基于概念格粗糙集的采矿方法优选研究

doi:10.11872/j.issn.1005-2518.2019.02.181

基于概念格粗糙集的采矿方法优选研究

邬书良^,¹^,², 杨珊³, 黄温钢¹

1. 东华理工大学地球科学学院，江西南昌 330013

2. 东华理工大学江西省数字国土重点实验室，江西南昌 330013

3. 中南大学资源与安全工程学院，湖南长沙 410083

Research on Mining Method Optimization Based on Concept Lattice Rough Set

WU Shuliang^,¹^,², YANG Shan³, HUANG Wengang¹

1. School of Earth Sciences，East China University of Technology，Nanchang 330013，Jiangxi，China

2. Key Laboratory for Digital Land and Resources of Jiangxi Province，East China University of Technology，Nanchang 330013，Jiangxi，China

3. School of Resources and Safety Engineering，Central South University，Changsha 410083，Hunan, China

收稿日期: 2018-03-05 修回日期: 2018-08-13 网络出版日期: 2019-04-29

基金资助:

江西省教育厅科技项目“复杂应力环境下地下金属矿开采引起的岩层移动规律研究”（编号：GJJ170466）、国家自然科学基金青年基金项目“基于人工智能的矿山技术经济指标动态优化研究”（编号：51404305）、东华理工大学江西省数字国土重点实验室开放研究基金项目“基于红外遥感技术的地下工程岩爆灾害判别方法研究”（编号：DLLJ201706）、东华理工大学博士科研启动基金项目“地下金属矿无废开采规划方法与技术研究”（编号：DHBK2016125）和东华理工大学校级教改课题项目“《矿业系统工程》跨专业联合创新课程设计研究”. 编号：1310100334

Received: 2018-03-05 Revised: 2018-08-13 Online: 2019-04-29

作者简介 About authors

邬书良（1989-），男，江西南昌人，博士，讲师，从事地下金属矿开采及矿业系统工程方面的研究工作wushuliang@ecit.cn , E-mail：wushuliang@ecit.cn

摘要

为了正确选择矿山初选的采矿方法，提出基于概念格粗糙集的采矿方法评价体系。综合考虑影响采矿方法选择的众多因素后，对指标进行分层处理，利用改进的粗糙集建立采矿方法评价体系，生成最少决策规则集。属性约简是粗糙集中的核心问题，选择概念格作为约简工具，对条件属性进行约简。将模型用于15种采矿方法的优选，得到了最大可约简属性集，决策规则集的分类质量为100%。最后，将约简概念格与传统粗糙集中的分辨矩阵进行对比，结果表明：概念格在属性约简方面比分辨矩阵更有效，利用概念格的粗糙集构建采矿方法评价体系对矿山生产具有一定的理论指导意义。

关键词： 采矿方法 ; 粗糙集 ; 决策规则集 ; 属性约简 ; 知识发现 ; 概念格 ; 分辨矩阵

Abstract

While making rational use of mineral resources，it is necessary to make rational selection of mining methods so as to improve the utilization rate of mineral resources.The selection of mining methods has a decisive impact on the overall improvement of mine production capacity，safety and economic benefits，and also has direct effects on the degree of environmental damage caused by mining production.Therefore，it is particularly important to choose a scientific and reasonable mining method.In order to make a correct selection of the mining method for the primary section，to improve the efficiency of mining method optimization and perfect the process of mining method optimization，a mining method evaluation system based on concept lattice rough set is proposed.The evaluation system is aiming at the problems of strong subjective arbitrariness and insufficient analysis of index information in current mining method optimization，combining quantitative methods with qualitative ones，analyzing the relationship between evaluation index and mining method.Firstly，according to the idea of constructing evaluation system by analytic hierarchy process (AHP)，many influencing factors of the selection of mining method were comprehensively considered and sliced，so as to obtain the evaluation index system of mining methods with complete information.Then，the improved rough sets were applied to establish mining method evaluation system.As attribute reduction is the kernel contents of rough set，using concept lattice as reduction tool can get the maximal reductions，and minimum decision rule set was generated by using reduced evaluation index.Finally，the model is applied to the evaluation of 15 mining methods，and the classification quality of 15 mining methods is 100 $%$ according to the decision rule set.In order to verify the data processing ability of concept lattice for attribute reduction，the reduced concept lattice is compared with that of the traditional rough set.The results show that the concept lattice is more effective than the resolution matrix in attribute reduction.It can carry out deep data mining on evaluation indexes of mining methods.Based on the relationship between condition attributes and decision attribute，it can also reduce the indexes needed for evaluation of mining methods.As to the ability of rough set to deal with uncertainties，the minimum decision rule set generated by rough set can classify the pros and cons of alternative mining methods.The construction of mining method evaluation system by using the rough set based on concept lattice has a certain theoretical significance for mine production.

Keywords： mining method ; rough set ; decision rules ; attribute reduction ; knowledge discovery ; concept lattice ; discernable matrix

PDF (1281KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

邬书良, 杨珊, 黄温钢. 基于概念格粗糙集的采矿方法优选研究[J]. 黄金科学技术, 2019, 27(2): 181-188 doi:10.11872/j.issn.1005-2518.2019.02.181

WU Shuliang, YANG Shan, HUANG Wengang. Research on Mining Method Optimization Based on Concept Lattice Rough Set[J]. Gold Science and Technology, 2019, 27(2): 181-188 doi:10.11872/j.issn.1005-2518.2019.02.181

地下矿山开采时，根据矿山的开采条件及其他各类指标，初期往往会提出多种由不同参数组成的采矿方法，此时就需要对所选采矿方法进行评价，从中选出最优采矿方案。国内外诸多学者利用系统工程中的评价及预测方法对采矿方法优选进行了研究^[1,2,3,4,5]，为深化采矿方法优选理论提供了新思路，但仍存在许多不足，具体表现在：层次分析法初步考虑的影响因素较全面^[6,7,8]，但未对影响因素进行后续的约简，通过剔除部分不重要的因素来提高评价效率；神经网络泛化性能不高^[9]，参数选择对评价结果的影响较大。

粗糙集具有强大的知识挖掘能力，已成功应用于许多评价系统中^[10,11,12]，能够从工程事例决策系统中导出决策模型，并且选出的是一组最优方案，增强了方案的可选性和灵活性。同时，属性约简是粗糙集中的核心问题^[13,14]，概念格是一种知识表示和数据分析的有效工具。本文通过层次分析法综合考虑影响采矿方法选择的因素，然后将约简概念格引入粗糙集中，利用概念格作为约简工具对影响因素进行约简分析，最后建立对矿山实际生产具有指导意义的采矿方法评价体系，进而为采矿方法的合理选择提供一条新途径。

1 采矿方法评价体系模型的建立

1.1 构建层次综合评价指标体系

构建采矿方法优选模型是一个系统工程，影响采矿方法选择的评价指标错综复杂，因此本文从开采条件、经济指标、地压控制程度和技术指标4个方面出发，利用层次分析法构建采矿方法层次综合评价指标体系，如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 采矿方法评价体系指标结构图

Fig.1 Structural diagram of evaluation indexes for mining method

该体系包括目标层、准则层和指标层，将采矿方案优选作为目标层，通过准则层中的4项指标构建包含17项评价指标的指标层，从而建立完整的采矿方法评价体系。

1.2 指标权重矩阵的确定

对同一层次的不同指标进行比较^[6,7,8]，各指标间的重要性比较标准及意义见表1。

表1 指标间重要性比较标准

Table 1 Comparison criteria for the importance of indicators

标准值	意义
1	x_i与x_j重要性相同
3	x_i重要性稍微高于x_j
5	x_i重要性明显高于x_j
7	x_i重要性强烈高于x_j
9	x_i重要性绝对高于x_j
2，4，6，8	介于1和3，3和5，5和7，7和9之间的值

新窗口打开| 下载CSV

x_ij、x_ji分别表示x_i对x_j、x_j对x_i的比较，且x_ij×x_ji=1。n个评价指标的归一化权重为

， i=1，2，…，n

w_{i} = \frac{1}{n} \overset{n}{\sum_{j = 1}} \frac{x_{i j}}{\overset{n}{\sum_{k = 1}} x_{k j}}

（1）

评价指标的权重矩阵为

W=[w₁，w₂，…，w_n]（2）

1.3 搜寻约简及生成决策规则

根据备选的采矿方法对矿山生产要求的适应性及各指标权重，得到各方案准则层指标的分值，进而得出各采矿方法的综合评分，生成采矿方法评价体系决策表。

根据采矿方案评价体系决策表中的评分及实际生产需要，将评价决策表划分为优、良、中、差4个级别，进而生成采矿方法的知识表达系统。属性约简是粗糙集理论中的核心问题。将概念格理论用于属性约简，通过将知识表达系统转化为形式背景并生成概念格对应的Hasse图，从概念格等价内涵中去掉冗余内涵并形成约简概念格，利用约简后的条件属性导出概率决策规则。

2 概念格的属性约简方法

2.1 概念格的概念

概念格是一种支持数据分析的有效工具，能够构建出许多模型^{[15,16,17,18]}。概念格的每个节点是一个概念，其由外延（或对象）和内涵（或属性）两部分组成^[19]。

一个形式背景K=（G，M，I）由对象集G、属性集M及二者之间的关系I组成。对于一个形式背景的对象集A∈p（G），属性集B∈p（M）定义以下映射f和g：

f (A) = {m \in M | \forall g \in A, g I m}

g (B) = {g \in G | \forall m \in B, g I m}

则满足以上2个映射的二元组（A，B）为一个概念。若概念（A₁，B₁）和（A₂，B₂）满足 $A_{1} \subseteq A_{2}$ 或 $B_{2} \subseteq B_{1}$ ，则（A₁，B₁）为子概念，（A₂，B₂）为父概念。由形式背景中所有超概念—亚概念的偏序关系所诱导出的格即为概念格。

2.2 概念格属性约简

概念格的属性约简方法如下：先构建一个完整的概念格，然后通过搜索样本中所含的概念，得到概念格中的相融可辨概念和亏属性，再从条件属性的幂集中剔除包含亏属性的集合，最终得到约简属性^[20,21]。

若概念（A₁，B₁）与（A₂，B₂）共有一个父概念（A，B），且（A，B）不包含决策属性，但 $V_{D} ⋂ B_{1} \neq \emptyset$ ∨ $V_{D} ⋂ B_{2} \neq \emptyset$ ，则（A，B）为（A₁，B₁）与（A₂，B₂）的相融可辨概念。其中 $V_{D}$ 为决策属性集。

若原决策表中的条件属性 $C_{i}$ 满足 $V_{c_{i}} ⋂ B_{2} = \emptyset$ ，则满足此条件的所有条件属性 $C_{i}$ 的集合称为概念（A，B）相对于初始决策表的亏属性。

3 工程应用

国内某铅锌矿矿体沿走向长度为55~90 m，呈透镜状，厚度为3.5～9.0 m，倾角为65°~80°，矿石锌品位为8.5％~58.2％。矿体岩性主要为白云岩和粉砂岩，中等稳定，节理裂隙较发育，局部破碎不稳定。矿体上盘为白云岩，中等稳定；矿体下盘为白云岩或粉砂岩，中等稳定至不稳定。根据矿体的赋存特点和开采技术条件，初步提出5种采矿方案，分别是浅孔留矿法（n1~n3）、分段嗣后充填法（n4~n6）、下向分层胶结充填法（n7~n9）、上向分层胶结充填法（n10~n12）和上向进路胶结充填法（n13~n15）。

根据各采矿方法所选参数的不同，将上述各采矿方法均分为3种，共包括15个备选方案。各采矿方法的区别主要表现在爆破参数、充填材料和采场尺寸等不同，如浅孔留矿法（n1~n3）3个方案的炸药单耗分别为0.25，0.30，0.40 kg/t；分段嗣后充填法（n4~n6）3个方案的尾砂胶结充填料的灰砂比分别为1∶7.5、1∶9和1∶6；下向分层胶结充填法（n7~n9） 3个方案的矿块长度分别为40，35，30 m，宽度均为矿体水平厚度；上向分层胶结充填法（n10~n12）3个方案的底柱高度分别为5、0.9（钢筋混凝土土人工底柱）和0.7 m（钢筋混凝土人工底柱）；上向进路胶结充填法（n13~n15）3个方案的矿块高度分别为50，55，60 m，进路宽度均为4.5 m。

3.1 确定影响因数及相应的权重

根据所构建的采矿方法评价指标体系，准则层O={P₁，P₂，P₃，P₄}={开采条件，经济指标，地压控制程度，技术指标}。指标层P₁={x₁，x₂，x₃，x₄，x₅，x₆}={走向长度，矿体厚度，矿体倾角，矿体稳固性，上盘稳固性，下盘稳固性}；P₂={x₇}={采矿直接成本}；P₃={x₈}={采空区最大暴露面积}；P₄={x₉，x₁₀，x₁₁，x₁₂，x₁₃，x₁₄，x₁₅，x₁₆，x₁₇}={采场生产能力，矿石损失率，矿石贫化率，采切比，通风条件，采矿工效，方案灵活适应性，劳动强度，工艺复杂程度}。

根据相对重要比较法^[2]计算各层指标的权重，准则层权重矩阵：W=[w₁w₂w₃w₄]=[0.16 0.30 0.30 0.24]；指标层权重矩阵：开采条件R₁=[r₁r₂r₃r₄r₅r₆]=[0.10 0.20 0.20 0.26 0.14 0.10]，经济指标R₂=[r₇]=[1]，地压控制程度R₃=[r₈]=[1]，技术指标R₄= [r₉r₁₀r₁₁r₁₂r₁₃r₁₄r₁₅r₁₆r₁₇]=[0.16 0.16 0.05 0.05 0.18 0.10 0.10 0.10 0.10]。

3.2 建立评价决策表

根据所构建的采矿方法评价体系，结合矿山的实际生产情况，利用专家评分法对各采矿方案的适应性进行评分，如浅孔留矿法n1的开采条件指标评分为B₁=[83 85 90 86 87 92]，则综合得分为W₁=R₁*B₁’=[0.10 0.20 0.20 0.26 0.14 0.10]* [83 85 90 86 87 92]’=88.04。类似地，采用同样的方法对待选采矿方法的各项指标进行评分，以此建立采矿方法评价决策表，见表2。

表2 采矿方法评价决策表

Table 2 Evaluation decision-making table of mining methods

方案	条件属性				决策属性E
方案	开采条件A	经济指标 B	地压控制程度C	技术指标 D	决策属性E
n1	88.04	87.16	92.65	80.42	87.3302
n2	86.36	82.25	87.75	82.78	84.6848
n3	85.79	79.65	85.62	90.27	84.9722
n4	80.63	78.21	75.47	88.72	80.2976
n5	78.26	80.12	65.31	85.23	76.6058
n6	79.25	68.47	82.45	86.32	78.6728
n7	78.34	66.26	66.46	72.87	69.8392
n8	80.45	62.96	68.65	68.15	68.7110
n9	72.32	63.13	71.24	67.67	68.1230
n10	88.65	92.36	95.18	88.78	91.7532
n11	90.15	88.26	92.79	88.62	90.0078
n12	88.32	89.35	95.68	80.58	88.9794
n13	81.46	75.62	78.64	76.45	77.6596
n14	85.13	77.98	77.32	75.24	78.2684
n15	82.96	82.61	80.13	81.35	81.6196

新窗口打开| 下载CSV

表2中数据为各采矿方案评价指标的综合得分，分值越高说明选用的某项指标或采矿方案越适合。为选出适合实际生产的采矿方案并对其进行评价，需对评价决策表中的数据进行离散处理，并建立相应的知识表达系统。根据表中的分值情况及实际生产需求，将分值[90，100）评为“优”，[80，90）评为“良”，[70，80）评为“中”，[60，70）评为“差”，并依据此规则进行离散，所建立的知识表达系统如表3所示。

表3 决策知识表达系统

Table 3Decision knowledge expression system

方案	条件属性				决策属性E
方案	开采条件 A	经济指标 B	地压控制程度C	技术指标 D	决策属性E
n1	良	良	优	良	良
n2	良	良	良	良	良
n3	良	中	良	优	良
n4	良	中	中	良	良
n5	中	良	差	良	中
n6	中	差	良	良	中
n7	中	差	差	中	差
n8	中	差	差	差	差
n9	中	差	中	差	差
n10	良	优	优	良	优
n11	优	良	优	良	优
n12	良	良	优	良	良
n13	良	中	中	中	中
n14	良	中	中	中	中
n15	良	良	良	良	良

新窗口打开| 下载CSV

从表3可以看出，若条件属性不同，则其决策属性也不同，进而能够找出条件属性与决策属性之间的关系，通过粗糙集生成采矿方法评价规则集。

3.3 约简概念格的属性约简

在决策表中共有4个条件属性，利用概念格对决策表中的条件属性进行约简。决策表对应的部分形式背景见表4。

表4 知识表达系统对应的形式背景

Table 4 Formal context of knowledge expression system

	A_1	A_2	A_3	B_1	E_3	E_4
n1		×
n2		×
n3		×
n4		×
n5			×		×
n6			×		×
n7			×			×
n8			×			×
n9			×			×
n10		×		×
n11	×
n12		×
n13		×			×
n14		×			×
n15		×

新窗口打开| 下载CSV

表4中A、B、C、D、E分别代表开采条件、经济指标、地压控制程度、技术指标和决策属性。其中A_1、A_2、A_3、A_4分别代表开采条件中的优、良、中、差，其他依此类推；“×”表示对象包含此内涵。

由于决策表中有4个条件属性和1个决策属性，每个属性都有优、良、中、差4个取值，所以在形式背景中有20个属性。例如：n1采矿方法具有属性A_2，说明其开采条件属性为良。从表4可以看出，这种形式背景是单值的形式背景。

利用Lattice Miner工具构建形式背景所对应的概念格，概念格的Hasse图如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 形式背景对应的概念格

Fig.2 Concept lattice of formal context

Hasse图中的每一个节点代表一个概念，每条线连接的2个概念中，上层概念为下层概念的父概念，顶端的点为最大父概念。每个节点标签上的字母代表该节点所包含的属性，百分比及节点颜色深浅代表包含该属性的对象所占比例。

采用第2.2小节中的方法，从这41个概念中找出16个相融可辨概念，其亏属性为{B，D，AC}，即不可约简属性集合的最简形式。

条件属性{A，B，C，D}的幂集为{A，B，C，D，AB，AC，AD，BC，BD，CD，ABC，ABD，ACD，BCD，ABCD}，将包含亏属性的集合从条件属性的幂集中删除，得到可约简属性集合{A，C}，即属性A或C是可约简的。

为了选出较优的约简，将2种约简后的知识表达系统进行对比。当约简条件属性A之后，决策中的n1、n11、n12出现了不可辨识的关系，即n1、n11、n12的条件属性相同，但决策属性不同，这必定会影响最后的决策规则；而约简属性C没有出现不可辨识的关系，所以最后选择约简{开采条件，经济指标，技术指标}。

地压控制程度指标被约简，并非说明该指标对于采矿方法的选择不重要，仅仅是因为在备选方案中，该指标未影响决策属性值。当对其他矿山进行采矿方法优选时，应根据不同矿山的实际情况对指标进行分析，得到适合该矿山采矿方法优选的约简属性。

3.4 生成概率决策规则集

按照决策属性，综合评价可分为4类：Cl₁={差}，Cl₂={中}，Cl₃={良}，Cl₄={优}。那么，决策类的并集为：Cl₁^≤= Cl₁，综合评价为差；Cl₂^≤= Cl₁∪Cl₂，综合评价至多为中；Cl₂^≥= Cl₂∪Cl₃∪Cl₄，综合评价至少为中；Cl₃^≤= Cl₁∪Cl₂∪Cl₃，综合评价至多为良；Cl₃^≥= Cl₃∪Cl₄，综合评价至少为良；Cl₄^≥=Cl₄，综合评价为优。

以约简{开采条件，经济指标，技术指标}得到概率决策规则集D_≥和D_≤，如表5和表6所示。

表5 D_≥概率决策规则集

Table 5 D_≥ probability decision rules

概率规则集	支持数	置信度/%
if开采条件≥优∧经济指标≥良∧技术指标≥良then综合评价=优	2	100
if开采条件≥良∧经济指标≥良∧技术指标≥良then综合评价≥良	6	100
if开采条件≥中∧经济指标≥良∧技术指标≥中then综合评价≥中	4	100
if开采条件≤中∧经济指标≤差∧技术指标≤中then综合评价=差	3	100

新窗口打开| 下载CSV

表6 概率决策规则集

Table 6 D_≤ probability decision rules

概率规则集	支持数	置信度/%
if开采条件≥优∧经济指标≥良∧技术指标≥良then综合评价=优	2	100
if开采条件≤良∧经济指标≤良∧技术指标≤良then综合评价≤良	6	100
if开采条件≤良∧经济指标≤中∧技术指标≤中then综合评价≤中	2	100
if开采条件≤中∧经济指标≤良∧技术指标≤良then综合评价≤中	2	100
if开采条件≤中∧经济指标≤差∧技术指标≤中then综合评价=差	3	100

新窗口打开| 下载CSV

概率决策规则为“if…then…”的形式，由条件和决策2个部分组成。支持数表示符合该决策规则的方案数量，置信度表示符合该决策规则的方案数量占比只需符合决策规则中if条件的方案数量的比例。

表5和表6中的规则集表明，采矿方法只有在符合开采条件指标的评价为优时，其评价结果才为优，主要是因为当某一矿体的赋存条件确定后，采矿方法的设计首先依据的是开采条件。

3.5 结果分析

由表5和表6生成的规则可知，利用粗糙集构建采矿方法评价体系，所有对象全部被正确分类。利用该分类规则，可对矿山初选的采矿方法进行优选。其中n10、n11采矿方法的决策属性为优，即上向分层胶结充填法最适用于开采该地下矿山的矿体。

传统粗糙集的属性约简方法为分辨矩阵，表3生成的分辨矩阵如表7所示。

表7 分辨矩阵

Table 7 Discernable matrix

	n1	n2	n3	n4	n5	n6	n7	n8	n9	n10	n11	n12	n13	n14
n2 n3	C BCD	BD
n2 n3	C BCD	BD
n4	BC	BC	CD
n5	AC	AC	ABCD	ABC
n6	ABC	AB	ABD	ABC	BC
n7	ABCD	ABCD	ABCD	ABCD	BD	CD
n8	ABCD	ABCD	ABCD	ABCD	ABD	CD	D
n9	ABCD	ABCD	ABCD	ABD	BCD	CD	CD	C
n10	B	BC	BCD	BC	ABC	ABC	ABCD	ABCD	ABCD
n11	A	AC	ABCD	ABC	AC	ABC	ABCD	ABCD	ABCD	AB
n12		C	BCD	BC	AC	ABC	ABCD	ABCD	ABCD	B	A
n13	BCD	BCD	CD	D	ABCD	ABCD	ABC	ABCD	ACD	BCD	ABCD	BCD
n14	BCD	BCD	CD	D	ABCD	ABCD	ABC	ABCD	ACD	BCD	ABCD	BCD
n15	C		BD	BC	AC	AB	ABCD	ABCD	ABCD	BCD	AC	C	BCD	BCD

注：A、B、C、D分别代表开采条件、经济指标、地压控制程度和技术指标4项条件属性

新窗口打开| 下载CSV

由分辨矩阵可得出分辨函数：

f=（C）∧（B）∧（A）∧（D）=A∧B∧C∧D

4项条件属性均被保留，所以利用传统粗糙集的分辨矩阵对条件属性进行约简时，没有搜寻到约简集合，即分辨矩阵的结果认为所有属性都是不可约简的。2种约简方法的性能对比见表8。

表8 约简概念格与分辨矩阵约简的对比

Table 8 Comparison of reduced concept lattice and discernable matrix reduction

对比内容

约简概念格

分辨矩阵约简

约简结果

{经济指标，地压控制程度，技术指标}和{开采条件，经济指标，技术指标}，通过概念对比，选择后者为最终约简结果，该结果符合实际

未能搜寻到约简，仍然需要4个条件属性进行决策

约简效率

通过求得相融可辨概念的亏属性，

得到约简结果，搜寻速度快

需根据条件属性进行两两对比，执行效率低，搜寻时间较概念格要长

新窗口打开| 下载CSV

4 结论

（1）应用粗糙集构建采矿方法评价体系，从决策系统中导出规则集，待评价对象均被正确分类，分类质量达到100%；与一般的采矿方法选择相比，利用粗糙集建立的采矿方法评价体系可根据优劣程度对初选方案进行分类，从而导出一批最优方案以供选择；同时，可搜寻出条件属性在不同属性状态下相应决策属性的状态，结果表明应用粗糙集构建采矿方法评价体系是可行的。

（2）将概念格作为约简工具，对条件属性进行约简，在得到多个约简结果时，可通过对约简后属性的知识表达系统进行对比，分析其中存在的不可辨识关系，从而选出可靠的、关系明确的约简属性。对于地压控制程度指标被约简的结果，并非说明该指标对于采矿方法的选择不重要；针对不同矿山进行采矿方法评价时，需根据矿山实际情况进行分析。

（3）与分辨矩阵相比，概念格的属性约简方法能够在分辨矩阵不能搜寻到约简的情况下对条件属性进行约简，说明概念格的约简方法具有更好的数据处理能力，而且其搜寻约简的效率比分辨矩阵高，将概念格用于粗糙集构建采矿方法优选模型，为指标分析提供了新的手段和方法，为丰富采矿方法优选理论提供了新思路。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

尹利平，刘金海，朱卓会.

基于逼近理想解排序的采矿方法选择

［J］.矿冶工程，2010，30（3）：12-15．

[本文引用: 3]

Yin

Liping

，Liu

Jinhai

，Zhu

Zhuohui

Mining method based on technique for order preference by similarity to ideal solution

［J］.Mining and Metallurgical Engineering，2010，30（3）：12-15.

[本文引用: 3]

[2]

王卫京

太白金矿深部矿体采矿方法选择研究

［J］．西安建筑科技大学学报（自然科学版），2010，42（6）：907-912．

[本文引用: 2]

Wang

Weijing

Selection of mining methods for deep orebody in Taibai gold mine

［J］.Journal of Xi’an University of Architecture and Technology（Natural Science Edition），2010，42（6）：907-912.

[本文引用: 2]

[3]

Bakhtavar

，Shahriar

，Oraee

Mining method selection and optimization of transition from open pit to underground in combined mining

［J］.Archives of Mining Sciences，2009，54（3）：481-493.

	A_1	A_2	A_3	B_1	E_3	E_4
n1		×
n2		×
n3		×
n4		×
n5			×		×
n6			×		×
n7			×			×
n8			×			×
n9			×			×
n10		×		×
n11	×
n12		×
n13		×			×
n14		×			×
n15		×

	A_1	A_2	A_3	B_1	E_3	E_4
n1		×
n2		×
n3		×
n4		×
n5			×		×
n6			×		×
n7			×			×
n8			×			×
n9			×			×
n10		×		×
n11	×
n12		×
n13		×			×
n14		×			×
n15		×