[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

技術領域

本發明涉及一種煤礦突水預測方法，特別是一種基于PCA-EML的煤礦突水預測方法。

背景技術

煤礦突水是煤礦安全生產中的重大隱患之一，及時正確地預測突水，對保障煤炭開采的順利進行具有重要的意義。

影響煤礦突水的因素很多，這些因素多是不定性和模糊相似的，各影響因素間有復雜的非線性關系，難以用經典的數學理論建立預測模型。基于此，專家學者們提出了預測礦井突水的方法，有采用BP算法基于礦井突水樣本實例建立突水預報神經網絡模型、基于遺傳神經網絡的煤礦突水預測方法和用支持向量機-粗糙集SVM-RS模型對礦井突水信息進行處理，但是BP神經網絡的訓練速度慢，易陷入局部極小點，SVM在學習過程中需要人為設置核函數、懲罰系數等參數，且需要消耗大量的時間進行參數調整，因此提出了極限學習機(ELM)算法結合主成分分析(PCA)的煤礦突水預測方法。

ELM（極限學習機）算法是一種單隱藏層前饋神經網絡學習算法，該算法在訓練過程中不需要調整網絡的輸入權值記憶隱藏層的偏置，只需設置網絡的隱藏層節點個數，就能產生唯一的最優解。與傳統的算法相比，該算法具有參數選擇容易、學習速度快且泛化性能好等優點。

PCA（主成分分析）法是一種數據壓縮和特征提取的多變量統計技術，能夠有效去除數據之間的相關性，降低計算的復雜度。煤礦突水的影響因素作為網絡輸入變量時，這些影響因素中肯定包含彼此相關的信息，由于網絡輸入變量之間的不獨立性，可能會導致信息重疊，進而增加網絡的復雜程度，降低網絡性能，影響預測精度。

發明內容

本發明目的是要提供一種參數選擇容易、學習速度快且泛化性能好的基于PCA-EML的煤礦突水預測方法。

為了實現上述目的，本發明采用以下技術方案：

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。

具體的步驟如下：

（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；

用主成分分析法對煤礦突水主控影響因素進行篩選的具體步驟如下：

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，即為建立的極限學習機模型的學習樣本；

（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；

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