下载文档原格式
基于神经网络的煤矿瓦斯浓度预测技术研究近年来，煤矿事故频频发生，其中很大一部分是由于瓦斯爆炸引起的。
瓦斯是煤矿中常见的有害气体，而瓦斯浓度的变化也是煤矿安全的重要指标之一。
如何准确地预测瓦斯浓度变化，对于煤矿安全管理至关重要。
在此背景下，基于神经网络的煤矿瓦斯浓度预测技术应运而生。
一、神经网络介绍神经网络是一种借鉴生物学神经系统特点、进行信息处理的数学模型。
它由大量的节点（神经元）组成，这些节点之间相互连接，产生某种模式的输入输出映射关系。
神经网络具有学习能力，可以根据输入输出的数据不断调整之间的连接系数，以适应实际情况。
这种自适应的特点，使得神经网络在解决复杂问题时表现出色。
因此，神经网络被广泛应用于煤矿瓦斯浓度预测等领域。
二、瓦斯浓度预测模型瓦斯浓度预测模型是指通过一些变量来预测瓦斯浓度的变化。
这些变量可以是时间、气压、温度等因素，其中时间是最关键的因素之一。
因为瓦斯浓度的变化是动态的，只有通过时间序列来分析，才能得到更加准确的结果。
通过神经网络进行瓦斯浓度预测，需要训练神经网络模型，将历史数据输入模型中进行处理，使得模型能够对未来的瓦斯浓度进行预测。
具体的流程包括输入层、中间层和输出层。
输入层主要是将采集到的数据输入到神经网络中，中间层根据输入层的信号进行加工和处理，输出层则将处理后的结果输出。
三、模型评估和应用神经网络模型的评估主要是通过误差来进行。
误差表示预测值与真实值之间的差距，如果误差比较小，说明预测结果比较准确。
对于神经网络的训练，常采用的方法是“前向传播”和“反向传播”算法，前者用于计算输出值，后者用于修正权重。
将神经网络模型应用于煤矿瓦斯浓度预测，可以有效地预测瓦斯浓度变化的趋势，避免了煤矿事故的发生。
此外，瓦斯浓度预测模型还可以辅助煤矿安全管理，对于产生瓦斯的煤层开采，可以提前进行预测，避免事故发生。
四、存在的问题和未来展望目前煤矿瓦斯浓度预测技术还存在一些问题。
首先，数据的时效性和真实性尚有待提高，目前很多煤矿仍然采用传统的测量方式，只能够得到有限的瓦斯浓度数据。
煤与瓦斯突出的预测及防治措施摘要在总结分析了国内外煤与瓦斯突出机理、突出类型、突出条件、突出一般规律和影响因素的基础上，重点比较分析了煤与瓦斯突出预测的各种方法及针对性防治措施，指出神经网络是预测煤与瓦斯突出非线性问题的最有前景的方法。
关键词煤与瓦斯突出预测防治措施1煤与瓦斯突出的机理、类型与一般规律1.1煤与瓦斯突出的机理许多国家对煤与瓦斯突出机理的研究都很重视，并取得了一定成果，但由于突出机理的复杂性及突出现象的多样性，目前对突出机理的认识仍处于假说阶段。
国外对煤与瓦斯突出机理的认识可归纳为4种：地应力假说、瓦斯作用假说、化学本质假说和综合作用假说。
我国从60年代起就对突出煤层的应力状态、瓦斯赋存状态、煤的物理力学性能等开展了一系列的研究，根据现场资料和实验研究对突出机理进行了探讨，提出了新的见解和观点，概括起来主要有中心扩张学说、流变假说、二相液体假说、固流耦合失稳理论、球壳失稳理论等。
此外中国科学院力学研究所从力学角度对突出过程做了大量的研究工作，并提出了突出破坏过程及瓦斯渗流的机制方程。
1.2煤与瓦斯突出的类型煤与瓦斯的突出包括：煤与甲烷突出、岩石与甲烷突出、煤与突出、岩石与突出等。
由于突出时的原动力和所表现现象的不同，煤与瓦斯突出可分为突出、倾出、压出3种情况，各种情况比较见表1。
表1煤与瓦斯突出类型比较表（略）1.3煤与瓦斯突出的一般规律（1）突出的次数和强度随开采的深度增加而增加；（2）突出多发生在地质构造地区，如褶曲、断层处及岩浆侵入地区；（3）煤体破坏程度越严重，煤的强度越小，突出危险性越大；（4）煤层中的厚度大、倾角大或其厚度和倾角发生变化以及煤层中的软分层由薄变厚的地区，容易发生突出；（5）掘进工作面应力集中的地区易发生突出；（6）在外力冲击作用下，如放炮或采煤机割煤时煤体受到震动，诱导瓦斯发生突出；（7）围岩的透气性越差、致密的岩层越厚，煤层的瓦斯含量越高，其突出的危险性也就越大；（8）突出多发生在揭煤和煤层掘进工作面；（9）在突出前大都出现预兆。
第３４卷 ２００６年第１１期３０Mining & Processing Equipment３０采·掘论文编号：１００１－３９５４（２００６）１１－００３０－３２基于人工神经网络的煤矿瓦斯涌出量预测系统 付琳燕华刚中国矿业大学信息与电气工程学院江苏徐州２２１００８目前，煤矿安全形势十分严峻，重大事故时有发生，分析煤炭生产过程中大大小小的各种事故发现，如果使用的煤矿安全监测监控系统具备灾难预测预报能力，这些重大事故大多可以避免。
因此，开发一套具有对煤矿瓦斯等参数实时预测的系统，对于预防重大事故的发生是十分有意义的。
１系统设计方案１．１特点分析及开发工具选择煤矿监测系统需要存储的主要监测参数是瓦斯参数。
作为一种环境参数，它的变化速率与监控系统的采样速率相比是十分缓慢的，一般认为瓦斯参数的变化速度较慢，因此存储周期可以较长，瓦斯参数具有瓦斯含量变化慢和相邻数据间相关性大的特点。
储存煤矿环境参数的主要目的是为了分析瓦斯等参数的变化趋势及其中隐含的规律数据，所以要求在数据存储时，一定要将数据变化趋势记录下来。
矿井瓦斯是煤矿生产过程中的主要不安全因素，瓦斯涌出量对矿井设计、建设和开采都有重要影响。
正确预测瓦斯涌出量，发现瓦斯突出征兆，对于指导矿井设计和安全生产有重要的现实意义。
预测瓦斯涌出量的基本方法有统计法和计算法两大类，它们都是基于涌出量与其影响因素之间为线性关系进行预测的，其精度往往不高。
实际上，瓦斯涌出量与其影响因素之间存在着复杂的非线性关系。
神经网络 （Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，简称 ＡＮＮ） 是由大量的、简单的处理单元 （称为神经元） 广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。
神经网络具有大规模并行、分布式存储和处理、自组织和自学习能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。
鉴于瓦斯涌出量与其影响因素之间复杂的非线性关系，本文利用人工神经网络建立瓦斯涌出量预测模型。
( 安全论文 )单位：_________________________姓名：_________________________日期：_________________________精品文档 / Word文档 / 文字可改2021版浅析煤与瓦斯突出的预测及防治措施Safety is inseparable from production and efficiency. Only when safety is good can we ensure better production. Pay attention to safety at all times.2021版浅析煤与瓦斯突出的预测及防治措施摘要在总结分析了国内外煤与瓦斯突出机理、突出类型、突出条件、突出一般规律和影响因素的基础上，重点比较分析了煤与瓦斯突出预测的各种方法及针对性防治措施，指出神经网络是预测煤与瓦斯突出非线性问题的最有前景的方法。
关键词煤与瓦斯突出预测防治措施1煤与瓦斯突出的机理、类型与一般规律1.1煤与瓦斯突出的机理许多国家对煤与瓦斯突出机理的研究都很重视，并取得了一定成果，但由于突出机理的复杂性及突出现象的多样性，目前对突出机理的认识仍处于假说阶段。
国外对煤与瓦斯突出机理的认识可归纳为4种：地应力假说、瓦斯作用假说、化学本质假说和综合作用假说。
我国从60年代起就对突出煤层的应力状态、瓦斯赋存状态、煤的物理力学性能等开展了一系列的研究，根据现场资料和实验研究对突出机理进行了探讨，提出了新的见解和观点，概括起来主要有中心扩张学说、流变假说、二相液体假说、固流耦合失稳理论、球壳失稳理论等。
此外中国科学院力学研究所从力学角度对突出过程做了大量的研究工作，并提出了突出破坏过程及瓦斯渗流的机制方程。
1.2煤与瓦斯突出的类型煤与瓦斯的突出包括：煤与甲烷突出、岩石与甲烷突出、煤与CO2突出、岩石与CO2突出等。
由于突出时的原动力和所表现现象的不同，煤与瓦斯突出可分为突出、倾出、压出3种情况，各种情况比较见表1。
基于人工神经网络的煤与瓦斯突出预测
张志立;程磊;何敏;熊亚选
【期刊名称】《矿业安全与环保》
【年(卷),期】2005(032)0z1
【摘要】从煤与瓦斯突出的机理出发,考虑影响煤与瓦斯突出的5种主要因素,建立了能够准确预测煤与瓦斯突出的人工神经网络模型.应用所制作的软件进行实际检验,预测结果完全与实际相吻合,可以用来准确预测煤与瓦斯突出.
【总页数】3页(P1-2,4)
【作者】张志立;程磊;何敏;熊亚选
【作者单位】河南省永城煤电集团公司,河南,永城,476600;河南理工大学,资源与材料工程系,河南,焦作,454010;河南省永城煤电集团公司,河南,永城,476600;河南理工大学,资源与材料工程系,河南,焦作,454010
【正文语种】中文
【中图分类】TD713+.2
【相关文献】
1.基于人工神经网络的煤与瓦斯突出预测 [J], 熊亚选;蔡成功
2.基于人工神经网络的工作面煤与瓦斯突出预测方法 [J], 熊永强;刘新喜;廖巍;赵云胜
3.人工神经网络在煤与瓦斯突出预测中的应用 [J], 支晓伟;林柏泉;齐黎明
4.基于人工神经网络的煤与瓦斯突出预测 [J], 张志立;程磊;何敏;熊亚选
5.基于贝叶斯正则化BP人工神经网络的煤与瓦斯突出预测的研究 [J], 李洋;石必明
因版权原因，仅展示原文概要，查看原文内容请购买。
基于人工神经网络的煤与瓦斯突出预测1. 煤与瓦斯突出1.1 定义煤与瓦斯突出指的是在煤矿井下工作时，突然出现的煤与瓦斯的喷发现象。
煤矿工人因此会面临高空洞顶崩落、瓦斯燃爆等危险。
1.2 产生原因煤与瓦斯突出的产生原因主要有三个：地质构造、煤体本身和采矿活动。
在地质构造方面，煤层下面的地质构造会影响煤层处于哪种应力状态。
煤体本身则会因不同地质条件、构造变化等因素而发生变化。
采矿活动则会使得煤层产生不同程度的应力状态变化。
2. 煤与瓦斯突出预测的意义预测煤与瓦斯突出发生的时间、地点和规模，有助于采取防范措施和救援方案。
这可以减少事故数量和伤亡人数，同时提高煤矿生产效率和安全性。
3. 人工神经网络3.1 定义人工神经网络（Artificial Neural Network，ANN）是一种模拟人类神经系统结构和功能的计算模型，可以进行自动学习和适应。
3.2 神经元和神经结构人工神经网络由多个神经元组成。
神经元接收输入信息，对其进行处理后输出结果。
多个神经元可以组成不同的神经结构，如：•前馈神经网络：信息流从输入到输出，中间没有反馈•反馈神经网络：信息可以从输出反馈到输入进行处理•端到端神经网络：将输入和输出对应起来，没有中间处理过程3.3 学习方法人工神经网络的学习方法主要有两个：监督学习和无监督学习。
在监督学习中，神经网络通过输入输出之间的关系进行学习。
训练数据包括输入和所对应的输出，神经网络通过不断调整参数来拟合输入输出之间的函数关系。
无监督学习则不需要输入输出之间的关系，而是根据输入数据的自身特点进行学习，用于发现数据本身的规律和特点。
4. 基于人工神经网络的煤与瓦斯突出预测4.1 数据收集和处理煤与瓦斯突出预测的数据包括多个维度，如地质结构、煤层厚度、瓦斯含量等。
这些数据可以通过各种手段进行收集，如矿井地质勘探、地学勘测等。
得到数据后，需要对其进行处理和转化，以便于神经网络的输入。
常用的处理方法有最小-最大归一化和标准化。
神经网络模型及其在煤矿瓦斯预测中的应用
陈金国
【期刊名称】《煤炭科技》
【年(卷),期】2005(000)002
【摘要】瓦斯事故是煤矿人员伤亡最多、影响最大的事故.准确预测瓦斯是防止事故、降低损失的基础.人工神经网络由于具有建模能力强,计算准确度高,善于处理模糊的、非线性的、含有噪声的数据等特点,能很好地解决瓦斯预测中的实际问题.简单介绍了神经网络的基本原理和学习算法,建立了基于该原理的BP应用模型,并通过实例进行了验证.
【总页数】3页(P39-41)
【作者】陈金国
【作者单位】南京航空航天大学,管理学院,江苏,南京,210026
【正文语种】中文
【中图分类】TD712+.5
【相关文献】
1.人工神经网络模型在瓦斯预测中的应用 [J], 孙忠强;郭立稳;张嘉勇;朱令起
2.人工神经网络模型在瓦斯预测中的应用 [J], 孙忠强;张嘉勇;朱令起;郭立稳
3.瓦斯地质工作在煤矿瓦斯预测中的应用 [J], 赵俊滢
4.LSTM在煤矿瓦斯预测预警系统中的应用与设计 [J], 李伟山;王琳;卫晨
5.瓦斯地质工作在煤矿瓦斯预测中的应用 [J], 邹亮
因版权原因，仅展示原文概要，查看原文内容请购买。
安全管理编号：YTO-FS-PD565基于人工神经网络的煤与瓦斯突出预测通用版In The Production, The Safety And Health Of Workers, The Production And Labor Process And The Various Measures T aken And All Activities Engaged In The Management, So That The Normal Production Activities.标准/ 权威/ 规范/ 实用Authoritative And Practical Standards基于人工神经网络的煤与瓦斯突出预测通用版使用提示：本安全管理文件可用于在生产中，对保障劳动者的安全健康和生产、劳动过程的正常进行而采取的各种措施和从事的一切活动实施管理，包含对生产、财物、环境的保护，最终使生产活动正常进行。
文件下载后可定制修改，请根据实际需要进行调整和使用。
随着我国煤炭科学技术的迅速发展，在煤与瓦斯突出预测方面取得了突出进展，提出了许多预测煤与瓦斯突出的方法和指标，如基于煤体破裂过程中的声发射和电磁辐射现象的非接触式预测方法；根据工作面打钻时的钻屑量、瓦斯涌出量及解吸量进行的接触式预测方法；以及其它预测指标等。
但是这些方法和指标主要是使用回归分析的方法得出的，它考虑的是影响煤与瓦斯突出的个别是或重要因素，没有全面考虑影响煤与瓦斯突出的因素，致使突出敏感指标因地而异，突出临界值随矿井不同而变化。
因此，预测结果常常不很准确。
人工神经网络技术（ANN）的飞速发展，基于人工神经网络的预测煤与瓦斯突出预测已经能够达到很高的预测精度，优于其它预测方法，完全可以满足煤矿煤与瓦斯突出预测精度的要求。
1 影响煤与瓦斯突出事故的因素（1）煤层瓦斯压力。
原始瓦斯压力越高，煤体内的瓦斯含量越大，煤体破裂时单位面积裂隙上涌出的瓦斯量就越多，裂隙中就越可能积聚起较高的瓦斯压力，从而越可能撕裂煤体，并将撕裂形成的球盖状煤壳抛向巷道。
科技论坛１概述煤矿瓦斯预警问题是一个受多种因素综合影响的、复杂的、非线性的高维问题，传统的方法往往难以奏效，寻求一种有效的煤与瓦斯突出预测方法一直是煤矿地质工作者积极探索和研究的方向。
目前，对瓦斯浓度进行预测主要有三种方法：①基于经验知识。
这种方法的准确性取决于设计者的理论知识与实践经验的可靠程度；②基于数学模型。
这种方法依赖于数学模型的完备性和建模指标的选择等客观因素，目前对瓦斯事故因素的研究还很有限，很难建立完备的数学模型；③基于黑箱理论。
这种方法强调在现有输入条件下，输出结果的正确性，避免了知识获取的“瓶颈”问题。
将其与人工智能领域的最新技术，如ＢＰ神经网络相结合是目前广泛使用的预测方法。
２ＢＰ神经网络和算法ＢＰ神经网络的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。
正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。
若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。
误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。
这种信号正向传播与误差方向传播的各层权值调整过程，是周而复始地进行的。
权值不断调整的过程，也就是网络的学习训练过程。
此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。
在多层前馈网的应用中，以单隐层网络的应用最为普遍。
一般习惯将单隐层的前馈网称为三层前馈网，所谓三层包括了输入层、隐层和输出层。
图１是含一个隐层的三层网络拓扑结构图，它由输入层Ｘ（ｍ个节点），隐层Ｒ（ｐ个节点）和输出层Ｙ（ｎ个节点）组成，对应的激活函数ｆ（ｘ）取Ｓｉｇｍｏｉｄ函数，即：ｆ（ｘ）＝１／（１＋ｅｘ）对于输入样本Ｘ＝（ｘ１，ｘ２…ｘｍ），其相应的网络输出目标矢量（即实测值）为Ｙ＝（ｙｌ，ｙ２…ｙｎ），学习的目的是用网络的每一次实际输出ＹＳ＝（ｙｓ１，ｙｓ２…ｙｓｍ）与目标矢量Ｙ之间的误差，通过梯度下降法来修改网络权值与阈值，使网络输出层的误差平方和达到最小，从而使输出矢量在理论上逐渐接近目标。
应用神经网络技术进行煤与瓦斯突出预测
郝吉生;韩德馨
【期刊名称】《焦作工学院学报》
【年(卷),期】1997(016)002
【摘要】应用神经网络技术进行煤与瓦斯突出预测包括三步：网络构造，网络训练和网络应用。
作者详细讨论了利用ＢＰ网络进行煤与瓦斯突出预测的具体步骤及实践体会。
【总页数】4页(P80-83)
【作者】郝吉生;韩德馨
【作者单位】焦作工学院资源与环境工程系;中国矿业大学北京研究生部
【正文语种】中文
【中图分类】TD713.2
【相关文献】
1.利用MATLAB神经网络进行煤与瓦斯突出预测的研究 [J], 熊亚选;程磊;蔡成功;张进春
2.模糊神经网络技术在煤与瓦斯突出预测中的应用 [J], 郝吉生;袁崇孚
3.煤与瓦斯突出预测的Bayes-逐步判别分析模型及应用 [J], 李长兴; 关金锋; 李回贵; 辛程鹏
4.基于SVM的煤与瓦斯突出预测模型及应用 [J], 王建
5.煤与瓦斯突出预测敏感指标确定方法探索及应用 [J], 齐黎明;卢云婷;关联合;祁明
因版权原因，仅展示原文概要，查看原文内容请购买。
( 安全管理 )
单位：_________________________
姓名：_________________________
日期：_________________________
精品文档 / Word文档 / 文字可改
基于人工神经网络的煤与瓦斯
突出预测(最新版)
Safety management is an important part of production management. Safety and production are in
the implementation process
基于人工神经网络的煤与瓦斯突出预测
(最新版)
随着我国煤炭科学技术的迅速发展，在煤与瓦斯突出预测方面取得了突出进展，提出了许多预测煤与瓦斯突出的方法和指标，如基于煤体破裂过程中的声发射和电磁辐射现象的非接触式预测方法；根据工作面打钻时的钻屑量、瓦斯涌出量及解吸量进行的接触式预测方法；以及其它预测指标等。
但是这些方法和指标主要是使用回归分析的方法得出的，它考虑的是影响煤与瓦斯突出的个别是或重要因素，没有全面考虑影响煤与瓦斯突出的因素，致使突出敏感指标因地而异，突出临界值随矿井不同而变化。
因此，预测结果常常不很准确。
人工神经网络技术（ANN）的飞速发展，基于人工神经网络的预测煤与瓦斯突出预测已经能够达到很高的预测精度，优于其它预测
方法，完全可以满足煤矿煤与瓦斯突出预测精度的要求。
1影响煤与瓦斯突出事故的因素
（1）煤层瓦斯压力。
原始瓦斯压力越高，煤体内的瓦斯含量越大，煤体破裂时单位面积裂隙上涌出的瓦斯量就越多，裂隙中就越可能积聚起较高的瓦斯压力，从而越可能撕裂煤体，并将撕裂形成的球盖状煤壳抛向巷道。
（2）围岩的透气性系数。
围岩的透气性系数越大，越有利于煤层中瓦斯泄漏，在同样瓦斯压力下，煤层中赋存的瓦斯越小。
（3）构造煤的类型。
构造煤是煤与瓦斯突出的必要条件，不同类型构造煤具有不同的突出危险性。
（4）瓦斯放散初速度。
煤样放散瓦斯快慢的程度用△P值表示，其大小与煤的微孔隙结构，孔隙表面性质和孔隙大小有关，随构造煤破坏类型的增高，△P值也增高。
（5）软分层煤厚。
由下式可以看出，煤体撕裂后形成的球盖状煤壳曲率半径Ri
及煤壳所对的中心角Φi
越大，下式就容易满足，煤壳就容易失稳抛出。
当突出阵面沿软分层发展时，在垂直煤层方向上有如下关系：
H=2Ri
sin(Φi
）
式中H——软分层煤厚
Ri——煤壳曲率半径
Φi——煤壳所对的中心角
软煤厚度越小，形成的煤壳在沿垂直煤层方向上的曲率半径及所对中心角就越小，煤壳就越不容易失稳抛出，煤与瓦斯突出灾害也就越不容易发生。
2基于人工神经网络预测模型
2.1反向传播算法（BP）的拓扑结构
BP（BackPropagation）算法1985年由Rumel-hart等提出，该方法的提出系统地解决了多层神经元网络中隐单元层连接权的学习问题，并在数学上给出了完整的推导。
采用BP算法的多层神经网络
模型一般称为BP网络。
多层神经网络模型的一般拓扑结构如图1所示。
它由输入层、隐层和输出层组成。
中间层也就是隐含层可以是一层或多层。
BP网络的学习过程由两部分组成：正向传播和反向传播。
当正向传播时，输入信息从输入层经隐单元层处理后传向输出层，每一层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连接通路返回。
返回过程中，逐一修改各层神经元连接的权值。
这种过程不断迭代，最后使得信号误差达到允许的范围之内。
图1多层前向BP网络
BP网络中采用了有一定阈值特性、连续可微的Sigmoid函数作为神经元的激发函数。
当然其他类似的非线性函数也可选用。
本文采用的Sigmoid型函数：
?（x）＝1/（1＋e-1）
2.2用于煤与瓦斯突出预测的BP神经网络的构建
我们知道，影响煤与瓦斯突出的因素很多，并且，到目前为止
有的影响煤与瓦斯突出的因素还没有找到。
人工神经网络模型是综合了影响煤与瓦斯突出的多种因素的一种非线性煤与瓦斯突出预测模型，它尽可能多的考虑影响煤与瓦斯突出的主要因素，来综合预测煤与瓦斯突出灾害。
影响煤与瓦斯突出的主要有瓦斯放散初速度，构造煤的类型，软分层煤厚，煤层瓦斯压力等因素。
其算法程度如图2。
图2人工神经网络BP算法程序
（1）输入与输出层的设计。
输入层神经元由影响煤与瓦斯突出的主要因素个数决定。
对于煤与瓦斯突出预测过程，这里选择5个主要影响因素（瓦斯放散初速度x1，构造煤的类型x2，软分层煤厚x3，煤层瓦斯压力x4）和围岩透气性x5作为输入：输出层由2个节点y1、y2（y1、y2的输出值为0和1）组成，其作用是给出预测的3种结果，以分别表示煤与瓦斯突出区域预测中的突出危险区、突出威胁区和无突出危险区3种情形，从而实现煤与瓦斯突出危险性评价。
本软件使用vc++语言实现。
输入算法：
for(intk=0;k<IN;K++)
OT_IN=(double)indata[loop1].input[k]；
输出层单元的算法：
for(intk=0;k<ON;K++)
{inival=0.0；
for(intm=0;m<HN;M++)
inival+=(W_HN_OT[k][m]*OT_HD[m]);
inival+=CW_OT[k];
OT_OT[k]=sigmf(sig,inival);}
（2）隐层的设计。
隐层可以是一层或多层。
隐层单元数与问题的要求和输入输出有直接关系。
隐层单元数太多，会导致学习时间过长，隐单元数过少，容错性差。
这里采用了有2个神经元的隐层。
隐层单元的算法如下：
for(imtk=0;k<HN;K++)
{inival=0.0;
for(intm=0;m<IN;M++)
inival+=(W_IN_HD[k][m]*OT_IN[m]);
inival+=CW_HD[k];
OT_HD[k]=sigmf(sig,inival)};
（3）网络初始权值的选择。
由于系统是非线形，初始值对于学习能否达到局部最小和收敛关系很大。
这里采用较小的随机数对网络的权值（Wji）和Vkj以及偏置值θj和rk赋初值，这样可保证神经元一开始都在它们的转化函数变化最大的地方进行。
2.3网络样本训练
网络训练的过程就是利用训练样本集，将网络学习规则有不适应性映射为权值矩阵的修改和网络结构进化这样一个反复过程。
通过对网络模型的训练，使网络捕获到蕴藏在训练样本中的突出因素与突出危险性之间的相关规律，以便用来准确预测煤与瓦斯突出地质灾害。
选择样本时，应使所选择的训练样本集具有完全的代表性。
3实例应用
利用已完成的人工神经网络预测软件对实际问题进行试验研究。
选择某矿的某水平的6个区域（a1，a2，a3，a4，a5，a6）的
相关突出指标原始数据和输出结果见表1。
表1原始输入数据和神经网络的预测结果
表一
从表1中可以看出，人工神经网络的预测结果与实际突出情况完全吻合，这就说明该网络模型确实能有效地预测该矿的煤与瓦斯突出灾害。
4结语
人工神经网络方法已经是比较成熟的非线性数学方法，在应用它进行构造预测模型时，关键的是要提高收敛速度和防止陷入局部最小值。
本模型在使用了该网络的BP算法，有效地防止了系统陷入局部最小值，并尽量提高运算速度。
云博创意设计
MzYunBo Creative Design Co., Ltd.。
