автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Математическое моделирование элементов геосистем угольных шахт адаптированным методом нейронных сетей

ВВЕДЕНИЕ

1. АНАЛИЗ МЕТОДОВ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ

И ПРОГНОЗА ПАРАМЕТРОВ ЭЛЕМЕНТОВ ГЕОСИСТЕМ

1.1. Характеристика технологических процессов геосистем угольных шахт.

1.2. Анализ существующих методов математического моделирования и прогноза параметров элементов геосистем угольных шахт.

1.3. Тенденции развития методов и средств прогноза и регулирования параметров геосистем угольных шахт.

1.4. Анализ результатов научно-исследовательских работ по созданию методов прогноза параметров сложных технологических систем.

1.5. Выводы и обоснование актуальности разработки методов математического моделирования элементов геосистем угольных шахт на основе нейронных сетей.

2. ОБОСНОВАНИЕ ТОПОЛОГИЙ И АЛГОРИТМОВ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ, АДАПТИВНЫХ К РЕШЕНИЮ ЗАДАЧ МОДЕЛИРОВАНИЯ ЭЛЕМЕНТОВ ГЕОСИСТЕМ

2.1. Характеристика метода нейронных сетей и решаемых с его помощью прикладных задач.

2.1.1. Основные свойства нейронных сетей и методы работы с ними

2.1.2. Методика анализа задач нейросетевого моделирования и селекции данных.

2.1.3. Процесс обучения нейронных сетей и интерпретация результатов.

2.2. Характеристика объекта исследования, обоснование топологий и алгоритмов обучения нейронных сетей, адаптивных к изменению параметров геосистем угольных шахт.

2.3. Выводы.

3. РАЗРАБОТКА МЕТОДИКИ ФОРМАЛИЗАЦИИ ЗАДАЧ МОДЕЛИРОВАНИЯ ЭЛЕМЕНТОВ ГЕОСИСТЕМ УГОЛЬНЫХ ШАХТ И АДАПТАЦИЯ МЕТОДА НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗА ПАРАМЕТРОВ ГЕОСИСТЕМ ГОРНОГО ПРОИЗВОДСТВА

3.1. Методология исследования и адаптации ИНС к задачам моделирования элементов геосистем угольных шахт.

3.1.1. Критерии эффективности нейросетевого моделирования элементов геосистем.

3.1.2. Синтез численных примеров для анализа влияния характеристик исходных данных на результат моделирования.

3.1.3. Адаптация метода нейронных сетей посредством итерационной оптимизации решений реальных задач горного производства.

3.2. Решение тестовых задач моделирования элементов геосистем с применением ИНС.

3.2.1. Моделирование уровня воды при затоплении шахты.

3.2.2. Моделирование метановыделения в горные выработки при отработке угольных пластов подземным способом.

3.3. Разработка методики формализации задач моделирования элементов геосистем угольных шахт для их решения методом нейронных сетей.

3.4. Адаптация метода нейронных сетей для моделирования геомеханических и газодинамических процессов геосистем.

3.5. Выводы.

4. РАЗРАБОТКА МЕТОДИКИ МОНИТОРИНГА ИСХОДНЫХ ДАННЫХ И РЕКОМЕНДАЦИЙ ПО НЕЙРОСЕТЕВОМУ МОДЕЛИРОВАНИЮ И ПРОГНОЗУ ПАРАМЕТРОВ ЭЛЕМЕНТОВ ГЕОСИСТЕМ УГОЛЬНЫХ ШАХТ

4.1 Разработка требований к методике мониторинга параметров геосистем угольных шахт для повышения эффективности нейросетевого моделирования.

4.1.1. Влияние характеристик исходных данных на эффективность нейросетевого моделирования элементов геосистем.

4.1.2. Рекомендации по мониторингу исходных данных.

4.2 Разработка рекомендаций по реализации методики нейросетевого моделирования и прогноза параметров элементов геосистем угольных шахт на основе результатов мониторинга.

4.2.1. Практическая реализация методики нейросетевого моделирования элементов геосистем и представление результатов прогноза.

4.2.2. Рекомендации по практическому применению метода ИНС для прогноза параметров геосистем.

4.3. Выводы.

Актуальность работы. Эффективность множества существующих и новых алгоритмов и программных комплексов не всегда подтверждается на практике их декларативными возможностями при описании реальных сложных производственных систем, в том числе геосистем угольных шахт. Это связано с тем, что производство как объект моделирования характеризуется изменением параметров внешней и внутренней сред, сложной структурой технологических схем и иерархической взаимосвязью их элементов.

Причинами несоответствия прогнозных параметров фактическим является использование: алгоритмов программных комплексов, основанных на эмпирических соотношениях, полученных в узком диапазоне условий производства; исходных данных, которые не могут быть определены на практике с необходимой точностью; методов и программных средств для решения задач в условиях сложного производства, не соответствующих возможностям принятого метода.

Последние научные исследования позволили разработать новые методы моделирования сложных производственных систем, обеспечивающие частичное устранение указанных причин отклонений фактических и прогнозных параметров. Основанные на использовании закономерностей стационарных и стохастических процессов эти методы моделирования и алгоритмы обеспечивают меньшую погрешность прогнозирования, однако они не нашли широкого применения на практике из-за высокой трудоемкости сбора исходных данных, методов их обработки и моделирования с недостаточной для производства оперативностью.

Снижение погрешности и повышение оперативности прогноза возможно за счет использования результатов оперативного мониторинга и математического моделирования технологических процессов методом нейронных сетей. Однако, потенциальные возможности метода нейронных сетей для моделирования сложных производственных систем, в том числе геосистем угольных шахт, не используются в полном объеме в связи с недостаточной глубиной исследований по адаптации алгоритмов обучения и топологий нейронных сетей, обоснованию размеров обучающей, валидационной и тестовой выборок исходных данных. Другим фактором, сдерживающим применение искусственных нейронных сетей, является вероятность искажения сущности физических закономерностей за счет некорректного применения методов аппроксимации.

В связи с изложенным, актуальной научной задачей является нейросетевое моделирование элементов геосистем угольных шахт с оценкой адаптивности топологий и адекватности модели и объекта, имеющей существенное значение для оперативного прогноза их параметров. В диссертационной работе в качестве тестовых задач рассмотрено моделирование элементов геосистем угольных шахт, в частности прогноз методом искусственных нейронных сетей геомеханических и газодинамических параметров на примерах изменений уровня воды в ликвидированной шахте и метановыделения при воздействии очистных работ.

Диссертация выполнялась в соответствии с программой №006 Министерства образования «Научные исследования высшей школы в области топлива и энергетики», проект №26-6 «Разработка компьютерной системы геомониторинга и оперативного прогноза геомеханических параметров выемочных полей и участков угольных шахт», № гос. регистрации 04200008299; программой Кузбасского НОК-1, подпрограммой «Недра Кузбасса», проект №27-6 «Разработка системы прогноза параметров высокоинтенсивных технологий угледобычи действующих шахт Кузбасса», № гос. регистрации 01970004330.

Цель работы - повышение точности и адекватности моделирования элементов геосистем угольных шахт методом нейронных сетей посредством обоснования адаптивных топологий и алгоритмов нейронных сетей с учетом параметров обучающей, валидационной и тестовой выборок.

Идея работы заключается в том, что повышение качества и точности математического моделирования достигается путем итерационной адаптации объема и качества выборки, получаемой по информативным параметрам текущего мониторинга, с применением метода искусственных нейронных сетей.

Задачи исследований:

• обосновать топологии и алгоритмы обучения нейронных сетей, адаптивные к изменению параметров элементов геосистем угольных шахт;

• разработать методику формализации задач моделирования элементов геосистем угольных шахт при использовании аппарата искусственных нейронных сетей;

• адаптировать метод нейронных сетей для моделирования изменений геомеханических и газодинамических параметров геосистем угольных шахт посредством итерационного выбора топологии сети и алгоритма обучения по статистическим критериям адекватности модели и объекта;

• обосновать требования к исходному множеству данных, получаемых при мониторинге параметров геомеханических и газодинамических процессов и используемых для математического моделирования элементов геосистем угольных шахт методом нейронных сетей; разработать рекомендации по реализации адаптированного метода нейронных сетей для прогноза параметров элементов геосистем угольных шахт на основе результатов мониторинга.

Методы исследований: аналогий для обоснования топологий и алгоритмов обучения нейронных сетей, адаптивных к изменению параметров элементов геосистем угольных шахт; экспертных оценок, теории вероятностей и математической статистики для разработки методики формализации задач моделирования элементов геосистем угольных шахт при использовании аппарата искусственных нейронных сетей; декомпозиции временных рядов с выделением тренда, случайной и сезонной составляющей при предварительной обработке исходных данных, итерационной оптимизации для адаптации метода нейронных сетей к моделированию изменений геомеханических и газодинамических параметров геосистем угольных шахт; имитационного моделирования для обоснования требований к исходному множеству данных, получаемых при мониторинге параметров геомеханических и газодинамических процессов и используемых для математического моделирования элементов геосистем угольных шахт методом нейронных сетей; машинной графики для представления результатов расчетов при разработке рекомендаций по реализации адаптированного метода нейронных сетей к прогнозу параметров элементов геосистем на основе результатов мониторинга.

Основные научные положения, выносимые на защиту: взаимно-однозначное соответствие топологий и алгоритмов обучения искусственных нейронных сетей (ИНС) технологическим процессам горного производства обеспечивает эффективность моделирования элементов геосистем; формализация задач моделирования элементов геосистем осуществляется с учетом характеристик качества обучающей выборки (относительных погрешностей, грубых ошибок, пропущенных измерений) и параметров моделируемых процессов, включая нелинейные связи между ними; адаптация метода нейронных сетей к моделированию элементов геосистем угольных шахт обеспечивается поэтапно посредством анализа и предварительной обработки исходных данных; селекции топологии сети, алгоритма обучения и параметров сетей; выбора оптимального решения из нескольких возможных по результатам эмпирического тестирования с последующей экстраполяцией полученных закономерностей, наиболее адекватных фактическим результатам измерений; точность моделирования методом ИНС зависит от погрешностей используемой системы мониторинга, применяемых приборов, характеристик систем передачи информации и свойств обучающей выборки (погрешностей, пропущенных данных и грубых ошибок); идентификация параметров технологических процессов геосистем угольных шахт достигается на основе синтеза данных мониторинга, используемых в качестве обучающей последовательности, и прогноза параметров методом ИНС.

Достоверность и обоснованность научных положений и результатов обеспечена:

• результатами комплексного анализа и представительностью 10 базовых алгоритмов обучения и 9 основных топологий сетей, адаптивных для моделирования элементов геосистем угольных шахт;

• использованием метода нейронных сетей для решения задач моделирования сложных процессов, аппроксимации нелинейных зависимостей нескольких аргументов и установления неизвестных закономерностей;

• сходимостью фактических результатов измерений и прогнозов, полученных при нейросетевом моделировании изменения уровня грунтовых вод ликвидированных шахт (значения коэффициентов линейной корреляции составляют 0,99 для интерполяции и 0,93 для экстраполяции) и метановыделения при воздействии горных работ (коэффициенты линейной корреляции - 0,76-0,94);

• достаточной, с учетом использованных топологий и алгоритмов обучения нейронных сетей, точностью измерения исходных данных для эффективного моделирования элементов геосистем угольных шахт (±0,2% при измерении концентрации метана и ±2 м при измерении уровня воды в затопленной шахте);

• положительными результатами применения метода ИНС для решения практических задач горного производства на примере метановыделения при воздействии очистных работ для пласта 16 Байдаевского месторождения (объем обучающей выборки составляет 105 измерений, тестовой - 21, значения коэффициентов линейной корреляции 0,82 для интерполяции и 0,75 для экстраполяции).

Научная новизна работы заключается в следующем: установлено взаимно-однозначное соответствие между топологиями и алгоритмами обучения искусственных нейронных сетей и изменением параметров технологических процессов горного производства для моделирования элементов геосистем угольных шахт; разработана методика формализации динамических и статических задач моделирования элементов геосистем угольных шахт для их решения методом ИНС, учитывающая регулярность измерений, относительные погрешности и корреляцию независимых параметров; адаптирован метод нейронных сетей для моделирования элементов геосистем угольных шахт, в частности геомеханических и газодинамических процессов, на основе исходных данных, содержащих значительные относительные погрешности, грубые ошибки и пропущенные измерения; разработаны требования к элементам системы мониторинга данных геосистем угольных шахт, позволяющие повысить эффективность нейросетевого моделирования и прогноза геомеханических и газодинамических параметров; разработан метод оперативного прогноза параметров элементов геосистем с использованием трехмерных диаграмм, формируемых по результатам моделирования геомеханических и газодинамических процессов.

Личный вклад автора состоит: в установлении взаимно-однозначного соответствия топологий нейронных сетей и алгоритмов обучения типам и содержанию задач моделирования элементов геосистем угольных шахт; в разработке методики формализации задач моделирования изменения параметров элементов геосистем угольных шахт для их решения методом ИНС на основе анализа влияния совокупности переменных на результат моделирования и синтеза вариантов постановки тестовых задач; в адаптации метода нейронных сетей на основе разработанных методик сбора и подготовки исходных данных, выбора топологии сети, алгоритма и параметров обучения с учетом индивидуальных особенностей геомеханических и газодинамических задач посредством обобщения результатов моделирования методом ИНС метановыделения и изменения уровня воды в ликвидированной шахте; в проведении численного эксперимента с вариацией характеристик параметров, тестировании метода нейронных сетей с использованием полученных массивов данных и определении требований к элементам методики мониторинга параметров геомеханических и газодинамических процессов, в т.ч. к погрешностям измерительной аппаратуры, периодичности измерений для увеличения эффективности моделирования элементов геосистем угольных шахт; в реализации адаптированного метода ИНС для решения задачи моделирования метановыделения при воздействии очистных работ по выемочным участкам пласта 16 Байдаевского месторождения и разработке методики представления результатов нейросетевого прогноза геомеханических и газодинамических параметров в виде трехмерных диаграмм для их использования в управлении основными и вспомогательными технологическими процессами.

Практическая ценность заключается в возможности: расширения области применения 10 базовых алгоритмов обучения и 9 основных топологий нейронных сетей для решения задач моделирования сложных производственных систем по аналогии с элементами геосистем горного производства;

• установления закономерностей функционирования элементов геосистем угольных шахт посредством формализации задач моделирования изменения параметров с учетом ограничений и качества обучающей выборки на основе разработанной методики;

• применения метода ИНС для моделирования следующих технологических и геомеханических процессов: проявлений горного давления, выделений газов из надрабатываемых и подрабатываемых пластов, миграции воды в горные выработки из затопленных скважин, изменений температуры;

• повышения достоверности и оперативности моделирования за счет определения требований к погрешностям измерительной аппаратуры, периодичности измерений; пополнения обучающей выборки; уменьшения глубины экстраполяции;

• профилактики аварийных ситуаций, управления параметрами основных и вспомогательных технологических процессов за счет моделирования элементов геосистем при техногенном воздействии на массив горных пород и прогноза их параметров.

Реализация работы

Результаты исследования и рекомендации используются на шахтах ОАО УК «Кузнецкуголь» и в учебном процессе СибГИУ.

Апробация работы

Результаты диссертационной работы докладывались на III, IV, V Международных конференциях «Нетрадиционные и интенсивные технологии разработки месторождений полезных ископаемых» (Новокузнецк, 1998-2000 гг.), Международной научно-практической конференции «Наукоемкие технологии угледобычи и углепереработки» (Кемерово, 1998 г.), Международной научно-практической конференции «Энергетическая безопасность России. Новые подходы к развитию

4.3. Выводы

1. Установлено, что увеличение коэффициента корреляции между прогнозными и фактическими значениями с 0,76-0,83 до 0,93-0,97 возможно при исключении пропущенных данных и грубых ошибок и снижении средней относительной погрешности измерений до 18%, например при измерении концентрации метана до ±0,1%.

2. Для улучшения характеристик исходных данных рекомендуется: обеспечение регулярности наблюдений, использование средних за период значений вместо разовых измерений, выбор более точных приборов и способов измерений при небольших диапазонах значений измеряемых величин. При соблюдении перечисленных рекомендаций в комплексе возможно повышение достоверности прогноза за счет построения более полных нейросетевых моделей или их динамического представления.

3. Разработана и реализована на примере метановыделения для выемочных участков пласта 16 Байдаевского месторождения методика визуализации результатов нейросетевых прогнозов в виде трехмерных графиков, которая характеризуется удобством интерпретации качественной адекватности аппроксимированной закономерности, универсальностью представления альтернативных значений параметров горного производства, возможностью реализации в среде Microsoft Excel версии 97 и выше, низкой трудоемкостью и пользовательским выбором точности прогноза, которая при цене деления оси, равной погрешности измерения отложенного по этой оси параметра, соответствует точности нейросетевого прогноза: в рассмотренном случае средняя квадратическая

3 3 ошибка равна 1,21 м /мин для интерполяции и 1,47 м /мин для экстраполяции.

4. Областью рационального применения адаптированного метода нейронных сетей в горном производстве является моделирование следующих геомеханических и газодинамических процессов: проявлений горного давления, выделений газов из надрабатываемых и подрабатываемых пластов, миграции воды в горные выработки из затопленных скважин, изменений температуры и др. процессы, которые характеризуются сложностью описания аналитическими функциями, влиянием ряда взаимосвязанных факторов и недостаточной эффективностью существующих методов моделирования. Наибольшая точность прогноза достигается при решении задач, ограниченных в узком диапазоне, например в условиях отдельного выемочного участка, пласта, за счет исключения параметров измеряемых с низкой достоверностью.

5. Возможна реализация метода нейронных сетей для моделирования элементов геосистем в сложных геологических и малоизученных условиях и зонах геологических нарушений при наличии достаточного объема наблюдений и для прогнозирования их параметров под влиянием динамики горных работ. В последнем случае фактор нагрузки на выемочный участок может использоваться для управления геомеханическими и газодинамическими параметрами (метановыделением и т.д.).

ЗАКЛЮЧЕНИЕ

Диссертация является научной квалификационной работой, в которой содержится решение задачи нейросетевого моделирования элементов геосистем угольных шахт с оценкой адаптивности топологий и адекватности модели и объекта, имеющей существенное значение для оперативного прогноза их параметров.

Основные научные результаты, выводы и разработанные рекомендации заключаются в следующем:

1. Обоснованы топологии и алгоритмы обучения искусственных нейронных сетей (ИНС), адаптивные к моделированию элементов геосистем, которые включают, как минимум, многослойный персептрон в сочетании с алгоритмом обратного прохождения ошибки и аналогичные ему обучаемые «с учителем» сети с нелинейными активационными функциями. Способность ИНС аппроксимировать неизвестные, в т.ч. нелинейные, зависимости и автоматизация решения обеспечивают эффективность применения этого метода для моделирования зависимостей, которые характеризуются комплексным влиянием ряда взаимосвязанных параметров, сложностью описания аналитическими функциями и необходимостью получения оперативного прогноза, например изменения геомеханических и газодинамических параметров горного производства.

2. Разработана методика формализации задач моделирования элементов геосистем методом ИНС, которая позволяет повысить эффективность моделирования при следующих характеристиках исходных данных: ограниченном объеме, относительной погрешности измерений до 35%, наличии пропущенных измерений от 7 до 15% объема исходных данных, грубых ошибок - до 4%. Сущность методики заключается в снижении размерности модели до четырех аргументов при аппроксимации нелинейной зависимости и объеме обучающей выборки не менее 100 экземпляров и до трех аргументов - при объеме выборки не менее 90 экземпляров за счет модификации области применения и ограничений, исключения коррелированных аргументов или переменных, погрешность которых сопоставима с диапазоном измерений.

3. Адаптирован метод нейронных сетей для моделирования элементов геосистем угольных шахт на основе особенностей индивидуальных задач горного производства, в т.ч. свойств моделируемой зависимости и объема исходных данных, включающий предварительную обработку данных, выбор топологии и алгоритма обучения сети. Особенностью адаптированного метода ИНС является декомпозиция временных рядов в моделируемых зависимостях, которые при относительно малом объеме обучающей выборки рекомендуется аппроксимировать с помощью многослойного персептрона, а свойства временных рядов учитывать при предварительной обработке данных.

4. Адаптация метода ИНС позволяет увеличить сходимость фактических значений параметров элементов геосистем и результатов математического моделирования как минимум в 1,4 раза.

5. Обоснованы требования к исходному множеству данных, получаемых при мониторинге параметров геосистем, в частности для увеличения точности прогнозов необходимо снижение погрешностей исходных данных за счет развития методики мониторинга параметров технологических, геомеханических и газодинамических процессов угольных шахт. По результатам нейросетевого моделирования динамики параметров геосистем горного производства на примерах метановыделения при воздействии горных работ и изменения уровня воды в затопленной шахте, погрешность моделирования превышает погрешность измерения или подготовки исходных данных не более чем в 1,7 раза, что свидетельствует о достаточной эффективности метода ИНС.

6. Установлено, что основными требованиями к мониторингу являются исключение пропущенных данных и грубых ошибок и снижение средней относительной погрешности измерений до ±18%, например при измерении концентрации метана до ±0,1%. Соблюдение перечисленных требований позволяет увеличить коэффициент корреляции между прогнозными и фактическими значениями с 0,76-0,83 до 0,93-0,97. Для улучшения характеристик исходных данных рекомендуется: обеспечение регулярности наблюдений, использование средних за период значений вместо разовых измерений, выбор максимально точных из имеющихся приборов и возможных способов измерений при небольших диапазонах значений измеряемых величин. При реализации этих рекомендаций в комплексе возможно повышение достоверности прогноза за счет построения более полных нейросетевых моделей или их динамического представления.

7. Рекомендуется реализация адаптированного метода нейронных сетей в горном производстве для моделирования следующих геомеханических и газодинамических процессов: проявлений горного давления, выделений газов из надрабатываемых и подрабатываемых пластов, миграции воды в горные выработки из затопленных скважин, изменений температуры - в условиях отдельного выемочного участка, пласта, зон влияний геологических нарушений с учетом горных работ и других переменных в выбранном диапазоне факторов.

8. Разработаны рекомендации по использованию нейросетевого моделирования элементов геосистем для управления основными и

1. Петросян А.Э. Исследование режимов газовыделения и разработка способов управления ими при больших скоростях подвигания забоев на современных и больших глубинах разработки. Научный доклад. Институт горного дела им. A.A. Скочинского. - М., 1968. - 31 с.

2. Мясников A.A. Проветривание горных выработок при различных системах разработки. М.: Госгортехиздат, 1962.

3. Мясников A.A., Патрушев М.А. Основы проектирования вентиляции угольных шахт. М.: Недра, 1971. - 232 с.

4. Мурашев В.И., Полевщиков Г.Я. Метаноэмиссия и механизм газодинамических явлений// Уголь Украины. 1987. -№11,- С.37-38.

5. Полевщиков Г.Я., Буланчиков С.П. Управление газовыделением из разрабатываемого пласта// Уголь. №10. - 1993. - С.5-7.

6. Методическое руководство по расчету метанообильности и количества воздуха при проветривании лав при новой технологии выемки угольных пластов./ А.Э. Петросян, И.В. Сергеев, Н.И. Устинов. М.: ИГД им. A.A. Скочинского, 1967. - 22 с.

7. Ушаков К.З., Бурчаков A.C., Пучков JI.A., Медведев И.И. Аэрология горных предприятий: Учебник для вузов. 3-е изд., перераб. и доп. - М.: Недра, 1987. - 421 с.

8. Бабушкин В.Д., Прохоров С.П., Лосев Ф.И., Предко А.Г. Методы расчета общего притока воды в шахты угольных месторождений. М.: Недра, 1964,- 124 с.

9. Момчилов B.C. Защита шахт от подземных вод. М.: Недра, 1989.- 189 с.

10. Пучков Л.А., Бахвалов JI.A. Методы и алгоритмы автоматического управления проветриванием угольных шахт. М.: Недра, 1992.-399 с.

11. Тарасов Б.Г. Прогноз газообильности выработок и дегазация шахт. М.: Недра, 1973. - 208с.

12. Мясников А.А., Садохин В.П., Жирнова Т.С. Применение ЭВМ для решения задач управления метановыделением в шахтах. М.: Недра, 1977.-248 с.

13. Эттингер И.Л. Физическая химия газоносного угольного пласта. -М.: Наука, 1981,- 104 с.

14. Ванжа Ю.П. Прогноз газовыделения и управление газопылевоздушной средой в шахтах./ СибГИУ. Томск: Изд-во Томск, ун-та, 1995,- 147 с.

15. Мироненко В.А., Мольский Е.В., Румынии В.Г. Горнопромышленная гидрогеология: Учебник для вузов. М.: Недра, 1989.-287 с.

16. Harpalani S., Ouyang S. Taboratory technique to estimate gas flow behavior of naturally fractured reservoirs// International Journal of Rock Mechanics and Mining Science. 1998.-35, №4-5. -C.516.

17. Tiu J. Связь между распределением грунтовых вод и миграцией метана угольных пластов в поле шахты// Journal of China Coal Society. -1998. 23, №3. - C.225-230. - Кит.; рез. англ.

18. Колмаков В.А. Метановыделение и борьба с ним в шахтах. М.: Недра, 1981,- 134 с.

19. Тризно C.K. Прогноз метановыделения из пластов-спутников с учетом скорости подвигания очистного забоя// Безопасность труда в промышленности. 1997. -№9. - С.30-32.

20. Преслер В.Т. Информационно-математическая среда прогноза газопроявлений в угольных шахтах. Кемерово: Кузбассвузиздат, 2000. -228 с.

21. Норватов Ю.А. Изучение и прогноз техногенного режима подземных вод (при освоении месторождений полезных ископаемых). -Л.: Недра, 1988.- 261 с.

22. Леви Л.З. Прогноз максимальных водопритоков в горные выработки вероятностно-статистическими методами. -М.: Недра, 1973. -96с.

23. Elfelci Amro М.М. Stochastic simulation of heterogeneous geological formations using soft information, with an application to groundwater// 1AHS Publications. 1995. -№225,-C. 198-202.

24. Зыков A.A. и др. Вероятностная оценка водопритоков в подземные сооружения// Известия вузов. Горный журнал. 1996. - №12. -С.1-3.

25. Шейман Э.И., Скатов В.В. Пути уточнения прогноза газообильности разрабатываемого пласта (краткое изложение)// Горный информационно-аналитический бюллетень/ Московский государственный горный университет. 1997. - №6. - С. 184-190.

26. Шейман Э.М. и др. Метод расчета метановыделения из разрабатываемого пласта// Безопасность труда в промышленности. 1997. -№10.-С. 15-17.

27. Wang G., Xu F. Ограничения структуры скользящего пласта на образование и концентрацию газа на разрабатываемой площади Furong// Journal of China University of Mining and Technology. 1999. - 28, №1. -C.9-13. - Кит.; рез. англ.

28. Hu Mingxing, Guo Dazhi Прогнозирование уровня подземных вод.// Journal of Chang-chun University of Earth Science. 1998. - 28, №2. -C. 180-185. - Кит.; рез. англ.

29. Yang Y., Li В., Shang К., Fan J. Использование теории нечетких множеств для определения притока воды на угольных шахтах Горного Бюро Hebi, Китай// Journal of China University of Mining and Technology. -1998. 27, №2. - C.204-208. - Кит.; рез. англ.

30. Мышкис А.Д. Элементы теории математических моделей. М.: Физматлит, 1994. - 192 с.

31. Филлипс Д., Гарсиа-Диас А. Методы анализа сетей: Пер. с англ. -М.: Мир, 1984.-496 с.

32. Конюх В.Л., Тайлаков О.В., Анферов Б.А. Применение сетей Петри для моделирования шахтных робототехнических систем// Автоматизация горных и строительных машин/ ИГД СО РАН. -Новосибирск, 1990. -С.41-50.

33. Цыпкин Я.З. Адаптация и обучение в автоматических системах. -Главная редакция физико-математической литературы изд-ва «Наука», М., 1968.-400 с.

34. Цыпкин Я.З. Информационная теория идентификации. М.: Наука. Физматлит, 1995. - 336 с.

35. Ермаков С.М., Михайлов Г.А. Статистическое моделирование. -2-е изд., дополн. М.: Наука. Главная редакция физико-математической литературы, 1982. - 296 с.

36. Логов А.Б., Поварницын В.И. Развитие принципов имитационного моделирования экономических показателей угольных предприятий. Сб. научных трудов «Механизация горных работ». -Кемерово: КузГТУ, 1997. - С.34-37.

37. Логов А.Б., Поварницын В.И. Моделирование состояний сложных объектов угольной отрасли// Докл. II Медународной конференции «Природные и интеллектуальные ресурсы Сибири». -Кемерово: КузГТУ, 1997. С. 19-21.

38. Нейроинформатика/ А.Н. Горбань, В.Л. Дунин-Барковский, А.Н. Кир дин и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. -296 с.

39. Галушкин А.И. О современных направлениях развития нейрокомпьютеров// Информационные технологии. 1997. - №5. - С.2-5.

40. Конюх В.Л. Шахтная робототехника. Кемерово: Кузбассвузиздат, 2000. - 336 с.

41. Sarle, W.S. Neural Networks and Statistical Models// Proceedings of the Nineteenth Annual SAS Users Group International Conference, Cary, NC./ SAS Institute Inc., 1994. C. 1538-1550. - URL: ftp://ftp.sas.com/pub/neural/ neurall.ps.

42. Hill Т., Marquez L., O'Connor M, Remus W. Artificial neural network models for forecasting and decision making// International Journal of Forecasting. 1994. - №10. - C.5-15.

43. Gorr W.L. Research prospective on neural network forecasting// International Journal of Forecasting. 1994. - №10. - C.l-4.

44. Electronic Statistics Textbook: Neural Networks/ StatSoft Inc. // URL: http://www.statsoft.com/textbook/stathome.html. 1998. - 30c.

45. Smith L. An Introduction to Neural Metworks// URL: http://www.es.stir.ac.uk./~lss/NNIntro/InvSlides.html. 1998. - 10 c.

46. Neural Network FAQ, part 1 of 7: Introduction, periodic posting to the Usenet newsgroup comp.ai.neural-nets/ Под ред. Sarle, W.S.// URL: ftp://ftp.sas.com/pub/neural/FAQ.html. 1997.

47. Hornik, K., Stinchcombe, M., White, H. Multilayer feedforward networks are universal approximators// Neural Networks. 1989. - №2. -C.359-366.

48. White H., Gallant A.R. On Learning the Derivatives of an Unknown Mapping with Multilayer Feedforward Networks// Neural Networks. 1992. -№5. - C.129-138.

49. White, H. Connectionist Nonparametric Regression: Multilayer Feedforward Networks Can Learn Arbitrary Mappings// Neural Networks. -1990. №3. - C.535-550.

50. Еорбань A.H. Обобщенная анпроксимационная теорема и вычислительные возможности нейронных сетей// Сибирский журнал вычислительной математики. 1998. - Т. 1, №1. - С. 12-24.

51. Farago A. and Lugosi G. Strong Universal Consistency of Neural Network Classifiers// IEEE Transactions on Information Theory. 1993. -№39.-C. 1146-1151.

52. Simpson P.K. Artificial Neural Systems: Foundations, Paradigms, Applications and Implementations. Pergamon Press, 1990. - 209 c.

53. Mehra P., Wah B.W. Artificial Neural Networks: Concepts and Theory. IEEE Computer Society Press Tutorial. - Los-Alamitos, 1992. - 667 c.

54. Vemuri V.R. Artificial Neural Networks: Concepts and Control Applications. IEEE CSP Tutorial. Tos-Alamitos, 1992. - 509c.

55. Batruni R. A Multilayer Neural Network with Piecewise-Linear Structure and Back-Propagation Learning// IEEE Transactions on Neural Networks. 1991. - May. - T.2, №3,- C.395-403.

56. Bello M.G. Enhanced Training Algorithms, and Integrated Training/Architecture Selection for Multilayer Perceptron Networks// IEEE Transactions on Neural Networks. 1992. - November. - T.3, №6. - C.864-874.

57. Уоссермен Ф. Нейрокомпьютерная техника. M.: Мир, 1992.263 с.

58. Kohonen Т. The Self-Organizing Map// Proceedings of the IEEE. -1990. T.78, №9. - C.1464-1480.

59. Pal N.R., Bezdelc J.C., Tsao E.C.-K. Generalized Clustering Networks and Kohonen's Self-Organizing Scheme// IEEE Transactions on Neural Networks. 1993, July. - T.4, №4. - C.549-556.

60. Mulier F., Cherkassky V. Self-Organization as an Iterative Kernel Smoothing Process//Neural Computation. 1995. - №7. - C.l 165-1177.

61. Кохонен Т. Ассоциативные запоминающие устройства. М.: Мир, 1982.-286 с.

62. Werbos P.J. Backpropagation Through Time: What It Does and How to Do It// Proceedings of the IEEE. 1990. - T.78, №10. - C. 1550-1560.

63. Wan E.A., Beaufays F. Diagrammatic Derivation of Gradient Algorithms for Neural Networks// Neural Computation. 1996. - №8. - C.182-201.

64. Williams R.J., Zipser D. A Learning Algorithm for Continually Running Fully Recurrent Neural Networks// Neural Computation. 1989. - №1. - C.270-280.

65. Oit M.J.L. Introduction to radial basis function networks// URL: http://www.cns.ed.ac.uk/people/mark/intro.ps. 1996. - 67 c.

66. Chen S., Cowan C.F.N., Grant P.M. Orthogonal Least Squares Learning Algorithm for Radial Basis Function Networks// IEEE Transactions Neural Networks. 1991. - T.2, №2. - C.302-309.

67. Karhunen J. Stability of Oja's PCA subspace rule// Neural Computation. 1994. - №6. - C.739-747.

68. Jolliffe I.T. Principal Component Analysis. Springer-Verlag, 1986.

69. Ismail M.A., Kamel M.S. Multidimensional Data Clustering Utilizing Hybrid Search Strategies// Pattern Recognition. 1989. - T.22, №1. - C.75-89.

70. Neural Network FAQ, part 3 of 7: Generalization, periodic posting to the Usenet group comp.ai.neural-nets/ Под ред. Sarle W.S. 1998. - 26 c. -URL: ftp://ftp.sas.com/pub/neural/ FAQ3.html

71. Neural Network FAQ, part 2 of 7: Learning, periodic posting to the Usenet group comp.ai.neural-nets/ Под ред. Sarle W.S. 1998. - 39 c. - URL,: ftp://ftp.sas.com/pub/neural/FAQ2.html

72. Sarle W.S. Measurement Theory: Frequently Asked Questions// URL,: http://ftp.sas.com/pub/neural/measurement.html. 1996. - 11 c.

73. Sarle W.S. How to Measure Importance of Inputs// URL: http://ftp.sas.com/pub/neural/importance.html. 1998. - 17 c.

74. Shao J. Linear Model Selection by Cross-Validation// Journal of the American Statistical Association. 1993. - 88, №422. - C.486-492.

75. Stone M. Asymptotics for and against cross-validation.// Biometrika. 1977. -№64.-C.29-35.

76. Kearns M. A bound on the error of cross validation using the approximation and estimation rates, with consequences for the training-test split// Neural Computation. 1997. - №9. - C. 1143 -1161.

77. Zhu H., and Rohwer R. No free lunch for cross-validation// Neural Computation. 1996. - №8,-C. 1421-1426.

78. Breiman L., Spector P. Submodel Selection and Evaluation in Regression. The X-Random Case// International Statistical Review. 1992. -T.60, №3. - C.291-319.

79. Tibshirani R. A comparison of some error estimates for neural network models// Neural Computation. 1996. - №8. - C. 152-163.

80. Efron B. Estimating the error rate of a prediction rule: Improvement on cross-validation// Journal of the American Statistical Association. 1983. -№78.-C.316-331.

81. Efron B. How biased is the apparent error rate of a prediction rule?// Journal of the American Statistical Association. 1986. - №81. - C.461-470.

82. De Angelis D., Young G.A. Smoothing the Bootstrap// Internationa. Statistical Review. 1992. - T.60, №1. - C.45-56.

83. Sarle, W. S. Stopped Training and Other Remedies for Overfitting// Proceedings of the 27th Symposium on the Interface of Computing Science and Statistics. 1995. - C.352-360. - URL: ftp://ftp.sas.com/pub/neural/ inter95.ps.Z.

84. MacKay, D. Bayesian methods for neural networks FAQ. - 1998. -34 c. - URL: ftp://wol.ra.phy.cam.ac.uk/pub/www/mackay/BayesFAQ.html

85. Raftery, A.E. Bayesian Model Selection in Social Research/ Под ред. Marsden, P.V.// Sociological Methodology Cambridge. MA: Blackwell. -1995. - 61c. - URL: ftp://ftp.stat.washington.edU/pub/tech.reports/bic.ps.z

86. MacKay, D.J.C. Comparison of Approximate Methods for Handling Hyperparameters// URL: ftp://wol.ra.phy.cam.ac.uk/pub/www/mackay/ alpha.ps.gz. (submitted to Neural Computation) 1997. - 25 c.

87. Neal, R.M. Probabilistic Inference Using Markov Chain Monte Carlo Methods// URL: ftp://ftp.cs.utoronto.ca/pub/radford/review.ps.Z. 1993. -140c.

88. Wolpert D.H. The lack of a priori distinctions between learning algorithms//Neural Computation. 1996. - №8. - C. 1341-1390.

89. Wolpert D.H. The existence of a priori distinctions between learning algorithms// Neural Computation. 1996. - №8. - C.1391-1420.

90. Tetko I.V., Livingstone D.J., and Luik A.I. Neural Network Studies. 1. Comparison of Overfitting and Overtraining// J. Chem. Info. Сотр. Sci. -1995,-№35.-C.826-833.

91. Технология подземной разработки месторождений полезных ископаемых. Учебник для вузов/ Под общ. ред. А.С.Бурчакова. 3-е изд., перераб. и доп. М., Недра, 1983. 487 с.

92. Makridakis S., Wheelwright S.C. Forecasting Methods for Management. 5th edition. New York: Wiley. - 1998.

93. Томас, Р. Количественные методы анализа хозяйственной деятельности/ Пер. с англ. М.: Издательство «Дело и Сервис», 1999. -432с.

94. Мазмишвили А.И. Способ наименьших квадратов. М.: Недра, 1968.-440с.