论文部分内容阅读
摘 要：介绍了瓦斯涌出量对矿井安全的影响及一种改进的RBF算法——IRBF算法，借助Matlab软件利用BP算法、传统RBF算法及IRBF算法对实测数据进行训练与预测的实验，结果表明IRBF网络具有较短的迭代时间及较高的精确度。
关键词：神经网络 RBF IRBF 瓦斯涌出量
中图分类号：F062.4 文献标识码：A
文章编号：1004-4914（2017）05-294-02
一、引言
矿井瓦斯是指煤矿井下空气以甲烷（CH4）为主的有毒有害气体的总称。如果井下的通风效果不理想，瓦斯涌出量大的区域会因为瓦斯体积分数过大，导致井下工作人员窒息。瓦斯在一定条件下可发生爆炸，爆炸时产生的高温（可达1850℃～2650℃），不仅会烧伤职工、烧坏设备，还可能点燃木支架和煤壁，引起瓦斯连续多次爆炸、煤尘爆炸和井下火灾，从而加重灾害程度，扩大灾害面积。为了避免这些事故的发生，在对瓦斯含量高的煤层进行开采的过程中，必须事先对矿井瓦斯涌出情况进行预测。预测的准确性直接影响矿井的经济技术指标。近些年来，一些学者将BP网络及RBF网络用于瓦斯涌出量的预测领域，单这两种方法也存在着一定的缺点：BP学习算法容易陷入局部极小点、收敛速度特别慢，同时由于未考虑到输入的分布特性，推广能力差；RBF网络中隐节点中心及标准参数的确定存在困难，针对这些问题，一些改进的算法被提出来。考虑到瓦斯涌出量预测中考虑因素多、系统训练复杂，且数据采集过程中存在噪声的情况，采用一种改进的RBF算法——基于免疫算法的RBF方法（IRBF）进行研究，以便缩小标准进化算法搜索空间的范围， 提高算法的收敛速度及精度。
二、IRBF理论分析
IRBF神经网络是由输入层、隐层和输出层神经元构成的前向型网络，其基本思想是用径向基函数作为隐层神经元的基，构成隐层空间，实现输入矢量到输出矢量的映射变换，其结构如图1所示。
三、预测模型的建立及应用
预测模型的建立依赖于要解决的实际问题，根据实际问题中输入量和输出量的个数，可以确定神经网络的结构。瓦斯涌出量与很多因素有关，例如：煤层瓦斯含量、煤层埋藏深度、煤层厚度、煤层倾角、开采厚度、工作面长度、推进速度、采出率、临近层瓦斯含量、临近层、层间距离、层间岩性、开采强度等。这些因素中有的对瓦斯涌出量的大小影响较大，也有的影响较小。为保证在预测准确性的前提下对网络结构进行简化，利用灰色关联度对这些指标进行优选，选出对瓦斯涌出影响最大的4个因素进行分析。这4个因素分别为煤层厚、煤层埋藏深度、顶板砂泥岩比、地板砂泥岩比，具体数据见表1。
设输入层节点为四个，分别开采强度、煤层瓦斯含量、煤层埋藏深度及煤层厚度，输出层节点为一个，即瓦斯的涌出量，初始隐层数据中心数为7，变异率βk=exp（1-k），亲和力阈值为0.8，相似度阈值为0.95，学习率为0.01，对网络进行训练。
取表中前12组数据对网络进行训练，后3组数据进行检验。
为更好地对比优缺点，同时对引用数据进行BP算法及传统的RBF方法的迭代过程进行比较。BP算法中隐层节点数根据经验公式选取为7个，传统RBF算法隐节点数选为6个。三种算法的误差曲线如下：
取检测数据利用三种方法分别进行检验，得到的结果如下表所示：
四、结论
利用Matlab软件进行编程，对BP、传统RBF及IRBF算法对瓦斯涌出量预测系统进行网络训练及预测，通过三种方法的误差对比曲线可以看出，达到设定误差时，IRBF的迭代次数最少，RBF算法次数居中，BP算法最多；通过网络预测结果与实测数据相比较，IRBF所得数值与实测值最为接近。因此，IRBF网络在提高算法的收敛速度及精度方面有较好的效果。同时，还应该指出的是，训练数据的准确性、神经网络结构的设计对网络的学习及预测能力影响很大，在实际应用的过程中，还应该对网络进行反复的训练及调整以达到安全防范的作用。
[本文为黑龙江省自然科学基金项目A201421。]
参考文献：
[1] 吴中立.矿井通风与安全[M].徐州：中国矿业大学出版社，1992
[2] 永智群，潘玉民.基于RBF神经网络的瓦斯涌出量预测[J].煤炭技术，2012（4）
[3] 王涛，王洋洋，郭长娜.基于径向基的瓦斯涌出量灰色预测模型[J].计算机测量与控制
[4] 唐朝伟，何国田，徐昌彪等.神经网络在采煤工作面瓦斯涌出量预测中的应用[J].计算机应用，2007（12）
[5] 朱川曲.采煤工作面瓦斯涌出量预测的神经网络模型[J].中国安全科学学报，1999（9）
[6] 李祎，刘裕晓.基于BP神经网络的瓦斯涌出量预测的研究[J].煤矿现代化，2011（2）
[7] 李春辉，陈日辉，苏恒瑜.BP神经网络在煤与瓦斯突出预测中的应用[J].矿冶，2010（19）
[8] Jinwen Ma and Jianfeng Liu， The BYY annealing learning algorithm for Gaussian mixture with automated model selection， Pattern Recognition， vol.40，pp：2029-2037，2007
[9] 潘玉民等.基于QPSO-RBF的瓦斯涌出量预测模型.中国安全科学学报，2012（12）
[10] 肖忠良，李智勇.一种改进的RBF神经网络多目标优化算法[J].科学技术与工程，2009（21）
[11] 孙丹等.一种改进的RBF神经网络混合学习算法[J].吉林大学学报（理学版），2010（5）
[12] 张辉，柴毅.一种改进的RBF神经网络参数优化方法]J].计算机工程与应用，2012（20）
[13] 宫新保，周希朗，胡光锐.基于免疫进化算法的径向基函数网络[J].上海交通大学学报，2003（10）
[14] 朱大奇，史慧.人工神经网络原理及应用[M].北京：科学出版社，2006
[15] Duda R.O.，Hart P.R.Pattern classification and scene analysis.New York：Wiley，1973
[16] 朱紅青，常文杰，张彬.回采工作面瓦斯涌出Bp神经网络分源预测模型及应用[J].煤炭学报，2007（5）
（作者单位：黑龙江科技大学 黑龙江哈尔滨 150027）
（第一作者简介：李焱，副教授，硕士研究生，主要研究方向：人工智能。）（责编：贾伟）
关键词：神经网络 RBF IRBF 瓦斯涌出量
中图分类号：F062.4 文献标识码：A
文章编号：1004-4914（2017）05-294-02
一、引言
矿井瓦斯是指煤矿井下空气以甲烷（CH4）为主的有毒有害气体的总称。如果井下的通风效果不理想，瓦斯涌出量大的区域会因为瓦斯体积分数过大，导致井下工作人员窒息。瓦斯在一定条件下可发生爆炸，爆炸时产生的高温（可达1850℃～2650℃），不仅会烧伤职工、烧坏设备，还可能点燃木支架和煤壁，引起瓦斯连续多次爆炸、煤尘爆炸和井下火灾，从而加重灾害程度，扩大灾害面积。为了避免这些事故的发生，在对瓦斯含量高的煤层进行开采的过程中，必须事先对矿井瓦斯涌出情况进行预测。预测的准确性直接影响矿井的经济技术指标。近些年来，一些学者将BP网络及RBF网络用于瓦斯涌出量的预测领域，单这两种方法也存在着一定的缺点：BP学习算法容易陷入局部极小点、收敛速度特别慢，同时由于未考虑到输入的分布特性，推广能力差；RBF网络中隐节点中心及标准参数的确定存在困难，针对这些问题，一些改进的算法被提出来。考虑到瓦斯涌出量预测中考虑因素多、系统训练复杂，且数据采集过程中存在噪声的情况，采用一种改进的RBF算法——基于免疫算法的RBF方法（IRBF）进行研究，以便缩小标准进化算法搜索空间的范围， 提高算法的收敛速度及精度。
二、IRBF理论分析
IRBF神经网络是由输入层、隐层和输出层神经元构成的前向型网络，其基本思想是用径向基函数作为隐层神经元的基，构成隐层空间，实现输入矢量到输出矢量的映射变换，其结构如图1所示。
三、预测模型的建立及应用
预测模型的建立依赖于要解决的实际问题，根据实际问题中输入量和输出量的个数，可以确定神经网络的结构。瓦斯涌出量与很多因素有关，例如：煤层瓦斯含量、煤层埋藏深度、煤层厚度、煤层倾角、开采厚度、工作面长度、推进速度、采出率、临近层瓦斯含量、临近层、层间距离、层间岩性、开采强度等。这些因素中有的对瓦斯涌出量的大小影响较大，也有的影响较小。为保证在预测准确性的前提下对网络结构进行简化，利用灰色关联度对这些指标进行优选，选出对瓦斯涌出影响最大的4个因素进行分析。这4个因素分别为煤层厚、煤层埋藏深度、顶板砂泥岩比、地板砂泥岩比，具体数据见表1。
设输入层节点为四个，分别开采强度、煤层瓦斯含量、煤层埋藏深度及煤层厚度，输出层节点为一个，即瓦斯的涌出量，初始隐层数据中心数为7，变异率βk=exp（1-k），亲和力阈值为0.8，相似度阈值为0.95，学习率为0.01，对网络进行训练。
取表中前12组数据对网络进行训练，后3组数据进行检验。
为更好地对比优缺点，同时对引用数据进行BP算法及传统的RBF方法的迭代过程进行比较。BP算法中隐层节点数根据经验公式选取为7个，传统RBF算法隐节点数选为6个。三种算法的误差曲线如下：
取检测数据利用三种方法分别进行检验，得到的结果如下表所示：
四、结论
利用Matlab软件进行编程，对BP、传统RBF及IRBF算法对瓦斯涌出量预测系统进行网络训练及预测，通过三种方法的误差对比曲线可以看出，达到设定误差时，IRBF的迭代次数最少，RBF算法次数居中，BP算法最多；通过网络预测结果与实测数据相比较，IRBF所得数值与实测值最为接近。因此，IRBF网络在提高算法的收敛速度及精度方面有较好的效果。同时，还应该指出的是，训练数据的准确性、神经网络结构的设计对网络的学习及预测能力影响很大，在实际应用的过程中，还应该对网络进行反复的训练及调整以达到安全防范的作用。
[本文为黑龙江省自然科学基金项目A201421。]
参考文献：
[1] 吴中立.矿井通风与安全[M].徐州：中国矿业大学出版社，1992
[2] 永智群，潘玉民.基于RBF神经网络的瓦斯涌出量预测[J].煤炭技术，2012（4）
[3] 王涛，王洋洋，郭长娜.基于径向基的瓦斯涌出量灰色预测模型[J].计算机测量与控制
[4] 唐朝伟，何国田，徐昌彪等.神经网络在采煤工作面瓦斯涌出量预测中的应用[J].计算机应用，2007（12）
[5] 朱川曲.采煤工作面瓦斯涌出量预测的神经网络模型[J].中国安全科学学报，1999（9）
[6] 李祎，刘裕晓.基于BP神经网络的瓦斯涌出量预测的研究[J].煤矿现代化，2011（2）
[7] 李春辉，陈日辉，苏恒瑜.BP神经网络在煤与瓦斯突出预测中的应用[J].矿冶，2010（19）
[8] Jinwen Ma and Jianfeng Liu， The BYY annealing learning algorithm for Gaussian mixture with automated model selection， Pattern Recognition， vol.40，pp：2029-2037，2007
[9] 潘玉民等.基于QPSO-RBF的瓦斯涌出量预测模型.中国安全科学学报，2012（12）
[10] 肖忠良，李智勇.一种改进的RBF神经网络多目标优化算法[J].科学技术与工程，2009（21）
[11] 孙丹等.一种改进的RBF神经网络混合学习算法[J].吉林大学学报（理学版），2010（5）
[12] 张辉，柴毅.一种改进的RBF神经网络参数优化方法]J].计算机工程与应用，2012（20）
[13] 宫新保，周希朗，胡光锐.基于免疫进化算法的径向基函数网络[J].上海交通大学学报，2003（10）
[14] 朱大奇，史慧.人工神经网络原理及应用[M].北京：科学出版社，2006
[15] Duda R.O.，Hart P.R.Pattern classification and scene analysis.New York：Wiley，1973
[16] 朱紅青，常文杰，张彬.回采工作面瓦斯涌出Bp神经网络分源预测模型及应用[J].煤炭学报，2007（5）
（作者单位：黑龙江科技大学 黑龙江哈尔滨 150027）
（第一作者简介：李焱，副教授，硕士研究生，主要研究方向：人工智能。）（责编：贾伟）