一種基于螢火蟲算法和SOM網絡的瓦斯突出預測方法與流程
本發明涉及預測技術領域，特別是涉及一種基于螢火蟲算法和SOM網絡的瓦斯突出預測方法。
背景技術：
隨著我國礦井采掘深度和強度的加大，礦井瓦斯突出問題嚴重制約著我國煤炭工業的發展，給煤礦安全生產和工作人員的生命財產安全帶來極大威脅。對于瓦斯突出的預測問題，目前，國內外學者提出了多種瓦斯突出方法。主要采用粗糙集理論、支持向量機、貝葉斯分類法、模糊邏輯、神經網絡等方法對瓦斯突出進行預測。粗糙集理論在處理模糊和不確定信息上具有較大的優越性，但其決策規則很不穩定，精確性較差，而且是基于完備的信息系統，處理數據時，常會遇到數據丟失現象。支持向量機在解決小樣本、非線性及高維模式識別問題中具有優勢，但識別能力易受自身參數影響。貝葉斯分類法需要已知確切的分別概率，而實際上并不能給出確切的分別概率。模糊邏輯需要一定的先驗知識，對參數選擇具有較強的依賴性。神經網絡具有簡單的結構和很強的問題求解能力，且可較好地處理噪聲數據，但算法存在局部最優問題，收斂性較差，可靠性有限。
由此可見，在現有技術中，瓦斯突出預測方法存在精度低、可靠性差、預測結果存在較大偏差等問題。
技術實現要素：
有鑒于此，本發明的主要目的在于提供一種高精度、可靠性好、預測結果準確的瓦斯突出預測方法。
為了達到上述目的，本發明提出的技術方案為：
一種基于螢火蟲算法和SOM網絡的瓦斯突出預測方法，所述瓦斯突出預測方法包括如下步驟：
步驟1、分析瓦斯突出的機理，采用由腔體，模擬巷道、高壓氣體和壓力傳感器組成的實驗系統進行數值模擬實驗，得到煤層瓦斯含量W、煤層厚度h、開采深度H、瓦斯壓力P、瓦斯放散初速度ΔP、煤的堅固系數F和地質破壞程度S七個初始輸入變量X；
步驟2、將所述初始輸入變量X進行數據的預處理，得到初始輸入特征向量T；
步驟3、將所述初始輸入特征向量T作為訓練樣本的輸入，建立初始的瓦斯突出SOM網絡預測模型；
步驟4、采用所述初始輸入特征向量T對SOM網絡進行訓練，并采用MIV算法對初始輸入變量X進行篩選，得到篩選后的最終輸入變量X′；
步驟5、將所述最終輸入變量X′進行數據的預處理，得到最終輸入特征向量T′；
步驟6、將所述最終輸入特征向量T′作為訓練樣本的輸入，建立GSO-SOM網絡；
步驟7、采用GSO算法對SOM網絡的權值和閾值進行優化；
步驟8、判別滿足終止條件是否成立；如果成立，則執行步驟9；如果不成立，則執行步驟7；
步驟9、獲得最優的權值和閾值，得到基于螢火蟲算法優化的SOM網絡預測模型，對瓦斯突出類型進行預測，并輸出預測結果。
綜上所述，本發明所述基于螢火蟲算法和SOM網絡的瓦斯突出預測方法將獲取的初始輸入變量進行數據的預處理后，得到所述的初始輸入特征向量，將初始輸入特征向量作為訓練樣本的輸入，建立初始的瓦斯突出SOM網絡預測模型，采用MIV算法對初始輸入變量進行篩選，得到最終輸入變量，將獲得的最終輸入變量進行數據的預處理后，得到最終輸入特征向量，將最終輸入特征向量作為訓練樣本的輸入，建立GSO-SOM網絡，采用GSO算法對SOM網絡的權值和閾值進行優化，獲得最優的權值和閾值，得到基于螢火蟲算法優化的瓦斯突出SOM網絡預測模型，預測瓦斯突出類型，輸出瓦斯突出的預測結果，從而提高了瓦斯突出預測的精度、準確性和可靠性。
附圖說明
圖1是本發明所述一種基于螢火蟲算法和SOM網絡的瓦斯突出預測方法的流程圖。
圖2是本發明所述SOM網絡拓撲結構示意圖。
具體實施方式
為使本發明的目的、技術方案和優點更加清楚，下面將結合附圖及具體實施例對本發明作進一步地詳細描述。
圖1是本發明所述一種基于螢火蟲算法和SOM網絡的瓦斯突出預測方法的流程圖。如圖1所示，本發明所述瓦斯突出預測方法，包括如下步驟：
步驟1、分析瓦斯突出的機理，采用由腔體，模擬巷道、高壓氣體和壓力傳感器組成的實驗系統進行數值模擬實驗，得到煤層瓦斯含量W、煤層厚度h、開采深度H、瓦斯壓力P、瓦斯放散初速度ΔP、煤的堅固系數F和地質破壞程度S七個初始輸入變量X；
步驟2、將所述初始輸入變量X進行數據的預處理，得到初始輸入特征向量T；
步驟3、將所述初始輸入特征向量T作為訓練樣本的輸入，建立初始的瓦斯突出SOM網絡預測模型；
步驟4、采用所述初始輸入特征向量T對SOM網絡進行訓練，并采用MIV算法對初始輸入變量X進行篩選，得到篩選后的最終輸入變量X′；
步驟5、將所述最終輸入變量X′進行數據的預處理，得到最終輸入特征向量T′；
步驟6、將所述最終輸入特征向量T′作為訓練樣本的輸入，建立GSO-SOM網絡；
步驟7、采用GSO算法對SOM網絡的權值和閾值進行優化；
步驟8、判別滿足終止條件是否成立；如果成立，則執行步驟9；如果不成立，則執行步驟7；
步驟9、獲得最優的權值和閾值，得到基于螢火蟲算法優化的SOM網絡預測模型，對瓦斯突出類型進行預測，并輸出預測結果。
總之，本發明所述基于螢火蟲算法和SOM網絡的瓦斯突出預測方法將獲取的初始輸入向量進行數據的預處理后，得到所述的初始特征向量，將初始特征向量作為訓練樣本的輸入，建立初始的瓦斯突出SOM網絡預測模型，采用MIV算法對初始輸入變量進行篩選，得到最終輸入變量，將獲得的最終輸入變量進行數據的預處理后，得到最終輸入特征向量，將最終輸入特征向量作為訓練樣本的輸入，建立GSO-SOM網絡，采用GSO算法對SOM網絡的權值和閾值進行優化，獲得最優的權值和閾值，得到基于螢火蟲算法優化的瓦斯突出SOM網絡預測模型，預測瓦斯突出類型，輸出瓦斯突出的預測結果，從而提高了瓦斯突出預測的精度、準確性和可靠性。
本發明步驟2中，所述數據預處理的計算式如下：
其中，t(i)是第i個初始輸入變量的樣本值，xact(i)是第i個初始輸入變量的實際值，xmin(i)是第i個初始輸入變量的最小值，xmax(i)是第i個初始輸入變量的最大值。
本發明方法中，所述步驟4包括如下步驟：
步驟41、計算所述初始輸入特征向量T在時刻t到所有輸出節點的距離，采用Eucliden距離，計算式如下：
其中，Ti(t)為所述初始輸入特征向量在t時刻的值，wij為第i個輸入神經元節點與第j個輸出神經元節點之間的連接權值。
步驟42、選擇產生最小距離dj的節點作為最匹配的神經元，神經元i(x)為獲勝神經元。
步驟43、對獲勝神經元，分別更新SOM網絡的權值和閾值，權值的計算式如下：
wij(t+1)＝wij(t)+η(t)hj，i(x)[Ti(t)-wij(t)]
其中，η(t)是學習效率，0＜η(t)＜1，并且隨時間t單調減小，hj，i(t)(t)是獲勝神經元周圍的鄰域函數，計算式如下：
其中，rj，ri(x)分別是SOM網絡輸出節點j，i(x)的位置；
SOM網絡閾值的計算式如下：
b＝el-log[(1-β)e-log(b)+β×α]
其中，β為閾值的學習速率，0＜β＜1，α為輸出層神經元的輸出，α＝[α1，α2，...，α36]，
步驟44、對初始輸入特征向量T進行變換，具體變換式如下，
步驟45、將變換后的初始輸入特征向量T作為SOM網絡的輸入，計算SOM網絡的輸出值Yi1和Yi2，具體計算式如下：
步驟46、計算SOM網絡的輸出值之差IVi，得到平均影響值MIV，具體計算式如下：
IVt＝Yi1-Yi2
步驟47、根據計算得到的MIV的絕對值進行排序，刪除對輸出影響較小的初始輸入變量，得到最終輸入變量X′為開采深度H、瓦斯壓力P、瓦斯放散初速度Δp、煤的堅固系數F和地質破壞程度S。
本發明步驟5中，所述數據預處理的計算式如下：
其中，t′(i)是第i個最終輸入變量的樣本值，x′act(i)是第i個最終輸入變量的實際值，x′min(i)是第i個最終輸入變量的實際值，x′max(i)是第i個最終輸入變量的最大值。
本發明方法中，所述步驟6包括如下步驟：
步驟61、將所述最終輸入特征向量T′作為GSO-SOM網絡輸入層的神經元，GSO-SOM網絡的輸入層為一維，GSO-SOM網絡的輸出層為一個有6×6輸出神經元的二維網絡，輸出層的神經元排成一個鄰域結構，每個神經元同它周圍的其他神經元側向連接，每個輸入神經元都連接至所有輸出神經元。
步驟62、將GSO-SOM網絡的連接權值和閾值采用實數矢量形式編碼，構成螢火蟲初始種群，初始化螢火蟲種群的個數n，吸引力系數β0，光吸收系數γ和隨機性系數α0，其中，吸引力系數β0＝1，光吸收系數γ為[0，1]分布的隨機數，隨機性系數α0∈[0，1]。
本發明方法中，所述步驟7包括如下步驟：
步驟71、計算螢火蟲個體適應度函數值，具體計算式如下：
其中，f為螢火蟲個體適應度值，Z為訓練樣本的個數，yk為實際的輸出值，tk為期望的輸出值。
步驟72、計算熒光素值lk(t)，熒光素值lk(t)和當前位置xk(t)代表著每個螢火蟲個體k，熒光素值lk(t)的計算式如下：
lk(t+1)＝(1-0.95δ1)×lk(t)+ξ1×J(xk(t+1))
其中，k為螢火蟲個體，xk(t)為螢火蟲個體的當前位置，lk(t)為螢火蟲個體在第t次迭代時熒光素值的大小，lk(t+1)為螢火蟲個體在第t+1次迭代時熒光素值的大小，J(xk(t+1))為目標函數值，δ1為熒光素值揮發系數，ξ1為增強系數。
步驟73、計算大于自身的螢火蟲數量，計算式如下：
Mk(t)＝{q：dkq(t)＜rk；lk(t)＜lq(t)}
其中，Mk(t)為感知范圍內所有熒光素值大于自身的螢火蟲個數，dkq為個體k和q之間的距離，rk為感知半徑。
步驟74、獲得熒光最強個體，更新螢火蟲所在位置，具體計算公式如下：
其中，Pii為最強熒光個體，P為感知范圍內所有熒光素值大于自身的螢火蟲個體，lp(t)為P在第t次迭代時熒光素值的大小。
本發明步驟8中，終止條件具體為訓練誤差小于0.01或迭代次數達到1000。
本發明步驟9具體為：獲得最優的權值和閾值，得到基于螢火蟲算法優化的瓦斯突出神經網絡預測模型，將所述最終輸入特征向量T′作為預測模型的輸入，對瓦斯突出類型進行預測，輸出預測結果。
實施例
將最終輸入特征向量作為輸入，基于螢火蟲算法優化的SOM網絡預測模型部分訓練數據如表1所示。瓦斯突出的預測結果如表2所示。
表1部分訓練樣本
表2預測結果
由表2數據可知，當訓練步數為10時，訓練數據1、2被分為一類，3、4、5、6、7、8被分為另一類，SOM網絡對數據進行了初步分類，當訓練步數為100時，1和2，3和4，5和6，7和8被分為同一類，這時SOM網絡對數據進一步劃分，可對瓦斯突出的類型進行正確分類。從SOM網絡的測試結果來看，采用螢火蟲算法優化的SOM網絡預測模型可以準確地判斷瓦斯突出的類型，準確性高。
綜上所述，以上僅為本發明的較佳實施例而已，并非用于限定本發明的保護范圍。凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。
- 還沒有人留言評論。精彩留言會獲得點贊！