆破地区历史爆破数据中的爆破参数及爆破平均块度；第二数据提取模块，用于基于已爆破地区的所述爆破参数提取得到已爆破地区的爆破特征数据，并对爆破特征数据进行标准化预处理，然后基于预处理后的已爆破地区的爆破特征数据及其对应的爆破平均块度构建爆破样本集；随机ga-bp神经网络群爆破块度预测模型生成模块，用于生成随机ga-bp神经网络群爆破块度预测模型，其包括：抽样单元，用于通过随机有放回的抽样方法从所述爆破样本集中抽取n组子训练集及对应的子测试集，n为预设值；ga-bp神经网络爆破块度预测模型生成单元，用于以爆破特征数据为输入，以对应的爆破平均块度为输出，用n组子训练集分别对ga-bp神经网络进行训练，得到n个ga-bp神经网络爆破块度预测模型；其中，每训练得到一个ga-bp神经网络爆破块度预测模型，均使用对应的子测试集对该ga-bp神经网络爆破块度预测模型分别进行检验；若该ga-bp神经网络爆破块度预测模型的预测误差超过预设值，则重新随机从所述爆破样本集中抽取一组子训练集及对应的子测试集，利用该组子训练集建立一个ga-bp神经网络爆破块度预测模型，并使用对应的子测试集对其进行检验，直到得到的ga-bp神经网络爆破块度预测模型的预测误差未超过预设值；随机ga-bp神经网络群爆破块度预测模型生成单元，用于根据n个ga-bp神经网络爆破块度预测模型各自的预测误差计算其各自对应的权重，基于n个ga-bp神经网络爆破块度预测模型建立随机ga-bp神经网络群爆破块度预测模型，该随机ga-bp神经网络群爆破块度预测模型输出的爆破平均块度预测值为n个ga-bp神经网络爆破块度预测模型各自的输出与其对应的权重的乘积之和。进一步地，ga-bp神经网络爆破块度预测模型生成单元包括：ga-bp神经网络生成子单元，用于通过遗传算法对bp神经网络进行优化，得到ga-bp神经网络，优化具体过程包括：b1、随机生成多组bp神经网络的权值和阈值，并对权值和阈值进行编码；b2、对多组权值和阈值分别进行适应度评价；b3、若存在一组或多组权值和阈值对应的评价结果达到要求，即bp神经网络输出层输出的爆破块度预测值的误差在预设范围内，则选择bp神经网络输出层输出的爆破块度预测值误差最小的所对应的一组权值和阈值作为最优权值和最优阈值，将最优权值和最优阈值作为bp神经网络的权值和阈值，得到ga-bp神经网络；若没有一组权值和阈值对应的评价结果达到要求，则对多组权值和阈值进行选择、交叉、变异，产生新的多组权值和阈值，并返回步骤b2；ga-bp神经网络爆破块度预测模型生成子单元，用于以爆破特征数据为输入，以对应的爆破平均块度为输出，用n组子训练集分别对ga-bp神经网络进行训练，建立n个ga-bp神经网络爆破块度预测模型。进一步地，所述爆破参数包括抵抗线、孔间间距、台阶高度、堵塞长度、炮孔直径、炸药单耗、岩石弹性模量及原位岩石块度；基于所述爆破参数提取得到的爆破特征数据包括台阶高度与抵抗线比、孔间间距与抵抗线比、抵抗线与炮孔直径比、堵塞长度与抵抗线比、炸药单耗、原位岩石块度及岩石弹性模量。本发明第三方面，提供了一种计算机可读存储介质，所述存储介质存储有程序指令，所述程序指令适于处理器加载并执行如本发明第一方面所述的基于随机ga-bp神经网络群的爆破块度预测方法。有益效果本发明提出了一种基于随机ga-bp神经网络群的爆破块度预测方法、装置及介质，通过获取的待爆破地区的爆破参数和训练好的随机ga-bp神经网络群爆破块度预测模型，可对待爆破地区爆破后的爆破平均块度进行预测，以便合理调整设计爆破参数，使爆破平均块度的预测值满足要求，以确保实施爆破后的的爆破效果达到工况要求。而且本发明以通过已爆破地区历史爆破数据对随机ga-bp神经网络群进行训练后得到的随机ga-bp神经网络群爆破块度预测模型对爆破平均块度进行预测，随机ga-bp神经网络群爆破块度预测模型是基于随机森林算法的思想并以ga-bp神经网络为核心而建立的，首先通过遗传算法(ga)可减少bp神经网络限于局部极小值的可能，最后结合随机森林算法的思想使输出的爆破平均块度预测结果更加准确稳定，有效提高了爆破平均块度预测值的精度和可靠性。附图说明图1是本发明实施例提供的一种基于随机ga-bp神经网络群的爆破块度预测方法的流程图；图2是本发明实施例提供的随机ga-bp神经网络群的爆破块度预测模型建立流程图；图3是本发明实施例提供的利用遗传算法对每个bp神经网络进行优化流程图。具体实施方式下面结合附图及具体实施方式对本发明进行详细说明。实施例1如图1所示，本实施例提供了一种基于随机ga-bp神经网络群的爆破块度预测方法，包括：步骤s01：获取待爆破地区的爆破参数；步骤s02：基于所述爆破参数提取得到爆破特征数据；步骤s03：依据所述爆破特征数据和预设的随机ga-bp神经网络群爆破块度预测模型，预测待爆破地区的爆破平均块度；其中，所述预设的随机ga-bp神经网络群爆破块度预测模型为为通过已爆破地区历史爆破数据对随机ga-bp神经网络群进行训练后得到。通过获取的待爆破地区的爆破参数和训练好的随机ga-bp神经网络群爆破块度预测模型，可对待爆破地区爆破后的爆破平均块度进行预测，以便合理调整设计爆破参数，使爆破平均块度的预测值满足要求，以确保实施爆破后的的爆破效果达到工况要求，其中已爆破地区和待爆破地区为同一区域或相近区域。而且本发明以通过已爆破地区历史爆破数据对随机ga-bp神经网络群进行训练后得到的随机ga-bp神经网络群爆破块度预测模型对爆破平均块度进行预测，随机ga-bp神经网络群爆破块度预测模型是基于随机森林算法的思想并以ga-bp神经网络为核心而建立的，首先通过遗传算法(ga)可减少bp神经网络限于局部极小值的可能，最后结合随机森林算法的思想使输出的爆破平均块度预测结果更加准确稳定，有效提高了爆破平均块度预测值的精度和可靠性。具体的，如图2所示，本实施例中，所述预设的随机ga-bp神经网络群爆破块度预测模型为通过已爆破地区历史爆破数据对随机ga-bp神经网络群进行训练后得到，具体包括：获取已爆破地区历史爆破数据中的爆破参数及爆破平均块度；基于已爆破地区的所述爆破参数提取得到已爆破地区的爆破特征数据，并对爆破特征数据及爆破平均块度进行标准化预处理，然后基于预处理后的已爆破地区的爆破特征数据及其对应的爆破平均块度构建爆破样本集；通过随机有放回的抽样方法从所述爆破样本集中抽取n组子训练集及对应的子测试集，n为预设值，具体实施时，可采用bootstrap抽样方法，每组子训练集中样本数与子测试集中样本数之比为3～10:1；以爆破特征数据为输入，以对应的爆破平均块度为输出，用n组子训练集分别对ga-bp神经网络进行训练，得到n个ga-bp神经网络爆破块度预测模型；其中，每训练得到一个ga-bp神经网络爆破块度预测模型，均使用对应的子测试集对该ga-bp神经网络爆破块度预测模型分别进行检验；若该ga-bp神经网络爆破块度预测模型的预测误差超过预设值，则重新随机从所述爆破样本集中抽取一组子训练集及对应的子测试集，利用该组子训练集建立一个ga-bp神经网络爆破块度预测模型，并使用对应的子测试集对其进行检验，直到得到的ga-bp神经网络爆破块度预测模型的预测误差未超过预设值；根据n个ga-bp神经网络爆破块度预测模型各自的预测误差计算其各自对应的权重，基于n个ga-bp神经网络爆破块度预测模型建立随机ga-bp神经网络群爆破块度预测模型，该随机ga-bp神经网络群爆破块度预测模型输出的爆破平均块度预测值为n个ga-bp神经网络爆破块度预测模型各自的输出与其对应的权重的乘积之和。其中，n个ga-bp神经网络爆破块度预测模型各自对应的权重通过如下公式进行计算：式中，ei为n个ga-bp神经网络爆破块度预测模型中的第i个预测模型的误差，xi为第i个ga-bp神经网络爆破块度预测模型的权重。随机ga-bp神经网络群爆破块度预测模型输出结果的数学模型为：式中：xi为第i个ga-bp神经网络爆破块度预测模型的权重，yi为第i个ga-bp神经网络爆破块度预测模型的输出，y为n个ga-bp神经网络爆破块度预测模型加权平均后的总输出，也就是随机ga-bp神经网络群爆破块度预测模型的输出，即爆破平均块度的预测值。随机森林算法(rf)采用随机有放回的抽样方法选择训练数据,构造多个决策树分类器,是通过随机选择特征来构建最优分割,最后将构造的弱分类器进行组合来增加整体的效果。随机森林算法(rf)的随机性体现在选择数据和特征的随机，即使数据或特征存在遗失，随机森林算法(rf)也会有一个较为准确的结果。此外，由于构造了多个分类器，所以可以减少或消除某个分类器的结果的带来的误差。本发明结合随机森林算法(rf)的思想，用ga-bp神经网络爆破块度预测模型代替决策树分类器，提出以ga-bp神经网络爆破块度预测模型为核心的随机ga-bp神经网络群爆破块度预测模型。该随机ga-bp神经网络群爆破块度预测模型继承了随机森林算法(rf)的优点，通过平衡误差来保证随机ga-bp神经网络群爆破块度预测模型的输出结果的精确度和稳定性，以泛化能力、容错力强来弥补ga-bp神经网络爆破块度预测模型的容错能力和泛化能力的不足。更具体的，如图3所示，所述ga-bp神经网络为通过遗传算法对bp神经网络进行优化后得到，具体包括：a1、随机生成多组bp神经网络的权值和阈值，并对权值和阈值进行编码；a2、对多组权值和阈值分别进行适应度评价；a3、若存在一组或多组权值和阈值对应的评价结果达到要求，即bp神经网络输出层输出的爆破块度预测值的误差在预设范围内，则选择bp神经网络输出层输出的爆破块度预测值误差最小的所对应的一组权值和阈值作为最优权值和最优阈值，将最优权值和最优阈值作为bp神经网络的权值和阈值，得到ga-bp神经网络；若没有一组权值和阈值对应的评价结果达到要求，则对多组权值和阈值进行选择、交叉、变异，产生新的多组权值和阈值，并返回步骤a2。其中，对多组权值和阈值分别进行适应度评价所采用的适应度函数为bp神经网络，在用bp神经网络进行评价中，评价方法采用均方误差或均方根误差，若一组权值和阈值适应度评价时对应的均方误差或均方根误差小于预设值，则评价结果达到要求。其中均方误差(mse)和均方根误差(rmse)的计算公式如下：式中，yi为实际爆破平均块度值，为bp神经网络输出的爆破平均块度预测值，n为训练样本总数。遗传算法(ga)是一种模拟自然界适者生存、优胜劣汰遗传机制的进化规律演化而来的随机化搜索方法。它通过选择、交叉、变异的概率化的寻优方法将问题解编码表示的“染色体”群一代代不断进化，最终收敛到最适应的群体，从而求得问题的最优解或满意解。具有内在的隐并行性和更好的全局寻优能力。以遗传算法(ga)优化bp神经网络，主要是利用遗传算法的全局搜索能力，可以对多组权值和阈值进行适应度评价的特点来优化bp神经网络的权值和阈值，进而减少建立的ga-bp神经网络爆破块度预测模型陷入极小值的可能。当然，需明白的是，在其他实施例中，也可用殖民竞争算法(cca)、帝国主义竞争算法(ica)、人工蜂群算法(abc)、人工免疫系统(ais)、粒子群算法(pso)等优化算法代替遗传算法(ga)，上述算法的替换也属于本发明保护的范围。本实施例中，所述爆破参数包括抵抗线、孔间间距、台阶高度、堵塞长度、炮孔直径、炸药单耗、岩石弹性模量及原位岩石块度；基于所述爆破参数提取得到的爆破特征数据包括台阶高度与抵抗线比、孔间间距与抵抗线比、抵抗线与炮孔直径比、堵塞长度与抵抗线比、炸药单耗、原位岩石块度及岩石弹性模量。实施例2本实施例提供了一种基于随机ga-bp神经网络群的爆破块度预测装置，包括：第一数据获取模块，用于获取待爆破地区的爆破参数；第一数据提取模块，用于基于所述爆破参数提取得到爆破特征数据；爆破平均块度预测模块，用于依据所述爆破特征数据和预设的随机ga-bp神经网络群爆破块度预测模型，预测待爆破地区的爆破平均块度；其中，所述预设的随机ga-bp神经网络群爆破块度预测模型为通过已爆破地区历史爆破数据对随机ga-bp神经网络群进行训练后得到。本实施例中，还包括：第二数据获取模块，用于获取已爆破地区历史爆破数据中的爆破参数及爆破平均块度；第二数据提取模块，用于基于已爆破地区的所述爆破参数提取得到已爆破地区的爆破特征数据，并对爆破特征数据及爆破平均块度进行标准化预处理，然后基于预处理后的已爆破地区的爆破特征数据及其对应的爆破平均块度构建爆破样本集；随机ga-bp神经网络群爆破块度预测模型生成模块，用于生成随机ga-bp神经网络群爆破块度预测模型，其包括：抽样单元，用于通过随机有放回的抽样方法从所述爆破样本集中抽取n组子训练集及对应的子测试集，n为预设值；ga-bp神经网络爆破块度预测模型生成单元，用于以爆破特征数据为输入，以对应的爆破平均块度为输出，用n组子训练集分别对ga-bp神经网络进行训练，得到n个ga-bp神经网络爆破块度预测模型；其中，每训练得到一个ga-bp神经网络爆破块度预测模型，均使用对应的子测试集对该ga-bp神经网络爆破块度预测模型分别进行检验；若该ga-bp神经网络爆破块度预测模型的预测误差超过预设值，则重新随机从所述爆破样本集中抽取一组子训练集及对应的子测试集，利用该组子训练集建立一个ga-bp神经网络爆破块度预测模型，并使用对应的子测试集对其进行检验，直到得到的ga-bp神经网络爆破块度预测模型的预测误差未超过预设值；随机ga-bp神经网络群爆破块度预测模型生成单元，用于根据n个ga-bp神经网络爆破块度预测模型各自的预测误差计算其各自对应的权重，基于n个ga-bp神经网络爆破块度预测模型建立随机ga-bp神经网络群爆破块度预测模型，该随机ga-bp神经网络群爆破块度预测模型输出的爆破平均块度预测值为n个ga-bp神经网络爆破块度预测模型各自的输出与其对应的权重的乘积之和。更具体的，所述ga-bp神经网络爆破块度预测模型生成单元包括：ga-bp神经网络生成子单元，用于通过遗传算法对bp神经网络进行优化，得到ga-bp神经网络，优化具体过程包括：b1、随机生成多组bp神经网络的权值和阈值，并对权值和阈值进行编码；b2、对多组权值和阈值分别进行适应度评价；b3、若存在一组或多组权值和阈值对应的评价结果达到要求，即bp神经网络输出层输出的爆破块度预测值的误差在预设范围内，则选择bp神经网络输出层输出的爆破块度预测值误差最小的所对应的一组权值和阈值作为最优权值和最优阈值，将最优权值和最优阈值作为bp神经网络的权值和阈值，得到ga-bp神经网络；若没有一组权值和阈值对应的评价结果达到要求，则对多组权值和阈值进行选择、交叉、变异，产生新的多组权值和阈值，并返回步骤b2；ga-bp神经网络爆破块度预测模型生成子单元，用于以爆破特征数据为输入，以对应的爆破平均块度为输出，用n组子训练集分别对ga-bp神经网络进行训练，建立n个ga-bp神经网络爆破块度预测模型。本实施例中，所述爆破参数包括抵抗线、孔间间距、台阶高度、堵塞长度、炮孔直径、炸药单耗、岩石弹性模量及原位岩石块度；基于所述爆破参数提取得到的爆破特征数据包括台阶高度与抵抗线比、孔间间距与抵抗线比、抵抗线与炮孔直径比、堵塞长度与抵抗线比、炸药单耗、原位岩石块度及岩石弹性模量。本实施例提供的一种基于随机ga-bp神经网络群的爆破块度预测装置的其他具体实现，可参见实施例1提供基于随机ga-bp神经网络群的爆破块度预测方法，在此不再赘述。实施例3本实施例提供了一种计算机可读存储介质，所述存储介质存储有程序指令，所述程序指令适于处理器加载并执行如实施例1所述的基于随机ga-bp神经网络群的爆破块度预测方法。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。下面，结合一具体实例来对本发明提供的技术方案作进一步的说明。本实例中，数据本文数据来源于hudaverdietal.建立的包含全球多地爆破信息的数据库，该数据库包含97组爆破数据，每组数据包含8个决定爆破块度大小的爆破参数和对应的爆破平均块度(x50)，分别为六个主要爆破设计参数、一个岩体力学性质参数和一个岩体结构参数：抵抗线(b,m)、孔间间距(s,m)、台阶高度(h,m)、堵塞长度(t,m)、炮孔直径(d,m)、炸药单耗(pf,kg/m3)、岩石弹性模量(e,gpa)和原位岩石块度(xb,m)。由于一些爆破研究人员已经将爆破设计参数视为比例，所以本文将所有爆破数据的爆破参数进行提取得到爆破特征数据，爆破特征数据即模型的输入参数，包括台阶高度与抵抗线比(h/b)、孔间间距与抵抗线比(s/b)、抵抗线与炮孔直径比(b/d)、堵塞长度与抵抗线比(t/b)、炸药单耗(pf)、原位岩石块度(xb)和岩石弹性模量(e)。在随机ga-bp神经网络群爆破块度预测模型(rga-bpnng模型)训练过程中，为了防止因训练参数具有不同的量纲和数量级导致精度的损失，而且为了减少因数据集中最大值和最小值的误差对整个数据集的影响，对数据进行标准化预处理。表1为标准化预处理后的数据范围，数据均保留三位小数。将数据进行标准化预处理，其标准化过程公式为：式中：x为标准化前的数据集，xmean为x的平均值，y为标准化后的数据集，n为样本总数；本实例中，x、y表示的数据集可以是台阶高度与抵抗线比、孔间间距与抵抗线比、抵抗线与炮孔直径比、堵塞长度与抵抗线比、炸药单耗、原位岩石块度和岩石弹性模量及爆破平均块度中任一数据集。表1标准化预处理后的数据范围参数h/bs/bb/dt/bpfxbex50类别输入输入输入输入输入输入输入输出最小值-1.618-1.234-1.938-1.132-1.313-2.042-1.113-1.500最大值4.8052.1272.5045.0563.1042.3361.7083.490由于有七个输入参数，一个输出参数，所以bp神经网络(bpnn)的输入层和输出层分别为7层和1层。隐含层层数对bpnn的性能影响很大。一般来说，隐含层层数越多，bpnn的性能越好。但是可能会导致训练时间过长，或者产生过拟合现象，所以选择合适的隐含层数极其重要。目前来说，并没有一个合适的解析式来确定隐含层层数，通常的做法是根据经验公式得的隐含层层数的估计值，或者是根据个人经验选取合适的隐含层层数。为了减少整个rga-bpnng模型的迭代次数和运行时间成本，增加预测结果精确度，采用遗传算法(ga)对bpnn的隐含层数进行优化，结果表明当隐含层数为16时，预测结果最好，所以选择16作为隐含层的层数，则bpnn的结构为7×16×1。此外，隐含层选取tan-sigmoid函数作为传递函数，而输出层选取线性函数作为传递函数。并且在权值修正过程中选择levenberg-marquardt(trainlm)反向传播算法训练函数。同时，设定训练模型精度为0.001，学习率为0.1，最大迭代次数为1000。在遗传算法(ga)中，由于数据进行了标准化处理，所以设置初始种群取值范围为(-3,3)。种群规模设置为100，最大代数为200，交叉和变异概率分别为0.8和0.15。为了构建rga-bpnng模型并且评价模型的性能，82组数据作为训练集，剩下15组数据作为测试集。考虑到数据量，在此只列出测试集数据，见表2。由于构建ga-bp神经网络爆破块度预测模型(ga-bpnn模型)的过程，迭代次数过多，运行耗时过久，且当预测结果超限时，会重新构建一个新的ga-bpnn模型，再次增加了运行时间成本。但建立的ga-bpnn模型越多，rga-bpnng模型的性能就越好。因此为了减少程序运行时间且保证rga-bpnng模型的性能，本文建立20个ga-bpnn模型。另外以最大相对误差小于15％作为ga-bpnn模型合格的依据。当得到20个ga-bpnn模型后，根据平均相对误差计算相应ga-bpnn模型的权重。整个rga-bpnng模型建立完成后，得到了20组ga-bpnn模型的权值和阈值和它们分别对应的权重。表2测试集为了评估随机ga-bp神经网络群爆破块度预测模型(rga-bpnng模型)模型预测结果的稳定性和准确性，以相同的训练集和模型参数建立了3个rga-bpnng模型对测试集进行预测，并且分别建立了3个ga-bp神经网络爆破块度预测模型(ga-bpnn模型)作为对比，采用相关性系数(r2)、均方根误差(rmse)和均方误差(mre)三个指标作为评价标准。另外，在基于6个模型的预测程序中，bpnn的参数设置与模型的参数一致。表3、表4分别为3个rga-bpnng模型和3个ga-bpnn模型的预测值及相对误差，表5为6个模型的相关性系数(r2)、均方根误差(rmse)和平均相对误差(mre)值，表3、表4、表5中均保留三位小数。其中，相关性系数(r2)通过如下公式计算：式中，n表示rga-bpnng模型预测了n个测试集，得到了n个预测结果，为第i个预测结果，yi为n个测试集中的第i个测试样本的实际值。r2值越大表示模型预测效果越好。均方根误差(rmse)：式中，n表示rga-bpnng模型预测了n个测试集，得到了n个预测结果，为第i个预测结果，yi为n个测试集中的第i个测试样本的实际值。rmse值越小表示模型预测效果越好。平均相对误差(mre)：式中，n表示rga-bpnng模型预测了n个测试集，得到了n个预测结果，为第i个预测结果，yi为n个测试集中的第i个测试样本的实际值。mre值越小表示模型预测效果越好。表3rga-bpnng模型预测值表4ga-bpnn模型预测值表5预测模型统计指标由表5可知，第一、二个rga-bpnng模型的r2、rmse相同，分别为0.989和0.015，但第一个rga-bpnng模型的mre为4.040，相对于第二个rga-bpnng模型的4.936来说小一些，所以第一个rga-bpnng模型的预测性能最好。rga-bpnng模型中预测性能最差的模型要比ga-bpnn模型中预测性能最好的模型的预测效果优越。由表3、表4可知，虽然rga-bpnng模型在某个样本预测结果的相对误差会大于ga-bpnn模型预测结果的误差，在总体上rga-bpnng模型的预测效果是优于ga-bpnn模型的预测效果。另外，rga-bpnng模型的预测结果相对稳定、准确。因此，与ga-bpnn模型相比，本发明提出的rga-bpnng模型具有更高的预测精度，更稳定的预测效果，表明本发明提出的rga-bpnng模型是有效的，更能准确的对爆破块度做出预测。以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页1 2 3
技术特征：1.一种基于随机ga-bp神经网络群的爆破块度预测方法，其特征在于，包括：
获取待爆破地区的爆破参数；
基于所述爆破参数提取得到爆破特征数据；
依据所述爆破特征数据和预设的随机ga-bp神经网络群爆破块度预测模型，预测待爆破地区的爆破平均块度；其中，所述预设的随机ga-bp神经网络群爆破块度预测模型为通过已爆破地区历史爆破数据对随机ga-bp神经网络群进行训练后得到。
2.根据权利要求1所述的基于随机ga-bp神经网络群的爆破块度预测方法，其特征在于，所述预设的随机ga-bp神经网络群爆破块度预测模型为通过已爆破地区历史爆破数据对随机ga-bp神经网络群进行训练后得到，具体包括：
获取已爆破地区历史爆破数据中的爆破参数及爆破平均块度；
基于已爆破地区的所述爆破参数提取得到已爆破地区的爆破特征数据，然后基于已爆破地区的爆破特征数据及其对应的爆破平均块度构建爆破样本集；
通过随机有放回的抽样方法从所述爆破样本集中抽取n组子训练集及对应的子测试集，n为预设值；
以爆破特征数据为输入，以对应的爆破平均块度为输出，用n组子训练集分别对ga-bp神经网络进行训练，得到n个ga-bp神经网络爆破块度预测模型；其中，每训练得到一个ga-bp神经网络爆破块度预测模型，均使用对应的子测试集对该ga-bp神经网络爆破块度预测模型分别进行检验；若该ga-bp神经网络爆破块度预测模型的预测误差超过预设值，则重新随机从所述爆破样本集中抽取一组子训练集及对应的子测试集，利用该组子训练集建立一个ga-bp神经网络爆破块度预测模型，并使用对应的子测试集对其进行检验，直到得到的ga-bp神经网络爆破块度预测模型的预测误差未超过预设值；
根据n个ga-bp神经网络爆破块度预测模型各自的预测误差计算其各自对应的权重，基于n个ga-bp神经网络爆破块度预测模型建立随机ga-bp神经网络群爆破块度预测模型，该随机ga-bp神经网络群爆破块度预测模型输出的爆破平均块度预测值为n个ga-bp神经网络爆破块度预测模型各自的输出与其对应的权重的乘积之和。
3.根据权利要求2所述的基于随机ga-bp神经网络群的爆破块度预测方法，其特征在于，所述ga-bp神经网络为通过遗传算法对bp神经网络进行优化后得到，具体包括：
a1、随机生成多组bp神经网络的权值和阈值，并对权值和阈值进行编码；
a2、对多组权值和阈值分别进行适应度评价；
a3、若存在一组或多组权值和阈值对应的评价结果达到要求，即bp神经网络输出层输出的爆破块度预测值的误差在预设范围内，则选择bp神经网络输出层输出的爆破块度预测值误差最小的所对应的一组权值和阈值作为最优权值和最优阈值，将最优权值和最优阈值作为bp神经网络的权值和阈值，得到ga-bp神经网络；若没有一组权值和阈值对应的评价结果达到要求，则对多组权值和阈值进行选择、交叉、变异，产生新的多组权值和阈值，并返回步骤a2。
4.根据权利要求2所述的基于随机ga-bp神经网络群的爆破块度预测方法，其特征在于，所述基于已爆破地区的所述爆破参数提取得到已爆破地区的爆破特征数据之后还包括：对得到的爆破特征数据及对爆破平均块度进行标准化预处理。
5.根据权利要求1至4任一项所述的基于随机ga-bp神经网络群的爆破块度预测方法，其特征在于，所述爆破参数包括抵抗线、孔间间距、台阶高度、堵塞长度、炮孔直径、炸药单耗、岩石弹性模量及原位岩石块度；基于所述爆破参数提取得到的爆破特征数据包括台阶高度与抵抗线比、孔间间距与抵抗线比、抵抗线与炮孔直径比、堵塞长度与抵抗线比、炸药单耗、原位岩石块度及岩石弹性模量。
6.一种基于随机ga-bp神经网络群的爆破块度预测装置，其特征在于，包括：
第一数据获取模块，用于获取待爆破地区的爆破参数；
第一数据提取模块，用于基于所述爆破参数提取得到爆破特征数据；
爆破平均块度预测模块，用于依据所述爆破特征数据和预设的随机ga-bp神经网络群爆破块度预测模型，预测待爆破地区的爆破平均块度；其中，所述预设的随机ga-bp神经网络群爆破块度预测模型为通过已爆破地区历史爆破数据对随机ga-bp神经网络群进行训练后得到。
7.根据权利要求6所述的基于随机ga-bp神经网络群的爆破块度预测装置，其特征在于，还包括：
第二数据获取模块，用于获取已爆破地区历史爆破数据中的爆破参数及爆破平均块度；
第二数据提取模块，用于基于已爆破地区的所述爆破参数提取得到已爆破地区的爆破特征数据，然后基于已爆破地区的爆破特征数据及其对应的爆破平均块度构建爆破样本集；
随机ga-bp神经网络群爆破块度预测模型生成模块，用于生成随机ga-bp神经网络群爆破块度预测模型，其包括：
抽样单元，用于通过随机有放回的抽样方法从所述爆破样本集中抽取n组子训练集及对应的子测试集，n为预设值；
ga-bp神经网络爆破块度预测模型生成单元，用于以爆破特征数据为输入，以对应的爆破平均块度为输出，用n组子训练集分别对ga-bp神经网络进行训练，得到n个ga-bp神经网络爆破块度预测模型；其中，每训练得到一个ga-bp神经网络爆破块度预测模型，均使用对应的子测试集对该ga-bp神经网络爆破块度预测模型分别进行检验；若该ga-bp神经网络爆破块度预测模型的预测误差超过预设值，则重新随机从所述爆破样本集中抽取一组子训练集及对应的子测试集，利用该组子训练集建立一个ga-bp神经网络爆破块度预测模型，并使用对应的子测试集对其进行检验，直到得到的ga-bp神经网络爆破块度预测模型的预测误差未超过预设值；
随机ga-bp神经网络群爆破块度预测模型生成单元，用于根据n个ga-bp神经网络爆破块度预测模型各自的预测误差计算其各自对应的权重，基于n个ga-bp神经网络爆破块度预测模型建立随机ga-bp神经网络群爆破块度预测模型，该随机ga-bp神经网络群爆破块度预测模型输出的爆破平均块度预测值为n个ga-bp神经网络爆破块度预测模型各自的输出与其对应的权重的乘积之和。
8.根据权利要求7所述的基于随机ga-bp神经网络群的爆破块度预测装置，其特征在于，所述ga-bp神经网络爆破块度预测模型生成单元包括：
ga-bp神经网络生成子单元，用于通过遗传算法对bp神经网络进行优化，得到ga-bp神经网络，优化具体过程包括：
b1、随机生成多组bp神经网络的权值和阈值，并对权值和阈值进行编码；
b2、对多组权值和阈值分别进行适应度评价；
b3、若存在一组或多组权值和阈值对应的评价结果达到要求，即bp神经网络输出层输出的爆破块度预测值的误差在预设范围内，则选择bp神经网络输出层输出的爆破块度预测值误差最小的所对应的一组权值和阈值作为最优权值和最优阈值，将最优权值和最优阈值作为bp神经网络的权值和阈值，得到ga-bp神经网络；若没有一组权值和阈值对应的评价结果达到要求，则对多组权值和阈值进行选择、交叉、变异，产生新的多组权值和阈值，并返回步骤b2；
ga-bp神经网络爆破块度预测模型生成子单元，用于以爆破特征数据为输入，以对应的爆破平均块度为输出，用n组子训练集分别对ga-bp神经网络进行训练，建立n个ga-bp神经网络爆破块度预测模型。
9.根据权利要求6至8任一项所述的基于随机ga-bp神经网络群的爆破块度预测装置，其特征在于，所述爆破参数包括抵抗线、孔间间距、台阶高度、堵塞长度、炮孔直径、炸药单耗、岩石弹性模量及原位岩石块度；基于所述爆破参数提取得到的爆破特征数据包括台阶高度与抵抗线比、孔间间距与抵抗线比、抵抗线与炮孔直径比、堵塞长度与抵抗线比、炸药单耗、原位岩石块度及岩石弹性模量。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序指令，所述程序指令适于处理器加载并执行如权利要求1至5任一项所述的基于随机ga-bp神经网络群的爆破块度预测方法。
技术总结本发明公开了一种基于随机GA‑BP神经网络群的爆破块度预测方法、装置及介质，其中方法包括：获取待爆破地区的爆破参数；基于所述爆破参数提取得到爆破特征数据；依据所述爆破特征数据和预设的随机GA‑BP神经网络群爆破块度预测模型，预测待爆破地区的爆破平均块度；其中，所述预设的随机GA‑BP神经网络群爆破块度预测模型为通过已爆破地区历史爆破数据对随机GA‑BP神经网络群进行训练后得到。对待爆破地区爆破后的爆破平均块度进行预测，便于合理调整设计爆破参数，以确保实施爆破后的的爆破效果达到工况要求；本发明以随机GA‑BP神经网络群爆破块度预测模型对爆破平均块度进行预测，有效提高了爆破平均块度预测值的精度和可靠性。
技术研发人员：郭钦鹏;杨仕教;刘迎九;相志斌;陈然;吴彪
受保护的技术使用者：南华大学
技术研发日：2020.01.16
技术公布日：2020.06.09
