[發明專利]一種基于PCA-EML的煤礦突水預測方法

無效

• 申請號: 201310726176.0
• 申請日: 2013-12-25
• 公開（公告）號: CN103745093A
• 公開（公告）日: 2014-04-23
• 發明（設計）人: 趙作鵬;宋國娟
• 申請（專利權）人: 中國礦業大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 楊曉玲

1.一種基于PCA-EML的煤礦突水預測方法，其特征是：用主成分分析法來優化神經網絡的輸入參數，首先利用主成分分析法對多種因素數據進行預處理，消除原有數據之間的信息重疊，產生新的相互獨立的訓練樣本，盡可能多地保留原有信息，然后把重構的訓練樣本作為極限學習機的輸入，降低神經網絡的結構復雜度，提高收斂速度，具體步驟如下：

（1）獲取煤礦正常開采運行狀態下影響煤礦突水的眾多數據；

（2）利用主成分分析法對影響煤礦突水的眾多因素進行篩選，得到對煤礦突水起決定性因素的主控因素；

（3）將僅包含主控因素的樣本數據劃分為訓練集、驗證集和測試集，分別對應于模型的訓練、驗證和測試；

（4）建立極限學習機網絡模型；

（5）利用驗證數據驗證煤礦突水預測模型，如果得到的預測結果和其他算法比較，沒有明顯優勢，則從主成分分析開始重新建立模型，若預測結果較為理想，則將其作為預測模型來實際預測煤礦突水情況。

2.根據權利要求1所述的基于PCA-EML的煤礦突水預測方法，其特征在于：所述的用主成分分析法對煤礦突水主控影響因素進行篩選，其步驟如下：

（1）取煤礦正常開采運行狀態下的采樣數據矩陣，并對其進行標準化處理得到矩陣Χ；

（2）根據標準化處理后的數據矩陣Χ計算協方差矩陣R；

（3）根據協方差矩陣R求出特征值、主成分貢獻率和累計方差貢獻率，確定主成分個數；

（4）由主成分個數確定負載矩陣W，W＝XM，即為建立的ELM（極限學習機）模型的學習樣本。

3.根據權利要求1所述的基于PCA-EML的煤礦突水預測方法，其特征在于：建立極限學習機網絡模型，并經過極限學習機算法對該數據進行訓練，其步驟如下：

（1）給定N個訓練樣本{x_i,t_i}，i＝1，2，…，N；初始隱藏層節點數設為激勵函數g(x)；

（2）為輸入權值ω_i和閾值b_i隨機賦值，其中

（3）根據激勵函數g(x)的SLFN的統一模型公式

Σi=1N~βig(xj)=Σi=1N~βig(wi·xj+bi)=oj,j=1,...,N,]]>

用矩陣表示為

：Hβ=T,H(w1,...,wN~,b1,...,bN~,x1,...,xN~)=|g(w1·x1+b1)...g(wN~·x1+bN~).........g(w1·xN+b1)...g(wN~·xN~+bN~)|N×N~,]]>

β=|βT1...βN~T|N~×m,T=|t1T...tNT|N×m]]>計算輸出矩陣H；其中H稱為神經網絡的隱藏層輸出矩陣；x_i＝[x_i1，x_i2，…x_in]^T∈Rⁿ，t_i＝[t_i1，t_i2，…t_im]^T∈R^m，ω_i為連接第i個隱藏層節點的輸入權值；β_i為連接第i個隱藏節點和輸出節點的輸出權值；b_i為第i個隱藏節點的偏差；w_i·x_j表示w_i和x_j的內積；激勵函數g(x)可以是“Sigmiod”、“Sine”或RBF；

（4）計算輸出權值β：β＝H⁺Y，其中H⁺為隱藏層輸出矩陣H的Moore-Penrose廣義逆。