BP神经网络在矿产资源评价中的应用

文章编号：１００５－６１５７（２００７）０２－１１４－０４

ＢＰ神经网络在矿产资源评价中的应用

刘　　　　俊１，曹静平１，　张晓黎２　，胡海风１　，陈有明１

（１．安徽省地质调查院，　安徽　　合肥　　２３０００１；２．安徽省物化探院，安徽　　合肥　　２３００２３）

摘　　　　要：简述ＢＰ神经网络的基本原理，通过实例阐述ＢＰ神经网络在矿产资源ＧＩＳ评价应用方法，提出注意事项及如何提高评价应用效果。

关键词：ＢＰ神经网；ＧＩＳ评估；矿产资源中图分类号：ＴＰ１８３；Ｐ６１８　　　　　　文献标识码：Ａ

０　　　　引言

在现代高新技术发展的今天，神经网络理论的应

用越来越广泛，它已成为控制工程、信号处理、仿真技术等领域中不可缺少的工具，正日益受到科技人员的重视，地质找矿工作亦不例外。

ＢＰ神经网络法是应用数学——神经网络（数学界引用了生物领域里的术语）的一种，它是基于生物仿生技术的一种新颖的数学方法。对于自然界中许多不能用某一个（组）的方程式（组）来表示的因果关系，可通过神经网络系统来描述这种关系。在地质找矿方面，地质运动的复杂性、致矿因素的多样性、信息采集的不完善性、人们认识的局限性等致使矿产的形成是一种复杂过程，它与地层、岩浆岩、构造、物化遥环境有着千变万化的关联，不是一个或一组的关系式（函数）所能表达的。而ＢＰ神经网络则对自然现象进行感知，并模拟人脑的思维、记忆、联想进行自适应、自学习等训练，建立成矿与地质条件之间的自然关系，进而获取成矿概率（成矿有利度）或资源量的分布，达到矿产资源的评价预测之目的。

１．１．　　ＢＰ神经网络结构

典型的ＢＰ神经网络结构如图１所示，分为三层：输入层、中间层（隐含层）、输出层。

（１）输入层：设置为各地质成矿条件，如地层、岩浆岩、构造、矿化蚀变、物探重磁异常、化探各单元素异常、组合元素异常、遥感地质异常、自然重砂异常等。

（２）中间层：又称为隐含层，它是输入层与输出层的关联层，通过各神经元之间的连接权和阀值将它们联系起来。

（３）输出层：在进行网络学习训练时作为成矿概率（成矿有利度）或储量值，由它与期望值进行比较，控制学习训练过程。当进入评价计算时，将成为评价预测的结果。

当然，对于中间层来讲，可以有两层、三层的。中间层的多少是决定计算速度的重要因素之一，在每一层神经元个数相同的情况下，层数越多，计算量越

１　　　　ＢＰ神经网络基本原理

ＢＰ神经网络由Ｒｕｍｅｌｈａｒｅ、ＭｅＣｅｌｌａｎｄ等于１９８５

年建立的，ＢＰ神经网络（Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ　ＮｅｔＷｏｒｋ）是采用（误差）反向传播算法，属前向网络，它是人工神经网络最具代表性的一种，也是应用最广泛的。

图１　　ＢＰ神经网络结构图Ｆｉｇ．１　Ｓｔｒｕｃｔｕｒｅ　ｏｆ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ

收稿日期：２００７－０２－０７　　　责任编辑：李　　勇

作者简介：刘俊（１９６２－），男，安徽全椒人，工程师，主要从事区域地质调查与矿产评价工作。

大，运算速度越慢，而且对计算机硬件要求越高。就矿产资源评价预测而言，中间层只需一层就可满足应用要求了。

１．２．　　ＢＰ神经网络计算公式

设Ｘ１、Ｘ２、……Ｘｎ为输入层的入口数据，即评价预测的地质变量值，则

隐含层节点输出值：

式中：

　　　ω　ｉｊ为输入层与隐含层的连接权值（ω１ｊ）；　　　　　　　ｘｊ为输入节点输入值；　　　　　　　θ　ｉ为节点阀值（ｂ２ｉ）；　　　输出层节点输出值：

式中：

　　　　　　　ω２ｊ为隐含层与输出层的连接权值；　　　　　　　ｙｊ为隐含层输出值；　　　　　　　θ为输出节点阀值（ｂ３）。

当神经网络训练时，学习样本的期望输出值与实际输出值是存在差异的，网络训练的终止标志有两个，一是实际输出与期望输出之间的均方误差小于等于目标设定值；二是训练次数达到指定值。

均方误差：

式中：

　　　　　　ｄｋ为期望输出值；　　　　　　Ｏｋ为计算输出值。需要指出的是，ＢＰ神经网络按照常规的算法，它的训练和学习不易收敛，或只收敛于局部极小点，无法满足ＧＩＳ评价目的要求。因此，采用Ｌｅｖｅｎｂｅｒｇ－Ｍａｒｑｕａｒｄｔ规则来选择牛顿法还是梯度法确定学习速率参数ｍ：

１１６安　　徽　　地　　质２００７年

图３　　“ＢＰ神经网络”法计算程序框图

Ｆｉｇ．３　　Ｂｏｘ　ｃｈａｒｔ　ｆｏｒ　ｔｈｅ　ｃａｌｃｕｌａｔｉｏｎ　ｐｒｏｇｒａｍ　ｕｓｉｎｇ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ

３．２．　　样本数据准备

ＢＰ神经网络可以感知自然界，并模仿人脑进行学习训练，使其输出达到或接近理想（期望）值，这些都需要样本数据做保障。所谓“样本”数据就是可作为学习、训练的样例，通过学习训练，来确定各个神经元之间的连接权和阀值，从而完成神经网络系统的构建。

在组织样本数据时，需要对评价区内的已知矿床（点）进行“好”、“中”、“差”基本分级。分级依据主要是：已知矿床的规模或储量，该矿床（点）的地质成矿条件。用户也可以划分为五个级别：“好”、“较好”、“中等”、“较差”、“差”，或者更多级别。无论划分几个级别，都要保证每个级别中都有４－５个已知矿床数据与之对应，以保证网络系统的顺利搭建。

ＢＰ神经网络训练样本输入有两种方式，一是在ＢＰ神经网络操作界面“成矿条件”框通过点选和输入期望输出值来构成训练样本（见图２）　；二是在系统外使用文本编辑器形成一个名为“ｔｒａｉｎ＿ｄａｔａ．ｔｘｔ”的文本文件，其格式形如：

１　０　１　１　０　１　０　１　０　０　１　０．８５１　１　１　０　０　０　１　０　０　１　１　０．７０……

０　０　０　０　１　１　０　０　０　１　０　０．１５

每行１或０的个数及位置与成矿条件一一对应，每行最后一个数为“成矿有利度”（即空间位置预测的期望输出值，如果是进行资源量评估，则为已知矿床储量，选择的方法是通过图２中的“预测类型”选择框来实现的），行数的多少由样本个数决定。点击期望输出值之间的均方误差满足要求，或训练次数超过设定步数，则停止训练。如果属后一种情况，操作者需要调整样本数据。

样本数据的组织需要具有丰富地质矿产经验的专家完成。样本组织需遵循下列规则：

（１）样本具有代表性，体现在成矿条件、区域分布、成因类型、矿产规模等几个方面；

（２）样本条件的准确性，由区域成矿规律和成矿地质背景确认每个条件的准确性，尽量排除条件的假象。

（３）样本的多样性，不仅拥有成矿条件好、矿产规模大的样本，而且还应包含成矿条件较差、无成矿可能性的样本，即各种情况的样本都要具备。

（４）在样本中不允许相同地质变量值的成矿有利度取不同值，否则会造成网络训练达不到预期误差，即使训练次数设置再大，也可能不收敛。

（５）样本数据排列顺序以ｅｗｉｎｐｕｔ．ｄａｔ所列计算地质变量的叠加面积结果先后次序为准。３．３．　　网络学习

当样本数据输入后，按图２所示的“网络训练”键进入网络的学习、训练过程。必须注意，网络训练之前需要进行网络初始化设置，内容包括：期望训练误差、网络隐层神经元个数、网络训练速率、网络训练步数。

期望训练误差　：指训练计算的输出值与期望输出值之间的均方误差。系统默认值为０．００２（０．２％），一般可设置为０．５％以下即可。

网络隐层神经元个数　：隐含层神经元的个数与输入端子有关，一般情况下为输入元的２倍～３倍。系统默认值为２５。注意该层的神经元个数的增加将会使计算量成倍增长。

网络训练速率：该值在０－１之间。通常设为０．５，如果小于０．５（趋于０．１），则计算速度慢，易于收敛

“网络训练”按钮即可进入网络训练，如网络输出与第１７卷　　　　第２期刘　　　　俊，等：ＢＰ神经网络在矿产资源评价中的应用１１７

于训练误差最小值；如果大于０．５（趋于０．９），则计

算速度快，但很可能只收敛于局部极小值。

网络训练步数：系统默认值为４００００步。如果样本数据组织得当，该值可以设置为２０００就能保证达到期望训练误差值。通常情况下，训练步数４００００可以满足误差要求而结束训练。

ｅｐｏｃｈ：　０　　ｍｉｓｔａｋｅ：　０．１５５００５ｅｐｏｃｈ：　０　　ｍｉｓｔａｋｅ：　０．０２９１４７……

ｅｐｏｃｈ：　０　　ｍｉｓｔａｋｅ：　０．０２０６３９ｅｐｏｃｈ：　０　　ｅｐｏｃｈ＿ｅｒｒｏｒ：　０．２０３１４２ｅｐｏｃｈ：　１　　ｍｉｓｔａｋｅ：　０．１４９３７８ｅｐｏｃｈ：　１　　ｍｉｓｔａｋｅ：　０．０２０４１６……

ｅｐｏｃｈ：　１　　ｍｉｓｔａｋｅ：　０．０１７５５２ｅｐｏｃｈ：　１　　ｅｐｏｃｈ＿ｅｒｒｏｒ：　０．１３２５５５……

３．４．　　评价计算

经过网络训练之后，整个神经元之间的连接权和阀值即已确定，此时就可对整个评价区进行计算了。点图２中的“网络测试”按钮，系统即可完成全区的评价计算了。

在矿产资源ＧＩＳ评价预测中，计算分为两种，一是空间位置评价预测，二是矿产资源量的估算。ＢＰ神经网络法适合两种情况的计算，只取决于样本数据（成矿有利度或矿产储量）和运行ＢＰ神经网络模块时的“预测类型”选择。对于空间位置预测，ＢＰ神经网络计算的结果——成矿有利度——存于网格单元图层属性表中的“ＣＫＹＬＤ”（成矿有利度）；而对于资源量评估，其计算结果则存于该属性表中的“ＪＳＺＹＬ”（计算资源量）。

当网络训练完成后，用户可通过工作目录下的“Ｅｒｒｏｒ．ｔｘｔ”文件查看每次训练的结果。该文件的形式

如下：

如果训练计算的最后结果没有达到期望误差值，用户可根据上述最后一次训练内容对样本数据进行修改，以保证训练达到要求。

第一次训练第一个样本的相对误差第一次训练第二个样本的相对误差第一次训练第Ｎ个样本的相对误差第一次训练总均方误差

第二次训练第一个样本的相对误差第二次训练第二个样本的相对误差第二次训练第Ｎ个样本的相对误差第二次训练总均方误差

型相比，既有相似之处，又有差异部分。例如“证据权重”法，它除了必要的图层数据支持外，一个非常重要的关键就是结合区域成矿规律和成矿地质条件来建立合理的评价模型，这很大一部分取决于地质矿产专家们的认识和观点。而ＢＰ神经网络则无需评价模型的支持，但需要有足够的样本数据，它们的组织又或多或少地参入了地质矿产人员的思想，这是它们的相似之处。再如“多元统计回归”法，主要是依据地质矿产专家们确定参与统计回归的地质变量对成矿的贡献大小和选择回归函数方程。ＢＰ神经网络法用于资源量评估时，组织样本数据则完全根据已知矿床（点）储量和地质变量的空间分布，因此，很少伴有人为因素的参与，与多元信息统计回归法有着本质的区别。参考文献

［１］　闻新，等．ＭＡＴＬＡＢ神经网络应用设计［Ｍ］．　北京：科学出版社　２００１

［２］　李长江，等．矿产勘查中的分形、混沌与ＡＮＮ［Ｍ］．　北京：地质出版社　１９９９

４　　　　结语

ＢＰ神经网络用于矿产资源评价预测与其它数学模

APPLICATION OF BP NEURAL NETWORK TO EVALUATION OF MINERAL RESOURCES

LIU Jun1, CAO Jing-ping1, ZHANG Xiao-li2, HU Hai-feng1, CHEN You-ming1

(1. Institute of Geological Survey of Anhui Province, Hefei 230001, China; 2. Institute of Geophysical and Geochemical Exploration of Anhui Province, Hefei 230023, China)

Abstract: This paper briefly described the fundamental of neural network, introduced the way of application of BP neural network to GISevaluation of mineral resources and put forward matters needing attention and how to improve the result.Keywords: BP neural network; GIS evaluation; mineral resources