矿井突出影响因素众多,矿井突出预测系统呈现出非线性,很强的模糊性,相关模型不易确定和建立等特点,采用传统BP神经网络模型难以满足高精度的预测要求。针对矿井突出预测系统中矿井水和矿井瓦斯气体突出预测困难问题,为进一步提高矿井突出预测模型的效果和精度,提出一种基于 SFES-PSO-BP(Similarity-based Fitness Estimation Strategy-Particle Swarm Optimization-Back Propagation)算法的矿井突出预测方法。SFES-PSO-BP算法是在PSO-BP算法基础上,利用已知粒子信息得到适应度函数值的估值,在估值策略中,引入粒子间的相似度评价方法,增加适应度函数值估值的准确性,减少适应度函数值计算次数,提高算法性能等方面进行了改进。得到了收敛速度快、收敛精度高、鲁棒性强的非线性动态预测系统模型。将改进后的算法模型用于矿井突出预测系统中煤与瓦斯气体的突出和矿井水的突出预测,基于SFES-PSO-BP算法预测模型性能较基于PSO-BP和BP神经网络预测模型更优。本文的主要研究内容包括以下几点:首先,本文系统分析了 BP神经网络的运行机理,BP神经网络能较好地模拟矿井突出预测系统的复杂非线性关系,能解决传统物理、力学模型预测非线性问题不准确性问题,但BP神经网络自身存在算法收敛速度慢,易陷入局部极值,不能得到全局最优等缺陷,本文对BP神经网络的优化方法进行分析研究,以及对粒子群算法(PSO)优化BP神经网络的过程进行分析。其次,通过对粒子群算法(PSO)优化BP神经网络的过程进行分析、改进和升级,提出基于SFES-PSO-BP算法的矿井突出预测模型,设计思路如下:由于在训练初期,大部分粒子处于高度分散的运动状态,对PSO算法中的参数ω进行基于自适应权重法和对c1、c2进行基于异步变化的学习因子法进行改进,从而可以对粒子前期容易早熟以及收敛缓慢等问题得到一定的改善,得以保证粒子在训练前期不飞过最优解,保证粒子群在最短的时间快速缩小到一定的小范围内;针对PSO-BP算法模型在迭代后期的过拟合和最优值附近振荡等问题,本文对其进行了分析,在PSO算法优化BP神经网络参数的方法中,为了增加粒子群的多样性,防止陷入局部极值,减小粒子群计算时间的复杂度,本文引入基于粒子相似度的适应度估值策略,从而增强粒子的活性,提高其局部搜索能力和全局优化能力,提高算法的收敛精度和全局搜索能力,改善了其对矿井突出预测效果。最后,基于SFES-PSO-BP算法的矿井突出预测模型在矿井突水预测中应用,并与PSO-BP算法预测模型和BP神经网络预测模型进行仿真对比实验,结果表明基于SFES-PSO-BP算法的矿井突出预测模型具有更高的非线性拟合优度和预测精度。克服了 PSO-BP算法后期的过拟合和最优值附近振荡的问题,并在算法收敛速度,算法稳定性方面得到了很大的改善。