本發(fā)明涉及預(yù)測技術(shù)領(lǐng)域，特別是涉及一種基于螢火蟲算法和SOM網(wǎng)絡(luò)的瓦斯突出預(yù)測方法。

背景技術(shù)：

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(yè)的發(fā)展，給煤礦安全生產(chǎn)和工作人員的生命財產(chǎn)安全帶來極大威脅。對于瓦斯突出的預(yù)測問題，目前，國內(nèi)外學(xué)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(jīng)網(wǎng)絡(luò)等方法對瓦斯突出進行預(yù)測。粗糙集理論在處理模糊和不確定信息上具有較大的優(yōu)越性，但其決策規(guī)則很不穩(wěn)定，精確性較差，而且是基于完備的信息系統(tǒng)，處理數(shù)據(jù)時，常會遇到數(shù)據(jù)丟失現(xiàn)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(yōu)勢，但識別能力易受自身參數(shù)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(shù)選擇具有較強的依賴性。神經(jīng)網(wǎng)絡(luò)具有簡單的結(jié)構(gòu)和很強的問題求解能力，且可較好地處理噪聲數(shù)據(jù)，但算法存在局部最優(yōu)問題，收斂性較差，可靠性有限。

由此可見，在現(xiàn)有技術(shù)中，瓦斯突出預(yù)測方法存在精度低、可靠性差、預(yù)測結(jié)果存在較大偏差等問題。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明的主要目的在于提供一種高精度、可靠性好、預(yù)測結(jié)果準確的瓦斯突出預(yù)測方法。

為了達到上述目的，本發(fā)明提出的技術(shù)方案為：

一種基于螢火蟲算法和SOM網(wǎng)絡(luò)的瓦斯突出預(yù)測方法，所述瓦斯突出預(yù)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(tǒng)進行數(shù)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(shù)F和地質(zhì)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(shù)據(jù)的預(yù)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(xùn)練樣本的輸入，建立初始的瓦斯突出SOM網(wǎng)絡(luò)預(yù)測模型；

步驟4、采用所述初始輸入特征向量T對SOM網(wǎng)絡(luò)進行訓(xùn)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(shù)據(jù)的預(yù)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(xùn)練樣本的輸入，建立GSO-SOM網(wǎng)絡(luò)；

步驟7、采用GSO算法對SOM網(wǎng)絡(luò)的權(quán)值和閾值進行優(yōu)化；

步驟8、判別滿足終止條件是否成立；如果成立，則執(zhí)行步驟9；如果不成立，則執(zhí)行步驟7；

步驟9、獲得最優(yōu)的權(quán)值和閾值，得到基于螢火蟲算法優(yōu)化的SOM網(wǎng)絡(luò)預(yù)測模型，對瓦斯突出類型進行預(yù)測，并輸出預(yù)測結(jié)果。

綜上所述，本發(fā)明所述基于螢火蟲算法和SOM網(wǎng)絡(luò)的瓦斯突出預(yù)測方法將獲取的初始輸入變量進行數(shù)據(jù)的預(yù)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(xùn)練樣本的輸入，建立初始的瓦斯突出SOM網(wǎng)絡(luò)預(yù)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(shù)據(jù)的預(yù)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(xùn)練樣本的輸入，建立GSO-SOM網(wǎng)絡(luò)，采用GSO算法對SOM網(wǎng)絡(luò)的權(quán)值和閾值進行優(yōu)化，獲得最優(yōu)的權(quán)值和閾值，得到基于螢火蟲算法優(yōu)化的瓦斯突出SOM網(wǎng)絡(luò)預(yù)測模型，預(yù)測瓦斯突出類型，輸出瓦斯突出的預(yù)測結(jié)果，從而提高了瓦斯突出預(yù)測的精度、準確性和可靠性。

附圖說明

圖1是本發(fā)明所述一種基于螢火蟲算法和SOM網(wǎng)絡(luò)的瓦斯突出預(yù)測方法的流程圖。

圖2是本發(fā)明所述SOM網(wǎng)絡(luò)拓撲結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖及具體實施例對本發(fā)明作進一步地詳細描述。

圖1是本發(fā)明所述一種基于螢火蟲算法和SOM網(wǎng)絡(luò)的瓦斯突出預(yù)測方法的流程圖。如圖1所示，本發(fā)明所述瓦斯突出預(yù)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(tǒng)進行數(shù)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(shù)F和地質(zhì)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(shù)據(jù)的預(yù)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(xùn)練樣本的輸入，建立初始的瓦斯突出SOM網(wǎng)絡(luò)預(yù)測模型；

步驟4、采用所述初始輸入特征向量T對SOM網(wǎng)絡(luò)進行訓(xùn)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(shù)據(jù)的預(yù)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(xùn)練樣本的輸入，建立GSO-SOM網(wǎng)絡(luò)；

步驟7、采用GSO算法對SOM網(wǎng)絡(luò)的權(quán)值和閾值進行優(yōu)化；

步驟8、判別滿足終止條件是否成立；如果成立，則執(zhí)行步驟9；如果不成立，則執(zhí)行步驟7；

步驟9、獲得最優(yōu)的權(quán)值和閾值，得到基于螢火蟲算法優(yōu)化的SOM網(wǎng)絡(luò)預(yù)測模型，對瓦斯突出類型進行預(yù)測，并輸出預(yù)測結(jié)果。

總之，本發(fā)明所述基于螢火蟲算法和SOM網(wǎng)絡(luò)的瓦斯突出預(yù)測方法將獲取的初始輸入向量進行數(shù)據(jù)的預(yù)處理后，得到所述的初始特征向量，將初始特征向量作為訓(xùn)練樣本的輸入，建立初始的瓦斯突出SOM網(wǎng)絡(luò)預(yù)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(shù)據(jù)的預(yù)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(xùn)練樣本的輸入，建立GSO-SOM網(wǎng)絡(luò)，采用GSO算法對SOM網(wǎng)絡(luò)的權(quán)值和閾值進行優(yōu)化，獲得最優(yōu)的權(quán)值和閾值，得到基于螢火蟲算法優(yōu)化的瓦斯突出SOM網(wǎng)絡(luò)預(yù)測模型，預(yù)測瓦斯突出類型，輸出瓦斯突出的預(yù)測結(jié)果，從而提高了瓦斯突出預(yù)測的精度、準確性和可靠性。

本發(fā)明步驟2中，所述數(shù)據(jù)預(yù)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，x_act(i)是第i個初始輸入變量的實際值，x_min(i)是第i個初始輸入變量的最小值，x_max(i)是第i個初始輸入變量的最大值。

本發(fā)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(jié)點的距離，采用Eucliden距離，計算式如下：

其中，T_i(t)為所述初始輸入特征向量在t時刻的值，w_ij為第i個輸入神經(jīng)元節(jié)點與第j個輸出神經(jīng)元節(jié)點之間的連接權(quán)值。

步驟42、選擇產(chǎn)生最小距離d_j的節(jié)點作為最匹配的神經(jīng)元，神經(jīng)元i(x)為獲勝神經(jīng)元。

步驟43、對獲勝神經(jīng)元，分別更新SOM網(wǎng)絡(luò)的權(quán)值和閾值，權(quán)值的計算式如下：

w_ij(t+1)＝w_ij(t)+η(t)h_j，i(x)[T_i(t)-w_ij(t)]

其中，η(t)是學(xué)習(xí)效率，0＜η(t)＜1，并且隨時間t單調(diào)減小，h_j，i(t)(t)是獲勝神經(jīng)元周圍的鄰域函數(shù)，計算式如下：

其中，r_j，r_i(x)分別是SOM網(wǎng)絡(luò)輸出節(jié)點j，i(x)的位置；

SOM網(wǎng)絡(luò)閾值的計算式如下：

b＝e^{l-log[(1-β)e-log(b)+β×α]}

其中，β為閾值的學(xué)習(xí)速率，0＜β＜1，α為輸出層神經(jīng)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(wǎng)絡(luò)的輸入，計算SOM網(wǎng)絡(luò)的輸出值Y_i¹和Y_i²，具體計算式如下：

步驟46、計算SOM網(wǎng)絡(luò)的輸出值之差I(lǐng)V_i，得到平均影響值MIV，具體計算式如下：

IV_t＝Y(jié)_i¹-Y_i²

步驟47、根據(jù)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(shù)F和地質(zhì)破壞程度S。

本發(fā)明步驟5中，所述數(shù)據(jù)預(yù)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(fā)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(wǎng)絡(luò)輸入層的神經(jīng)元，GSO-SOM網(wǎng)絡(luò)的輸入層為一維，GSO-SOM網(wǎng)絡(luò)的輸出層為一個有6×6輸出神經(jīng)元的二維網(wǎng)絡(luò)，輸出層的神經(jīng)元排成一個鄰域結(jié)構(gòu)，每個神經(jīng)元同它周圍的其他神經(jīng)元側(cè)向連接，每個輸入神經(jīng)元都連接至所有輸出神經(jīng)元。

步驟62、將GSO-SOM網(wǎng)絡(luò)的連接權(quán)值和閾值采用實數(shù)矢量形式編碼，構(gòu)成螢火蟲初始種群，初始化螢火蟲種群的個數(shù)n，吸引力系數(shù)β₀，光吸收系數(shù)γ和隨機性系數(shù)α₀，其中，吸引力系數(shù)β₀＝1，光吸收系數(shù)γ為[0，1]分布的隨機數(shù)，隨機性系數(shù)α₀∈[0，1]。

本發(fā)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(yīng)度函數(shù)值，具體計算式如下：

其中，f為螢火蟲個體適應(yīng)度值，Z為訓(xùn)練樣本的個數(shù)，y_k為實際的輸出值，t_k為期望的輸出值。

步驟72、計算熒光素值l_k(t)，熒光素值l_k(t)和當前位置x_k(t)代表著每個螢火蟲個體k，熒光素值l_k(t)的計算式如下：

l_k(t+1)＝(1-0.95δ₁)×l_k(t)+ξ₁×J(x_k(t+1))

其中，k為螢火蟲個體，x_k(t)為螢火蟲個體的當前位置，l_k(t)為螢火蟲個體在第t次迭代時熒光素值的大小，l_k(t+1)為螢火蟲個體在第t+1次迭代時熒光素值的大小，J(x_k(t+1))為目標函數(shù)值，δ₁為熒光素值揮發(fā)系數(shù)，ξ₁為增強系數(shù)。

步驟73、計算大于自身的螢火蟲數(shù)量，計算式如下：

M_k(t)＝{q：d_kq(t)＜r_k；l_k(t)＜l_q(t)}

其中，M_k(t)為感知范圍內(nèi)所有熒光素值大于自身的螢火蟲個數(shù)，d_kq為個體k和q之間的距離，r_k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，P_ii為最強熒光個體，P為感知范圍內(nèi)所有熒光素值大于自身的螢火蟲個體，l_p(t)為P在第t次迭代時熒光素值的大小。

本發(fā)明步驟8中，終止條件具體為訓(xùn)練誤差小于0.01或迭代次數(shù)達到1000。

本發(fā)明步驟9具體為：獲得最優(yōu)的權(quán)值和閾值，得到基于螢火蟲算法優(yōu)化的瓦斯突出神經(jīng)網(wǎng)絡(luò)預(yù)測模型，將所述最終輸入特征向量T′作為預(yù)測模型的輸入，對瓦斯突出類型進行預(yù)測，輸出預(yù)測結(jié)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(yōu)化的SOM網(wǎng)絡(luò)預(yù)測模型部分訓(xùn)練數(shù)據(jù)如表1所示。瓦斯突出的預(yù)測結(jié)果如表2所示。

表1部分訓(xùn)練樣本

表2預(yù)測結(jié)果

由表2數(shù)據(jù)可知，當訓(xùn)練步數(shù)為10時，訓(xùn)練數(shù)據(jù)1、2被分為一類，3、4、5、6、7、8被分為另一類，SOM網(wǎng)絡(luò)對數(shù)據(jù)進行了初步分類，當訓(xùn)練步數(shù)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(wǎng)絡(luò)對數(shù)據(jù)進一步劃分，可對瓦斯突出的類型進行正確分類。從SOM網(wǎng)絡(luò)的測試結(jié)果來看，采用螢火蟲算法優(yōu)化的SOM網(wǎng)絡(luò)預(yù)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(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。