煤与瓦斯突出是一种机理复杂、影响因素多的动力学过程；对煤与瓦斯突出预测与防治已经成为国内外专家们研究的重要课题。特别是对煤与瓦斯突出的预测，已成为矿业界探索的热点之一。煤与瓦斯突出预测为突出危险不是很严重的矿井，可避免防突工作的盲目性，为突出严重的矿井则可事先采取措施，避免造成伤亡事故。基于此，对煤矿进行煤与瓦斯突出预测具有重要的现实意义。

目前，国内外学者提出了许多煤与瓦斯突出的评价方法，例如，案例推理〔1〕、小波神经网络〔2〕、BP模型〔3-4〕、SaS-PNN模型〔5〕、灰色理论〔6〕、属性数学〔7〕、突变理论〔8〕、SVM模型〔9〕、股市技术分析〔10〕以及回归分析〔11-12〕等等。以上的煤与瓦斯突出危险性预测都取得了一定的成果，但仍存在一定的缺陷〔13〕。例如，文献〔1〕中案例数目较大时，其计算速度有一定的影响；CBR模型作出决策前，需要操作整个案例库，学习和控制不能实时进行。文献〔2〕当网络输入的维数增加时，网络结构就会变得庞大，网络收敛速度就会下降；若伸缩参数和平移参数初始化不合适，整个网络不会收敛。文献〔4〕 BP模型需要根据经验反复试算获得预测结果，其隐含层没有确定性法则，习过程中人为因素较大，而且BP网络受样本容量的影响较大，如果BP神经网络没有充分的训练，样本数据量缺乏，预测值与期望输出值之间误差一般情况下较大。更为重要的是，煤与瓦斯突出与其影响因素之间存在着复杂的不确定性关系，时至今日，煤与瓦斯突出预测仍是一项研究难题，因此，建立有效的煤与瓦斯突出危险性预测模型显得十分必要。

在当今的社会当中，企业正在不断发展壮大，企业的数量以及规模也在发生着颠覆力的变化，如何让企业的财务会计与企业的管理会计互相融合，能够提高企业的经营效率以及企业的核心竞争力，并且还能够降低企业的经营成本，更好的发挥出企业的会计部门在企业中的作用，这都是我们要探讨的主要问题，为了能够使，两者互相融合的更为恰当，只有一个完整的制度，同时要培养人才。这样才能够让公司更好更快的发展，公司的管理人员也要意识到两者的重要性，在合理的范围之内对其进行有效结合。

作为00后的中学生很难得从老一辈的口中听到那个年代的歌，爷爷反复唱了好几遍《没有共产党就没有新中国》，爷爷唱歌的时候底气很足，声音洪亮，不仅唱出了气势，也唱出了中国共产党的奋斗史。

本文借鉴一种自组织特征映射(Self-organizing Feature Map，SOFM)神经网络预测研究煤与瓦斯突出危险性。SOFM神经网络已经在不同的领域得到了广泛的应用，如电机轴承故障识别〔14〕以及边坡稳定性评价〔15〕等等。针对复杂的非线性系统，SOFM神经网络能够根据输入样本的特征空间分布特点进行自组织学习，改善和提高煤与瓦斯突出预测的智能性。鉴于此，建立煤与瓦斯突出预测的SOFM神经网络模型，并通过26个典型矿井的煤与瓦斯突出实例验证模型可行性。

1 SOFM神经网络原理

SOFM神经网络〔14-15〕也称为Kohonen网络，它是由荷兰学者Tcuvo Kohonen于1981年提出的，该网络是在训练中能够自组织学习的一种竞争式的学习网络，其拓扑结构如图1所示。

煤与瓦斯突出危预测的SOFM神经网络模型，其算法步骤如下：

〔1〕 阎馨，付华.基于案例推理和数据融合的煤与瓦斯突出预测[J]. 东南大学学报(自然科学版)，2011，41(增刊)：59-63.

2.2.1 总体发病情况 超声心动图检查发现，40例患者(40/1 053，3.80%)合并先天性心脏病。其中，男性21例(52.5%)、女性19例(47.5%)。24例患者仅存在1种类型的心脏或大血管畸形(简单先天性心脏病)，包括卵圆孔未闭9例、房间隔缺损7例、室间隔缺损5例、动脉导管未闭3例；其余16例存在2种及以上心脏或大血管畸形(即复合先天性心脏病)，包括心内膜垫缺损1例、法洛四联症3例、法洛三联症2例、Ebstain 畸形合并房间隔缺损1例、动脉导管未闭合并室间隔缺损4例、动脉导管未闭合并室间隔缺损及房间隔缺损1例、动脉导管未闭合并卵圆孔未闭2例、房间隔缺损合并室间隔缺损2例。

2)计算每个输入向量X=(x1,x2,…,xm)与权值向量Wi间的最小距离Wc：

 

(1)

式中，单元c为制胜单元，则以半径Nc确定的领域就形成一个Bubble型反馈区。

英国新马克思主义学派的代表人物之一胡格维尔特的《发展社会学》一书，在对社会进化过程中的不同阶段及各阶段中社会系统的功能差异进行了分析的同时，提出了发展理论的研究框架，胡格维尔特将结构功能主义下静态的单一社会分化和整合的发展视为作为“过程”的发展，将人类社会视为相互联系和作用的整体更大范围内的发展视为“互动”的发展，而将某种文化取向和社会关系下的主体行动则视为作为“行动”的发展。结合胡格维尔特的理论框架笔者认为对于现有的关于社会组织的研究可以划分为几个类型。

吸附法是一种使用范围广泛的方法，一般采用金属螯合剂作为吸附材料，金属螯合剂中含有氨基、羧基、羟基等官能团可与金属离子进行络合反应形成螯合物。用于中药材中的吸附材料主要有大孔树脂、γ‐巯丙基键合硅胶、壳聚糖、聚乙烯发泡棉等。

3)重复操作第2)步，直至满足限制条件。

  

图1 SOFM 神经网络结构Fig.1 SOFM neural network structure

2 煤与瓦斯突出预测的SOFM神经网络模型

2.1 指标的选取

（2）拆除了物流行业的交易壁垒，使企业与企业之间来往更频繁，让越来越多的企业倾向于选择进入交通运输服务行业，因为进项税额可以抵扣，物流企业可以更加放心大胆地去干这一行，不再有以前那么多顾虑，因为现在只需要对增值部分增税，就不怕亏了还要交税。营业税改增值税的政策大大刺激了物流企业经济的迅猛发展，使企业更有干劲，让物流企业内部管理更严密、内控更完善，使各个部门工作更精细，工作效果更美好。

2.2 模型仿真结果及分析

创建SOFM神经网络前需要确定网络的结构，即确定竞争层神经元的数目以及拓扑结构；根据煤与瓦斯突出强度大小分类，竞争层神经元的数目设置为4，网络的训练次数设置300。

由于样本数据较少，本文选取1～22号样本做训练，23≈26号样本(共4个，来自每个类别的样本，)作测试。由于SOFM神经网络在训练过程中，采用随机抽取训练样本的方法，基于此，SOFM神经网络每次运行的结果都会有所不同。SOFM神经网络模型的某次仿真结果见表2，由表2可以看出，无突出(I)样本对应的获胜神经元编号为：7，8和12；小型突出(II)样本对应的获胜神经元编号为：1，4，6，9，10和16；中型突出(III)样本对应的获胜神经元编号为：11，13，14和15；大型突出(IV)样本对应的获胜神经元编号为：1，2，3，5和12。测试集中4个不同突出类型的样本所对应的获胜神经元编号在训练集中对应的获胜神经元编号集合内，基于此，23号测试样本的预测获胜神经元编号为7，对应到训练集中所有获胜的神经元编号，可判定23号测试样本属于无突出(I)样本。同理，24号测试样本属于中型突出(III)样本。25号测试样本的预测获胜神经元编号为8，对应到训练集中所有获胜的神经元编号，25号测试样本界定为无突出样本，与实际突出情况对比，样本判别错误。26号测试样本的预测获胜神经元编号为1，26号测试样本可能为小型突出(II)和大型突出(IV)样本；由以上分析可以看出，SOFM神经网络模型的正判率为92.31%，说明SOFM神经网络模型在煤与瓦斯突出预测中是可行的。

为了进行对比，表1中同时列出案例推理〔1〕、小波基神经网络〔2〕、BP神经网络〔3〕以及SaS-PNN模型〔5〕的预测结果，由表1可以看出，除25和26号样本预测存在一定的偏差外；SOFM神经网络模型的预测结果前人的预测结果基本一致。

 

表1 矿井煤与瓦斯突出实测数据

 

Table 1 Measured data of coal and gas outburst in coal mines

  

编号H/mFDΔP/(m·s-1)P/MPa突出类别本文方法小波神经网络改进BP法SaS-PNN模型CBR模型16200.31319.02.75IVIVIVIVIVIV(4)24450.2456.00.95IIIIIIIIIIII(2)35520.24314.03.95IIIIIIIIII—44620.16318.01.20IIIIIII(错误)IIII(2)53950.6115.01.17IIIIII(1)67450.3638.01.25IIIIIIIIIIIIIIIIII(3)74250.5938.02.80IIIIIIIIIIII(2)84600.4817.02.00IIIIII(1)95430.22314.03.95IVIVIVIVIV—104420.5154.02.90IVIVIVIVIV—114260.4236.01.40IVIVIVIVI(错误)IV(4)124280.5834.01.40IIIIII(1)135100.34414.02.16IIIIIIIIII—144550.2436.00.95IIIIIIIIIIIIIIIIII(3)154770.6024.81.05IIIIII(1)165150.28311.02.39IIIIIIIIIIII(2)175880.32513.03.86IVIVIVIVIVIV(4)185430.5456.03.95IVIV—IVIVIV(4)194000.5133.01.40IIIIII(1)204850.58414.02.16IIII—IIIIII(2)217400.3747.40.74IIIIII—IIIIIIIII(3)225680.4048.61.17IIIIIIIIIIIIII(错误)—234380.5324.01.65II—III(1)247060.3549.01.65IIIIIIIIIIIIIIIIII(3)255190.4218.02.40III(错误)IIIIII—266600.21212.03.80IVII或IV(错误)IVIVIVIV(4)

注：“( )”里面数字代表预测结果〔1〕

 

表2 SOFM神经网络预测结果

 

Table 2 Prediction results of SOFM neural network

  

样本编号123456789实际类别4(IV)2(II)2(II)2(II)1(I)3(III)2(II)1(I)4(IV)获胜神经元编号51619713481样本编号101112131415161718实际类别4(IV)4(IV)4(IV)4(IV)3(III)3(III)3(III)3(III)3(III)获胜神经元编号31212101571023样本编号1920212223242526实际类别1(I)2(II)3(III)3(III)1(I)3(III)2(II)4(IV)获胜神经元编号126141171381

3 结论

〔8〕 郭德勇，李佳乃，王彦凯. 基于黏滑失稳与突变理论的煤与瓦斯突出预警模型[J]. 北京科技大学学报, 2013，35(11):1407—1412.

〔3〕 肖红飞，何学秋，刘黎明. 改进BP算法在煤与瓦斯突出预测中的应用[J]. 中国安全科学学报，2003，13(9):59-61.

2)将SOFM神经网络模型运用到国内26个典型矿井的煤与瓦斯突出预测，研究结果表明：SOFM神经网络模型具有较好的评价效果，其正判率为92.31%，说明SOFM神经网络模型在煤与瓦斯突出评价中是可行的。

值得一提的是，本文只是初次尝试将SOFM神经网络模型运用到煤与瓦斯突出评价中，对指标的选取、权重研究以及模型的优化算法还需要进一步的深入研究和探讨。

〔6〕 梁冰，秦冰，孙维吉，等.智能加权灰靶决策模型在煤与瓦斯突出危险评价中的应用[J].煤炭学报，2013，38(9)：1611—1615.

1)对初始向量Wi(Wi为第i个输出层与输入层的权值向量，i=1,2,…,p)，赋予小的随机数，与此同时，确定输出节点的初始相邻阈值。

〔2〕 谭云亮，肖亚勋，孙伟芳，等.煤与瓦斯突出自适应小波基神经网络辨识和预测模型[J]. 岩石力学与工程学报，2007，26(A01)：3373-3377.

参考文献〔3〕，取地质破坏程度D、瓦斯压力P、瓦斯放散初速度ΔP、煤的坚固性系数F以及开采深度H作为煤与瓦斯突出危险性预测的评价指标；根据煤与瓦斯突出强度大小，将煤与瓦斯突出大小分为I(大型突出，100 t以上)、II(中型突出，50～100 t)、II(小型突出，50 t以下)和IV(无突出)为了便于识别，I、II、III和IV四类的突出级别分别量化为1，2，3 和4。选取26个国内典型矿井煤与瓦斯突出数据作为SOFM模型学习样本(见表1)〔3〕。

样本均衡化有“过采样”或“降采样”两种方法。对分布极不均匀的数据集，降采样很难取得良好的效果。因为降采样采用的策略是从“多数类”中选取样本，使其样本数与“少数类”样本容量相当，再与“少数类”结合进行训练。这样不能充分利用采集得到的数据，导致算法结果过拟合。

〔4〕 李春辉，陈日辉，苏恒瑜. BP神经网络在煤与瓦斯突出预测中的应用[J]. 矿冶，2010, 19(3):21-23.

〔5〕 王佳信，周宗红，张继华，等. 煤与瓦斯突出危险性预测的SaS-PNN模型及应用[J]. 传感技术学报，2017， 30(7):1112-1118.

参考文献：

〔7〕 马衍坤，王恩元，刘贞堂，等.煤层突出危险性的属性综合评价模型研究[J]. 采矿与安全工程学报，2012，29(3)：416—420.

1)本文引入一种煤与瓦斯突出预测模型—SOFM神经网络模型，该模型在300次就可以将样本进行高精度分类，不需要进行训练更多次，这比一般方法的聚类速度快，可为小样本多指标的煤与瓦斯突出评价提供一种方法。

〔9〕 张克，汪云甲，陈同俊，等. 基于正演模拟和SVM的瓦斯突出危险区预测[J]. 中国矿业大学学报，2011，40(3):453—458.

〔10〕 李成武，解北京，曹家琳，等.煤与瓦斯突出强度能量评价模型[J].煤炭学报，2012，37(9)：1547-1552.

〔11〕 张鹏翔，兰玉海，田奎国. 煤与瓦斯突出危险性的逐步回归分析[J]. 矿冶，2015，24(2):32-34.

〔12〕 LI Z，WANG E， OU J，et al. Hazard evaluation of coal and gas outbursts in a coal-mine roadway based on logistic regression model[J]. International Journal of Rock Mechanics & Mining Sciences，2015，80:185-195.

一是关于考试大纲的科学性.实现“基于大纲标准的评价”，首先需保证大纲是具体而科学的.只有考试大纲规定内容领域是具体的，清晰的，评价目标才能是明确的，命题者才能根据大纲科学的编制试题.现行的考试大纲还不完善，对很多内容的考察目标不清晰.同时，常言道与时俱进，对于教师专业化的评价是变化的，考试大纲年年相似，制定更符合时代发展需要的标准是必须的.

〔13〕 王佳信，周宗红，赵婷，等. 基于Alpha稳定分布概率神经网络的围岩稳定性分类研究[J]. 岩土力学，2016，37(增刊2):649-657.

〔14〕 贺岩松，黄毅，徐中明，等. 基于小波奇异熵与SOFM神经网络的电机轴承故障识别[J]. 振动与冲击，2017，36(10):217-223.

鲁迅对国民性的改造是以暴露农民身上的弱点为切入口的，从而推及其他群体直至全体国民。鲁迅笔下的阿Q这一农民身上几乎具有所有国民性的弱点，他愚昧无知，麻木不仁，封建落后，自欺欺人。其中以“精神胜利法”最为典型。作者对阿Q这一形象的批判是十分尖锐，不留情面的。试想：如不敢揭示疮疤，像阿Q那样习惯忌光忌亮，“用瞒和骗，造出奇妙的逃路来，而自以为正路，在这路上，就证明着国民性的怯懦、懒惰、而又滑。一天一天的满足着，即一天一天的堕落着，但又觉得日见其光荣。”那么中国人民就要继续做帝国主义、封建统治者的奴隶，而且心安理得地活下去。

〔15〕 薛新华，张我华，刘红军. 基于SOFM神经网络的边坡稳定性评价[J]. 岩土力学， 2008，29(8):2236-2240.