下载文档原格式
基于遗传算法优化的RBF网络预测瓦斯涌出量作者：方亮亮潘玉民来源：《科技视界》2014年第16期【摘要】RBF网络待定参数较多，难以确定出最佳值，因此利用RBF神经网络预测瓦斯涌出量具有一定的局限性。
本文采用遗传算法优化、简化RBF网络结构及参数，建立GA-RBF预测模型对瓦斯涌出量进行预测。
该模型利用遗传算法的选择、变换、变异等运算，再按照优胜劣汰的原则保留网络参数的最优值。
仿真实验表明，GA-RBF预测精度优于传统的RBF 预测模型，训练速度也有明显提高。
【关键词】瓦斯涌出量；RBF；遗传算法；优化；预测0 引言煤矿瓦斯涌出量是煤矿瓦斯灾害的主要来源，威胁着井下人员的生命安全。
准确预测瓦斯涌出量是关系到安全生产的正常运转、开发设计新井的重要因素之一。
目前智能预测方法主要采用BP、RBF神经网络进行预测，但均涉及参数初始化问题，初始化数值不同，预测结果将有很大区别。
本文采用遗传算法提高神经网络的预测性能。
1 遗传算法遗传算法是模拟自然界生物进化过程与机制求解极值问题的一类自组织、自适应人工智能技术，其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的算法，具有坚实的生物学基础。
1.1 算法原理遗传算法中，被研究体系的响应曲面看作为一个群体，相应曲面上的每一个点作为群体中的一个个体，个体用多维向量或矩阵来描述，组成矩阵和向量的参数相应于生物种群组成染色体的基因，染色体用固定长度的二进制串表述，通过交换、突变等遗传操作，在参数的一定范围内进行随机搜索，不断改善数据结构，构造出不同的向量，相当于得到了被研究的不同解，目标函数值较优的点被保留，目标函数值差的被淘汰。
遗传操作可以越过位垒，跳出局部较优点，达到全局最优。
1.2 遗传算法的组成一般的遗传算法有四个部分：编码机制、适应度函数、遗传算子、控制参数。
（1）编码机制（Encoding Mechanism）这是遗传算法的基础。
遗传算法不是对研究对象直接进行讨论，而是通过某种编码机制把对象统一赋予由特定符号按一定顺序排成的串。
遗传算法的BP网络模型进行瓦斯涌出量预测王生全;刘柏根;张召召;范琪;冯海【期刊名称】《西安科技大学学报》【年(卷),期】2012(032)001【摘要】Starting with the improving of the prediction speed and preciseof gas emission quantity at mining faces, the authors put forward a BP neutral network model for optimizing both the network link weight and topologic structure with a genetic algorithm. Taking Hancheng Xiayukou coal mine as an example , a practical application method is given. The results shows the model is of a higher precision and application prospect.%从提高采煤工作面瓦斯涌出量预测的速度和精度入手,将遗传算法与神经网络2种非线性最优化算法的优势加以融合,提出了一种利用遗传算法同时优化BP网络的连接权和拓扑结构的网络模型,并以韩城下峪口煤矿为例,进行了实际应用.结果表明:改进后的BP网络模型预测精度较高,具有良好的应用前景.【总页数】6页(P51-56)【作者】王生全;刘柏根;张召召;范琪;冯海【作者单位】西安科技大学地质与环境学院,陕西西安710054;煤炭科学研究总院西安研究院,陕西西安710054;西安科技大学地质与环境学院,陕西西安710054;西安科技大学地质与环境学院,陕西西安710054;西安科技大学地质与环境学院,陕西西安710054【正文语种】中文【中图分类】TD712【相关文献】1.基于遗传算法自变量降维的神经网络煤矿瓦斯涌出量预测模型 [J], 王江荣;王玥2.利用分源预测法进行矿井瓦斯涌出量预测的探讨 [J], 刘文波3.基于遗传算法模糊多元线性回归分析的瓦斯涌出量预测模型 [J], 王江荣4.高瓦斯煤层群回采工作面瓦斯涌出量预测及瓦斯综合治理研究 [J], 邓德华5.基于遗传算法优化的RBF网络预测瓦斯涌出量 [J], 方亮亮;潘玉民因版权原因，仅展示原文概要，查看原文内容请购买。
基于主因子分析的改进BP神经网络瓦斯涌出量预测周西华;孙家正【摘要】为提高回采工作面瓦斯涌出量预测效率和准确率,基于反向BP神经网络,采用主因子分析法对变量进行降维处理;结合遗传算法(GA)和附加动量法,采用遗传算法优化BP神经网络初始权值和阈值,建立基于主因子分析的GA—BP神经网络预测模型,并在权值反向更新过程中引入动量项.选取开滦矿业集团钱家营矿井瓦斯涌出量监测数据作为标签数据与输入数据,对不同网络模型进行了仿真与分析,结果表明:改进的GA—BP神经网络模型在603个时间步长里达到收敛,平均相对误差约为0.58％,预测精度和效率均优于其他神经网络模型,能更有效地实现瓦斯涌出量的准确预测.【期刊名称】《矿业安全与环保》【年(卷),期】2018(045)006【总页数】6页(P43-47,52)【关键词】瓦斯涌出量;主因子分析;BP神经网络;遗传算法(GA);动量项【作者】周西华;孙家正【作者单位】辽宁工程技术大学安全科学与工程学院,辽宁阜新123000;矿山热动力灾害与防治教育部重点实验室,辽宁阜新123000;辽宁工程技术大学安全科学与工程学院,辽宁阜新123000;矿山热动力灾害与防治教育部重点实验室,辽宁阜新123000【正文语种】中文【中图分类】TD712+.5;X936随着煤矿开采强度和深度的增加，瓦斯涌出愈加严重，制约着矿井安全高效生产[1]。
实现瓦斯涌出量精准预测非常重要，但瓦斯涌出是极其复杂的动态过程，各影响因素之间具有高度的非线性相关性，而分源预测法等[2-3]传统线性预测方法无法达到预期精度，有必要通过数值模拟技术对非线性预测方法进行深入研究。
为此，吕伏等[4]将主成分回归分析法应用于瓦斯涌出预测；李国祯等[5]采用灰色理论预测瓦斯涌出量；白云霄[6]提出一种人工神经网络预测模型。
以上研究均侧重于对非线性关系的映射效果，而人工神经网络能更准确地映射瓦斯涌出量与各个影响因素之间的关系。
基于遗传算法-BP神经网络的突出强度预测原小军【摘要】煤与瓦斯突出强度的预测对研究煤与瓦斯突出,保证矿井安全正常生产有着重要意义.本文提出采用遗传算法结合BP神经网络的模型来预测突出强度,采用遗传算法对BP神经网络的权重和阈值进行优化,将优化好的权重与阈值作用于网络进行训练,直至性能函数符合要求.实际计算表明,该模型有较好的预测精度,且克服了普通BP神经网络训练时间长、收敛速度慢的缺点,在已知瓦斯膨胀能和煤层厚度的前提下,可以用该模型对突出强度进行预测.【期刊名称】《山西焦煤科技》【年(卷),期】2012(036)008【总页数】5页(P14-18)【关键词】遗传算法;BP神经网络;突出强度;预测【作者】原小军【作者单位】山西沁和能源集团曲堤煤矿,山西晋城048200【正文语种】中文【中图分类】TD713在地应力和瓦斯压力的共同作用下，破碎的煤和瓦斯由煤体内突然喷出到采掘空间，这种动力现象称为煤与瓦斯突出［1］，简称突出。
目前在突出的众多研究中，对煤矿能否发生突出的预测较多，而对突出的强度预测则相对较少。
其中，有学者提出使用多元回归分析的方法对突出强度进行预测［2］，但突出强度随机变化较大且受多种自然因素影响作用，用线性函数难以准确预测。
人工神经网络(Artificial Neural Networks，ANN)模型是一种不同于回归模型的非线性智能统计模型［3］，在预测研究方面有着很好的应用，因此，可以考虑使用人工神经网络对突出强度进行预测。
但人工神经网络有其固有的缺陷，即收敛速度慢，训练时间长，预测结果常依赖于初始权重和阈值的设置［4］。
因此，本文提出使用遗传算法对人工神经网络的初始权重和阈值进行优化，将优化后的权重和阈值带入神经网络进行训练，最终由训练达到精度要求的模型对突出强度进行预测，取得了较好的效果。
人工神经网络是近年来发展起来的模拟人脑生物过程的人工智能技术［5］，在人工神经网络的发展过程中，基于误差反向传播算法的多层前馈网络，即BP神经网络是目前应用最多也是最成功的网络之一。
基于遗传算法优化的BP神经网络气化用煤灰流动温度预测模型邱钱粮;白向飞【期刊名称】《煤炭转化》【年(卷),期】2023(46)2【摘要】采用遗传算法优化的BP神经网络建立煤灰流动温度预测模型,模型以灰成分及酸碱质量比、硅铝质量比等组合参数作为输入变量,以煤灰流动温度作为输出量,对126组来自中国北部地区的煤灰样数据进行训练与测试,并建立常规BP神经网络模型,研究了各输入变量对网络模型预测精度的影响并对比与常规BP神经网络模型的预测能力。
结果表明:不同输入层变量的GA-BP神经网络模型对训练集和测试集样本数据都具有较好的学习和泛化能力,所有预测结果相对平均预测误差均不超过4%。
酸碱质量比和硅铝质量比参数作为神经网络输入层的添加,虽略微提高模型对训练样本的拟合程度,但也导致验证时过拟合现象的发生,模型对新样本的拟合优度下降。
采用SiO_(2),Al_(2)O_(3),Fe_(2)O_(3),CaO,MgO和Na_(2)O+K_(2)O的质量分数6个参数作为输入变量的GA-BP模型最为适合,其对测试集数据的预测相对平均误差为3.45%,低于常规BP神经网络模型3.79%的误差。
【总页数】10页(P109-118)【作者】邱钱粮;白向飞【作者单位】煤炭科学研究总院;煤炭科学技术研究院有限公司;国家能源煤炭高效利用与节能减排技术装备重点实验室【正文语种】中文【中图分类】TQ534【相关文献】1.基于遗传算法优化的煤粉着火温度BP神经网络预测模型2.基于改进遗传算法优化BP神经网络的土壤湿度预测模型3.基于遗传算法优化BP神经网络的石漠化区土壤水分动态预测模型4.基于改进遗传算法优化BP神经网络的糖尿病并发症预测模型5.基于遗传算法优化BP神经网络下马铃薯产量预测模型因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进BP神经网络的瓦斯含量预测模型
赵延明
【期刊名称】《工矿自动化》
【年(卷),期】2009(035)004
【摘要】煤层瓦斯含量是矿井安全生产的重要性能指标之一,而常规基于经验和传统数学模型的预测方法难以准确预测煤层瓦斯含量.针对该问题,文章在分析了基于Fletcher-Reeves共轭梯度法的改进BP神经网络模型的基础上,结合煤层瓦斯含量的各种影响因素,建立了一个基于3层改进BP神经网络的瓦斯含量预测模型,并进行了具体的网络训练和预测仿真.结果表明,该瓦斯含量预测模型收敛速度快,预测精度高,可满足实际生产要求.
【总页数】4页(P10-13)
【作者】赵延明
【作者单位】湖南科技大学信息与电气工程学院,湖南,湘潭,411201
【正文语种】中文
【中图分类】TD712.3
【相关文献】
1.基于改进BP神经网络的煤体瓦斯渗透率预测模型 [J], 尹光志;李铭辉;李文璞;曹偈;李星
2.基于神经网络的平煤十矿己15-16煤层瓦斯含量多变量预测模型研究 [J], 赵文宜;郝天轩
3.基于数量化理论的鹤壁六矿瓦斯含量预测模型研究 [J], 张海波;冯拥军
4.基于改进BP神经网络的煤与瓦斯突出预测模型 [J], 孔龙;马铭泽
5.基于贝叶斯正则化改进BP神经网络的页岩气有机碳含量预测模型 [J], 袁颖;谭丁;于少将;李杨;韩冰
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于CGA的改进BP神经网络模型
李小喜;陈浩光;李大喜;汪雄
【期刊名称】《中国电子科学研究院学报》
【年(卷),期】2014(009)004
【摘要】针对BP神经网络存在的收敛速度慢和可能产生冗余结构等问题,采用混沌及其在遗传算法中应用的相关理论,设计了利用混沌遗传(CGA)算法对BP网络的初始权值和阈值进行全局寻优的改进措施,提出了一种基于混沌遗传的混合BP神经网络模型.经过实验分析,验证了算法的有效性.
【总页数】6页(P360-364,376)
【作者】李小喜;陈浩光;李大喜;汪雄
【作者单位】装备学院研究生管理大队,北京101416;装备学院装备采办系,北京101416;空军工程大学防空反导学院,西安710038;装备学院装备采办系,北京101416
【正文语种】中文
【中图分类】TP391.9
【相关文献】
1.一种改进BP神经网络模型的新方法 [J], 张勇斌;马玉书
2.一种实时校正的改进BP神经网络超短期风速预测模型 [J], 张文;胡从川;阙波;滕明尧;钱海;杨昊
3.一种基于TensorFlow的DCGAN模型实现 [J], 樊雷
4.SEGQM:一种基于SE-ResNet的DCGAN质量评价模型 [J], 赵镥瑶;齐苏敏;周
翔宇;石珂
5.一种基于改进BP神经网络的变压器故障诊断方法 [J], 郭林;唐晶;唐黎哲;詹彦豪;李飞
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进SSA优化BP神经网络的光伏发电量预测
田义云;张建秋
【期刊名称】《佳木斯大学学报:自然科学版》
【年(卷),期】2022(40)2
【摘要】在分析影响光伏发电因素基础上,针对传统基于BP神经网络光伏发电预测存在问题,提出了一种改进麻雀搜索算法优化BP神经网络的光伏发电预测模型。
首先引入T分布变异略优化麻雀搜索算法。
然后采用TSSA对BP神经网络的权值和阈值进行优化,克服了BP神经网络中存在的问题传统学习算法,容易陷入局部最优解,收敛速度慢的缺点。
利用TSSABP和SSA-BP预测模型与传统BP预测模型进行了对比实验,比较功率实际输出数据。
结果表明TSSA-BP预测模型能更好准确地预测功率输出,具有潜在的实用价值。
【总页数】4页(P28-31)
【作者】田义云;张建秋
【作者单位】安徽理工大学力学与光电物理学院
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于改进BP神经网络光伏发电量预测研究
2.基于GA-SAPSO优化BP神经网络的光伏系统发电量预测
3.基于人工蜂群算法改进BP神经网络的\r光伏发电量预
测4.基于PSO优化BP神经网络的光伏发电量预测5.基于BP神经网络的双模型光伏发电量预测
因版权原因，仅展示原文概要，查看原文内容请购买。
基于 BP 神经网络模型的回采工作面瓦斯涌出量预测刘羿甫;王丰【期刊名称】《江西煤炭科技》【年(卷),期】2014(000)002【摘要】在对BP神经网络原理进行分析的基础上，采用MATLAB语言，利用样本进行网络训练后，设计出预测某煤矿回采工作面瓦斯涌出量的BP神经网络模型，然后对实际数据进行仿真模拟，得到了很好的预测结果。
从预测结果可以看出，达到了工程实际能够接受的预测精度，说明该模型能够用于该煤矿回采工作面的瓦斯涌出量预测。
%Based on the analysis of BP neural network principle ,BP neural network model was designed to predict the gas emission in working face by using MATLAB Language ,which obtained good predictionresult ,achieved engineering acceptable prediction accuracy and illustrated that the model could be used to predict the gas emis-sion in working face .【总页数】3页(P1-3)【作者】刘羿甫;王丰【作者单位】贵州大学矿业学院，贵州贵阳550003;贵州大学矿业学院，贵州贵阳550003【正文语种】中文【中图分类】TD712+.5【相关文献】1.基于Monte Carlo方法改进的BP神经网络对回采工作面瓦斯涌出量预测 [J], 魏引尚;刘云飞2.基于瓦斯涌出的回采工作面参数识别BP神经网络模型 [J], 刘新喜;黄晓峰;唐辉明3.基于灰色理论的回采工作面瓦斯涌出量动态预测研究 [J], 秦志4.基于PCA-BP神经网络的回采工作面瓦斯涌出量预测研究 [J], 米翔繁5.因子分析法与BP神经网络耦合模型对回采工作面瓦斯涌出量预测 [J], 徐刚; 王磊; 金洪伟; 刘沛东因版权原因，仅展示原文概要，查看原文内容请购买。
优化神经网络在矿井瓦斯涌出预测中的应用曹振军【摘要】为有效预测矿井瓦斯涌出量,减少瓦斯灾害事故,通过分析得出影响瓦斯涌出量影响因素关系为原始瓦斯含量>煤层厚度>工作面长度>推进速度>煤层埋深>煤层倾角,运用优化神经网络模型及MATLAB软件模拟预测矿井瓦斯涌出量.结果显示,预测结果与实测结果平均误差仅为2.3%,证明优化神经网络模型能达到较好预测效果,预测精度较高,可应用于矿井瓦斯涌出量预测中.【期刊名称】《现代矿业》【年(卷),期】2017(033)008【总页数】2页(P311-312)【关键词】瓦斯涌出量;优化神经网络模型;MATLAB【作者】曹振军【作者单位】山西潞安矿业(集团)有限责任公司【正文语种】中文瓦斯灾害为井下煤矿主要危害，而瓦斯危害大多是因为煤矿瓦斯涌出而造成的，煤矿安全管理中，主要以预防为主，因此，瓦斯涌出量的预测是预防瓦斯事故有效手段。
对于煤矿瓦斯涌出量的预测，国内许多学者已经有了一定的研究[1-3]，主要采用神经网络模型，但存在一定的弊端。
本文基于传统神经网络模型所存在的弊端，通过分析影响瓦斯涌出量的主要因素，利用优化神经网络构建某矿瓦斯涌出量预测模型，并运用MATLAB仿真模拟预测该矿井瓦斯涌出量，为相似采矿条件下矿井瓦斯涌出量预测提供新的思路与方法。
某煤矿目前采用立井+斜井联合开拓方式，同时回采3#、9#煤层，平均埋深为440 m，采用走向长壁后退式综合机械化开采，全部垮落法管理顶板，U型抽出-压入联合通风方式，矿井总进风量为35 790 m3/min，总回风量为36 038m3/min。
在3301回采工作面回风顺槽、轨道运输大巷布置10个瓦斯测量孔，测得的瓦斯压力以及瓦斯含量见表1。
影响矿井瓦斯涌出量的因素有许多，并且不同因素对瓦斯涌出量的影响是不同的，为分析影响矿井瓦斯涌出量的主要因素和次要因素，选取该矿井相关的瓦斯涌出数据与煤矿相关地质资料，运用灰色关联分析理论对影响开采煤层瓦斯涌出量的相关因素进行关联度分析。
科技资讯2017 NO.01SCIENCE & TECHNOLOGY INFORMATION学 术 论 坛181科技资讯 SCIENCE & TECHNOLOGY INFORMATION 预测煤层中的瓦斯含量是进行煤与瓦斯突出风险研究的重要一环,由于影响瓦斯含量的地质因素复杂多样,以及各因素间存在着复杂的非线性关系,迄今为止,对瓦斯突出的预测主要使用回归分析方法,预测的结果往往跟实际的情况差别较大,因此需要使用新的方法建立预测模型来实现对瓦斯突出高精度的预测。
1 利用遗传算法改进的神经网络建立瓦斯突出预测模型(1)网络输入参数的确定。
经查阅相关文献和咨询得知瓦斯突出的主要影响因素有:煤层底板标高、煤层到断层距离、煤层到最近剥蚀面距离、顶板砂岩比、统计单元中有无断层、基岩厚度、煤厚。
(2)网络输出参数的确定。
选择二进制数0和1分别表征瓦斯不突出和突出。
(3)网络的构造。
一般地可以用一个三层神经网络实现预测功能,此神经网络的输入层有n个神经元,根据经验公式选取隐含层有(2n+1)个神经元,输出层有m个神经元,因此本模型中的神经网络可以采用3层神经网络。
(4)网络的训练。
训练样本取自唐山开滦多个矿井具有代表性的10个突出点,利用突出点的数据训练神经网络,得到预测模型。
(5)网络的精确度验证。
利用已完成的人工神经网络对实际问题进行试验研究。
把在开滦矿井采取的11～20组数据的瓦斯突出指标输入已经训练的网络中,验证人工神经网络的预测结果与实①课题来源:该论文为华北理工大学大学生创新项目《改进的遗传算法在煤与瓦斯突出危险预测中应用的研究》(x2016075),河北省科技计划项目《改进的混合并行遗传算法在京津冀交通网络优化中应用的研究》(15456252)的研究成果。
通讯作者:纪楠(1978,12—),女,汉，河北唐山人,硕士,副教授,研究方向:微分几何,运筹优化,E-mail:pumpkinji@。
基于遗传算法优化BP神经网络的光伏发电功率预测作者：刘帅瑶高阳来源：《今日自动化》2022年第07期[摘要]人工神經网络最基本的单元是人工神经元，其特点是输入无限，输出唯一。
通过对信息以及数据的计算和简单化，模型可以将不同的人工神经单元重新分类组合，最终塑造一个新的非线性系统。
这样，机器就可以模拟人脑的学习、计算和图像识别等生物学特性，从而产生“类人思维”，更好地为人类服务。
目前，神经网络已广泛应用于电力预测、智能控制、行为识别等领域。
[关键词]BP神经网络;数据收集;发电功率[中图分类号]TN919 [文献标志码]A [文章编号]2095–6487（2022）07–00–03Power Prediction of Photovoltaic Power Generation Based onBP Neural Network Optimized by Genetic AlgorithmLiu Shuai-yao，Gao Yang[Abstract]The most basic unit of artificial neural network is artificial neuron， which is characterized by infinite input and unique output. Through the calculation and simplification of information and data， the model can reclassify and combine different artificial neural units， and finally shape a new nonlinear system. In this way， the machine can simulate the biological characteristics of human brain， such as learning， computing and image recognition， so as to produce "human like thinking" and better serve human beings. At present， neural network has been widely used in power prediction， intelligent control， behavior recognition and other fields.[Keywords]BP neural network; data collection; generating powerBP神经网络是一种由反向传播算法控制的人工神经网络，它适用于连续和离散自变量应用系统。
试析基于BP神经网络的瓦斯涌出量预测前言神经网络具有高度非线性、并行处理、鲁棒性、容错性和很强的自学习功能，煤矿瓦斯涌出量预测问题涉及的影响因素多，影响因素之间耦合性强，因此瓦斯涌出量预测模型建立难度大。
使用数据预处理的方法弱化数据波动性，然后建立基于神经网络的瓦斯涌出量预测模型，通过训练，使其误差波动在可接受范围，即可对未知领域进行预测，进而提出改进措施，预防和减少事故的发生。
1、概况2014年以来，全国煤矿10起重大事故中，有7起为瓦斯事故，造成113死亡，发生9起较大以上煤与瓦斯（二氧化碳）突出事故。
2014年4月21日凌晨0时30分左右，云南富源县后所镇红土田煤矿121701工作面发生瓦斯爆炸事故。
当班井下56人下井，安全升井42人，14人被困井下，全部遇难。
2014年6月3日16时58分，重庆能投集团所属南桐矿业公司砚石台煤矿发生重大瓦斯事故，28人被困井下，经全力抢险救援，6人被成功救出，22人不幸遇难。
瓦斯是矿井生产过程中的最主要的不安全因素之一，是矿井事故的主要诱发源。
瓦斯涌出量是决定煤矿通风安全和管理工作的关键因素。
因此，对其进行预测的结果是否准确，直接影响到矿井的经济技术指标。
目前，煤矿瓦斯涌出量一直以检测为主，在预测预报瓦斯涌出量方面的技术还不是很成熟。
预测矿井瓦斯涌出量是进行通风设计和制定矿井安全技术措施的重要依据。
在开采煤层群的矿井中，不同的开采顺序及开采强度均会对矿井瓦斯涌出量有影响，故难以精确地预测。
传统的矿井瓦斯预测方法，有瓦斯梯度法和煤层瓦斯含量法，它们都是基于瓦斯涌出量和影响因素之间为线性关系进行预测的，在应用过程中有一定的局限性，且需要计算的参数多，另外，灰色理论预测方法虽然预测精度较高，但在多因素情况下同样遇到精确建模与求解两方面的困难。
人工神经网络以其高度的非线性映射、自组织结构、并行处理等特点，将影响矿井瓦斯涌出量的各因素视为输入节点，并通过一定方式连接，对网络进行学习与联想记忆，使其在矿井瓦斯涌出量预测中具有传统方法无法比拟的适应性和优越性。
基于 GA-GRNN 的瓦斯涌出量预测崔义强;赵顺利【摘要】In order to prevent the coal mine gas disaster and achieve the high precision prediction of gas emission quantity,the genetic algorithm and the generalized regression neural network are combined to construct the GA-GRNN model.Based on the advantages of global optimization of the characteristics of genetic algorithm and the simple structure of the generalized regression neural network to search and match the optimal smoothing factors to achieve high precision prediction of gas emission par-ison the prediction results with the gas emission quantity in practical engineering is conducted,the results show that the high precision results can be obtained by the GA-GRNN model,besides that the prediction precision of the training data can be avoided decreasing.%为防治煤矿瓦斯灾害，将遗传算法和广义回归神经网络结合起来，构建出 GA-GRNN 方法，利用遗传算法的全局寻优和广义回归神经网络结构简单的特点，自动搜索和匹配最优光滑因子参数，实现瓦斯涌出量的高精度预测。
基于BP神经网络的瓦斯涌出量预测
张飞
【期刊名称】《信息化研究》
【年(卷),期】2016(0)1
【摘要】瓦斯涌出量预测是一项烦琐复杂的工作。
为了有效预测瓦斯涌出量,文章提出一种基于BP神经网络的瓦斯涌出量预测方法。
该方法构建的BP神经网络具
有6个输入、1个输出,并采用16组样本对网络进行训练,使用2组样本进行预测。
仿真结果表明,基于BP神经网络的瓦斯涌出量预测方法预测精度能够满足需求。
【总页数】4页(P72-75)
【关键词】瓦斯;神经网络;训练
【作者】张飞
【作者单位】常州机电职业技术学院
【正文语种】中文
【中图分类】TD712
【相关文献】
1.基于主因子分析的改进BP神经网络瓦斯涌出量预测 [J], 周西华;孙家正
2.基于PCA-BP神经网络的瓦斯涌出量预测分析 [J], 刘琦; 孙亮
3.基于灰色理论与BP神经网络瓦斯涌出量预测研究 [J], 黄凯波;朱权洁;张尔辉
4.基于改进思维进化算法的BP神经网络瓦斯涌出量预测 [J], 李彪;高莉;王洪艳
5.基于BP神经网络对矿井瓦斯涌出量的预测 [J], 付天予;钱清侠;刘盼盼;杨鹏;李楠
因版权原因，仅展示原文概要，查看原文内容请购买。
基于遗传算法改进的BP神经网络模型在邻近层瓦斯涌出量预测中的应用吉振光（太原理工大学矿业工程学院，山西太原030024）摘要：邻近层瓦斯向回采工作面运移是造成工作面瓦斯浓度超限的原因之一。
运用遗传算法和BP神经网络的基本理论，选取了影响邻近层瓦斯涌出9个基本指标，建立邻近层瓦斯涌出的预测模型，并通过现场实测数据对邻近层瓦斯涌出量进行了预测。
预测结果表明：该模型预测获得的精度较高，预测模型可靠。
关键词：邻近层；BP神经网络；遗传算法；瓦斯涌出中图分类号：TD712+．5文献标志码：B文章编号：1003－496X（2011）07－0036－03煤层在开采之前，整个岩层没有遭到破坏，岩层的原始应力处于平衡状态。
煤层在受到采动影响之后，原有的平衡状态被破坏，促使应力重新分布。
随着工作面不断向前推移，工作面后部放顶过程中，顶板变形产生裂隙直至垮落，底板变形而向上鼓起形成破坏性裂隙。
而处于开采层顶底板的邻近煤层的瓦斯受到采动的影响沿着裂隙涌入回采工作面，造成工作面瓦斯含量急剧增加，从而影响回采工作面的正常生产〔1〕。
随着煤炭开采技术的迅速发展以及瓦斯抽采技术的日益完善，找出预测邻近层瓦斯涌出量的方法已经变得非常必要。
结合邻近层瓦斯涌出量的预测值，配置相应的瓦斯抽采设备，减少煤层开采时邻近层瓦斯的涌出，从而有利于工作面高效的生产。
根据遗传算法和BP神经网络的基本理论，结合邻近层瓦斯涌出的影响因素，对邻近层瓦斯涌出量进行了预测。
1遗传算法改进的BP神经网络模型的建立人工神经网路是模拟人脑的结构和功能的非线性信息处理系统，它是一种经过不断学习来实现其自身对数据的记忆、推理归纳的功能，其学习过程实质就是不断调节权值和阈值的过程。
1．1BP神经网络算法分析BP神经网络是人工神经网络其中的一种，BP 神经网络的学习过程由2部分组成正向传播和反向传播。
当输入信息从输入层数据经隐层处理后传向输出层，每一层的神经元的状态只影响下一层的神经元状态，如果在输出层得不到希望的输出，则转入反向传播，将误差信号沿原来的神经元通路返回。
返回过程中，逐一修改各层神经元连接的权值。
这种过程不断的迭代，最后使得信号误差在允许的范围内。
由于BP神经网络是基于梯度下降法的，因此BP神经网络算法是基于单点搜索的，不具备全局搜索的能力；并且BP神经网络的结构参数是随机给定的，因此结果具有一定的随机性〔5〕。
BP神经网络结构如图1。
图1BP神经网络结构1．2遗传算法对BP神经网络的优化遗传算法是模拟生物界优胜劣汰的竞争机制，通过遗传进化过程建立起来的一种全局搜索算法。
遗传算法通过对适应度函数给每个个体一个数值评价，淘汰适应度低的个体，选择适应度高的个体参加遗传操作，经过遗传操作后的个体集合形成新的种群，新的种群进行下一轮进化，重复循环这个过程，把最优的保存下来。
遗传算法具有全局搜索的功·63·（第42卷第7期）技术·创新能，克服了BP 神经网络的不足。
遗传算法对BP 神经网络优化的具体过程如图2所示〔3〕。
图2遗传算法对BP 神经网络优化流程2邻近层瓦斯涌出预测模型的建立2．1邻近层瓦斯涌出预测指标集的建立邻近层瓦斯涌出受到多方面因素的影响，预测指标体系集是根据国内邻近层瓦斯涌出的相关资料结合实际情况选定的。
预测指标体系集包括：邻近层瓦斯含量（K 1），邻近层厚度（K 2），层间距（K 3），层间岩性（K 4），顶板的管理方式（K 5），开采厚度（K 6），工作面推进速度（K 7），工作面长度（K 8），煤层倾角（K 9）等9个基本指标。
层间岩性（K 4）主要反应瓦斯的逸散与煤层围岩的关系，根据顶板岩性和矿压显现分5类顶板〔6〕，因煤层围岩中影响瓦斯涌出卸压范围的重要特性是围岩硬度。
因此，在量化层间岩性时，采用围岩硬度加权平均值作为输入值；顶板管理方式（K 5）：全部垮落法用1表示，填充法用2表示，煤柱支撑法用3表示〔2〕。
2．2邻近层瓦斯涌出预测模型参数的设定邻近层瓦斯涌出预测模型采用3层结构误差反向传播神经网络，网络第一层为输入层，以连接输入信息和网络。
第三层为输出层，输出与输入层一系列指标集相对应的内容，可以得到所需的模拟结果。
第二层为隐含层，用于连接输入层和输出层，连接强度用连接权表示。
隐含层节点个数根据经验公式n =n 1+槡m +a ，n 1表示输入节点的个数，m 表示输出节点的个数，a 表示1到10之间的常数。
首先应用matlab 工具箱中的newff 生成BP 神经网络。
输入层与隐层之间的转移函数为tansig （）正切S 型函数，隐层与输出层之间的转移函数为logsig （）函数。
种群大小为N =70，学习样本为15个，学习效率为0．05，最大进化代数为500，指定的学习误差为0．0001。
输入层含有9个节点，输出层有1个节点，隐含层根据经验公式，含有13个节点。
3实例分析表1是统计的邻近层瓦斯涌出量与影响因素的关系的数据〔2〕，利用上述模型对邻近层的瓦斯涌出量进行模拟预测。
运用MATLAB 实现了适应度函数的编程、权值和阈值的编码、初始种群的生成。
在程序中根据适应度函数计算出每一个个体的适配值，判断是否满足条件，如果满足，则进行遗传操作，产生新的个体，表1邻近层瓦斯涌出量与影响因素数据统计序号邻近层原始瓦斯含量/m 3·t －1邻近层厚度/m 层间距/m 层间岩性顶板管理方式开采厚度/m 推进速度/m ·d －1煤层倾角/（ʎ）工作面长度/m 邻近层瓦斯涌出量/m 3·min －112．551．75204．6312．24．51151601．7722．561．75154．616．32．75111751．5632．641．62194．7511．84．13111751．5243．021．74174．6216．12．7791651．4852．021．5205．03124．42101551．3763．41．5184．7715．92．8581701．5672．121．6144．8312．94．02121551．2681．881．42134．8212．93．6891651．0492．211．72124．7812．83．45131801．39103．111．46124．53133．53111751．62112．811．81114．5112．53．28171802．12123．151．8164．716．22．6491801．33132．41．48174．9112．34．67101451．31142．981．92154．5516．52．92121751．23152．11．21224．87124．1681401．03·73·（2011－07）计算BP神经网络的误差平方和，如果没有达到期望值，再继续进行遗传操作，在继续进行遗传操作。
如果在500代遗传操作之内满足条件，则得到最优解〔3〕。
训练结束后，可得到神经网络各层连接权值和阀值。
表2为训练样本期望输出与预测结果的对比。
通过比较可以看出预测值和实测值误差较小，从而可以判断该模型预测可以获得较高的精度，预测模型比较可靠。
表2训练样本期望输出与预测结果的对比序号12345678实测值1．771．561．521．481．371．561．261．04预测值1．76711．56231．52531．47421．37111．56511．26221．0413误差/%－0．1640．1730．348－0．3980．1310．3880．1350．019序号9101112131415实测值1．391．622．121．331．311．231．03预测值1．39231．61712．10821．33821．31931．22541．0331误差/%0．165－0．16－0．5420．5910．702－0．3740．2524结语由于邻近层瓦斯涌出的影响因素较多，以及各个矿井的煤层地质构造、赋存情况的不同，导致瓦斯涌出的主控因素也不尽相同，可以针对不同的矿井，不同的回采工作面对基本指标进行调整，通过建立的模型进行预测，可以大大提高瓦斯涌出量的准确信，为邻近层瓦斯的抽采提供理论依据。
参考文献：〔1〕陈大力．邻近层的瓦斯涌出量预测〔J〕．煤矿安全，1993（9）．〔2〕朱红青，常文杰，张彬．回采工作面瓦斯涌出BP神经网络分源预测模型及应用〔J〕．煤炭学报，2007（5）．〔3〕朱斌泉，林景栋．遗传优化BP神经网络在槽况预测中的应用〔J〕．佳木斯大学学报，2010（5）．〔4〕吴观茂，黄明，李刚．基于BP神经网络的瓦斯含量预测〔J〕．煤田地质与勘探，2008（2）．〔5〕赵川，杨洁，曾强，等．遗传算法改进的BP神经网络在协同创新评价中的应用〔J〕．设计与研究，2010（8）．〔6〕岑传鸿．顶板灾害防治〔M〕．徐州：中国矿业大学出版社，1994．作者简介：吉振光（1985－），男，山西晋城人，太原理工大学在读硕士研究生，主要从事矿井通风系统优化、矿井灾害防治理论与技术、矿井安全信息工程的研究。
（收稿日期：2010－12－06；责任编辑：王福厚）·83·（第42卷第7期）技术·创新。
