技術(shù)特征：

1.一種基于螢火蟲算法和SOM網(wǎng)絡(luò)的瓦斯突出預(yù)測(cè)方法，其特征在于，所述瓦斯突出預(yù)測(cè)方法包括如下步驟：

步驟1、分析瓦斯突出的機(jī)理，采用由腔體，模擬巷道、高壓氣體和壓力傳感器組成的實(shí)驗(yàn)系統(tǒng)進(jìn)行數(shù)值模擬實(shí)驗(yàn)，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(jiān)固系數(shù)F和地質(zhì)破壞程度S七個(gè)初始輸入變量X；

步驟2、將所述初始輸入變量X進(jìn)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(cè)模型；

步驟4、采用所述初始輸入特征向量T對(duì)SOM網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并采用MIV算法對(duì)初始輸入變量X進(jìn)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(jìn)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(duì)SOM網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)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(cè)模型，對(duì)瓦斯突出類型進(jìn)行預(yù)測(cè)，并輸出預(yù)測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述的瓦斯突出預(yù)測(cè)方法，其特征在于，步驟2中，所述數(shù)據(jù)預(yù)處理的計(jì)算式如下：

其中，t(i)是第i個(gè)初始輸入變量的樣本值，x_act(i)是第i個(gè)初始輸入變量的實(shí)際值，x_min(i)是第i個(gè)初始輸入變量的最小值，x_max(i)是第i個(gè)初始輸入變量的最大值。

3.根據(jù)權(quán)利要求1所述的瓦斯突出預(yù)測(cè)方法，其特征在于，所述步驟3具體為：采用初始輸入特征向量T作為SOM網(wǎng)絡(luò)輸入層的神經(jīng)元，SOM網(wǎng)絡(luò)的輸入層為一維；SOM網(wǎng)絡(luò)的輸出層為一個(gè)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(gè)鄰域結(jié)構(gòu)，每個(gè)神經(jīng)元同它周圍的其他神經(jīng)元側(cè)向連接，每個(gè)輸入神經(jīng)元都連接至所有輸出神經(jīng)元；SOM網(wǎng)絡(luò)的初始連接權(quán)值為IW＝[w₁，w₂，...，w₈]_36×8，SOM網(wǎng)絡(luò)的初始閾值為其中，w₁，w₂，...w₈為較小的非零隨機(jī)數(shù)。

4.根據(jù)權(quán)利要求1所述的瓦斯突出預(yù)測(cè)方法，其特征在于，所述步驟4包括以下具體步驟：

步驟41、計(jì)算所述初始輸入特征向量T在時(shí)刻t到所有輸出節(jié)點(diǎn)的距離，采用Eucliden距離，計(jì)算式如下：

其中，T_i(t)為所述初始輸入特征向量在t時(shí)刻的值，w_ij為第i個(gè)輸入神經(jīng)元節(jié)點(diǎn)與第j個(gè)輸出神經(jīng)元節(jié)點(diǎn)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(diǎn)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(duì)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(jì)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(shí)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(jì)算式如下：

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

SOM網(wǎng)絡(luò)閾值的計(jì)算式如下：

b＝e^{1-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(duì)初始輸入特征向量T進(jìn)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(jì)算SOM網(wǎng)絡(luò)的輸出值和具體計(jì)算式如下：

步驟46、計(jì)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(jì)算式如下：

步驟47、根據(jù)計(jì)算得到的MIV的絕對(duì)值進(jìn)行排序，刪除對(duì)輸出影響較小的初始輸入變量，得到最終的輸入變量X′為開采深度H、瓦斯壓力P、瓦斯放散初速度Δp、煤的堅(jiān)固系數(shù)F和地質(zhì)破壞程度S。

5.根據(jù)權(quán)利要求1所述的瓦斯突出預(yù)測(cè)方法，其特征在于，步驟5中，所述數(shù)據(jù)預(yù)處理的計(jì)算式如下：

其中，t′(i)是第i個(gè)最終輸入變量的樣本值，x′_act(i)是第i個(gè)最終輸入變量的實(shí)際值，x′_min(i)是第i個(gè)最終輸入變量的實(shí)際值，x′_max(i)是第i個(gè)最終輸入變量的最大值。

6.根據(jù)權(quán)利要求1所述的瓦斯突出預(yù)測(cè)方法，其特征在于，所述步驟6包括以下具體步驟：

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(gè)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(gè)鄰域結(jié)構(gòu)，每個(gè)神經(jīng)元同它周圍的其他神經(jīng)元側(cè)向連接，每個(gè)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(shí)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(gè)數(shù)n，吸引力系數(shù)β₀，光吸收系數(shù)γ和隨機(jī)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(jī)數(shù)，隨機(jī)性系數(shù)α₀∈[0，1]。

7.根據(jù)權(quán)利要求1所述的瓦斯突出預(yù)測(cè)方法，其特征在于，所述步驟7包括以下具體步驟：

步驟71、計(jì)算螢火蟲個(gè)體適應(yīng)度函數(shù)值，具體計(jì)算式如下：

其中，f為螢火蟲個(gè)體適應(yīng)度值，Z為訓(xùn)練樣本的個(gè)數(shù)，y_k為實(shí)際的輸出值，t_k為期望的輸出值；

步驟72、計(jì)算熒光素值l_k(t)，熒光素值l_k(t)和當(dāng)前位置x_k(t)代表著每個(gè)螢火蟲個(gè)體k，熒光素值l_k(t)的具體計(jì)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(gè)體，x_k(t)為螢火蟲個(gè)體的當(dāng)前位置，l_k(t)為螢火蟲個(gè)體在第t次迭代時(shí)熒光素值的大小，l_k(t+1)為螢火蟲個(gè)體在第t+1次迭代時(shí)熒光素值的大小，J(x_k(t+1))為目標(biāo)函數(shù)值，δ₁為熒光素值揮發(fā)系數(shù)，ξ₁為增強(qiáng)系數(shù)；

步驟73、計(jì)算大于自身的螢火蟲數(shù)量，計(jì)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(gè)數(shù)，d_kq為個(gè)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(qiáng)個(gè)體，更新螢火蟲所在位置，具體計(jì)算公式如下：

其中，P_ij為最強(qiáng)熒光個(gè)體，P為感知范圍內(nèi)所有熒光素值大于自身的螢火蟲個(gè)體，l_p(t)為P在第t次迭代時(shí)熒光素值的大小。

8.根據(jù)權(quán)利要求1所述的瓦斯突出預(yù)測(cè)方法，其特征在于，步驟8中，所述終止條件為訓(xùn)練誤差小于0.01或迭代次數(shù)達(dá)到1000。

9.根據(jù)權(quán)利要求1所述的瓦斯突出預(yù)測(cè)方法，其特征在于，所述步驟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(cè)模型，將所述最終輸入特征向量T′作為預(yù)測(cè)模型的輸入，對(duì)瓦斯突出類型進(jìn)行預(yù)測(cè)，輸出預(yù)測(cè)結(jié)果。