[發明專利]一種基于長短時記憶神經網絡的煤礦突水預測方法

有效

• 申請號: 201711209048.3
• 申請日: 2017-11-27
• 公開（公告）號: CN107729716B
• 公開（公告）日: 2020-10-27
• 發明（設計）人: 董麗麗;費城;張翔;曹超凡
• 申請（專利權）人: 西安建筑科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

1.一種基于長短時記憶神經網絡的煤礦突水預測方法，其特征在于，包括如下步驟：

步驟一，獲取礦區的原始數據，原始數據包含p維的突水特征以及與每個突水特征一一對應的1維的實際突水結果，再對原始數據進行預處理，預處理時，從p維的突水特征中選取跟突水相關的n維突水特征，其中，n≤p，再將n維的突水特征及每個突水特征對應的1維的實際突水結果集合組成樣本集合，然后對樣本集合進行分組，再將分組后的樣本集合劃分為訓練集和測試集；

步驟二，構建基于長短時記憶神經網絡的突水預測模型，并通過步驟一得到的訓練集對突水預測模型進行訓練；

步驟三，待突水預測模型訓練完成后，用測試集測試模型的預測準確率，在實際預測時，向突水預測模型輸入一條或多條n維的突水特征，得到一條或多條1維的預測結果，預測結果為突水或不突水；

所述步驟一中，對原始數據進行預處理過程如下：

步驟1.1，將原始數據中所有的突水特征組成一個p維的突水特征集合，將原始數據中所有的實際突水結果組成一個1維的實際突水結果集合；

步驟1.2：從p維的突水特征集合中刪除第i個維度，其中，i＝1，2，...或p；將其余p-1個維度作為特征子集Mi，其中，i＝1，2，...或p；對p維的突水特征集合重復刪除維度，每次刪除的維度不同，則得到特征子集M1，M2，...和Mp；將p維的突水特征集合記為特征子集M0，將M0，M1，M2，...和Mp分別和對應的實際突水結果集合組成樣本子集S0，S1，S2，...，Sp；對于樣本子集S0，S1，S2，...和Sp，分別采用十折交叉驗證方法計算BP神經網絡模型對于該樣本子集的平均誤差，將S0，S1，S2，...和Sp對應的平均誤差分別記為X0，X1，X2，...和Xp；

步驟1.3，分別比較X1，X2，...和Xp與X0的差距，當X1，X2，...和Xp中任意一個平均誤差Xi與X0相差小于預設值m時，則認為單獨刪除第i維特征后，不影響整體誤差，則將第i維數據視為冗余特征；

若不存在冗余特征，則執行步驟1.4；

若只存在1維冗余特征，則直接將該維特征從突水特征集合中剔除，接著執行步驟1.4；

若存在多維冗余特征，則從p維突水特征集合中刪除最先得到的冗余特征，得到p-1維突水特征集合，將得到的p-1維特征集合作為下一輪循環的突水特征集合，令p＝p-1，重復執行步驟1.2和步驟1.3；

步驟1.4：將不存在冗余特征的n維的突水特征及每個突水特征對應的1維的實際突水結果集合組成樣本集合，然后根據不同回采點和時間段對樣本集合進行分組，再將分組后的樣本集合劃分為訓練集和測試集，訓練集與測試集互不相交。

2.根據權利要求1所述的煤礦突水預測方法，其特征在于，m的取值范圍為1％～5％。

3.根據權利要求1所述的煤礦突水預測方法，其特征在于，所述步驟二中，基于長短時記憶神經網絡的突水預測模型包括輸入層、隱藏層和輸出層，其中：

輸入層：通過該層每次向突水預測模型中輸入訓練集中的一組樣本數據中的突水特征；

隱藏層：隱藏層包含一個LSTM單元，LSTM單元的輸入輸出為隱藏層的輸入輸出；隱藏層的輸入為一個n維向量和一個2維向量，n維向量來自于輸入層，2維向量來自于上一時刻的隱藏層的輸出；隱藏層有兩個方向的輸出，一個是給輸出層的2維向量，另一個是給下一時刻隱藏層的2維向量；

輸出層：輸出層的輸入為來自隱藏層的2維向量，對隱藏層學習的結果向量進行分類，輸出為1維突水結果，通過將輸出的突水結果與該樣本數據中的實際突水結果相比較，計算誤差。

4.根據權利要求3所述的煤礦突水預測方法，其特征在于，LSTM單元包括遺忘門、輸入門、輸出門和單元狀態c，t表示當前時刻，t-1表示上一時刻，遺忘門和輸入門控制單元狀態c；遺忘門決定上一時刻的單元狀態c_t-1有多少保留到當前時刻的單元狀態c_t；輸入門決定了當前時刻的輸入x_t有多少保存到當前時刻的單元狀態c_t；輸出門來控制單元狀態c_t有多少輸出到當前時刻的輸出h_t。