CN107194524A - 一种基于rbf神经网络的煤与瓦斯突出预测方法 - Google Patents
一种基于rbf神经网络的煤与瓦斯突出预测方法 Download PDFInfo
- Publication number
- CN107194524A CN107194524A CN201710631202.XA CN201710631202A CN107194524A CN 107194524 A CN107194524 A CN 107194524A CN 201710631202 A CN201710631202 A CN 201710631202A CN 107194524 A CN107194524 A CN 107194524A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- individual
- generations
- represent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 48
- 230000001537 neural effect Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000010606 normalization Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 33
- 108010003272 Hyaluronate lyase Proteins 0.000 claims abstract description 21
- 230000003044 adaptive effect Effects 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 210000002569 neuron Anatomy 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 241001269238 Data Species 0.000 claims description 14
- 230000035772 mutation Effects 0.000 claims description 12
- 238000003892 spreading Methods 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003795 desorption Methods 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于RBF神经网络的煤与瓦斯突出预测方法,包括:1、对煤与瓦斯突出的特征数据进行维数约简,并对约简后的特征数据进行归一化处理,得到归一化特征数据;2、使用K‑均值算法对归一化特征数据进行聚类,计算出径向基函数的中心;3、在归一化特征数据上训练RBF神经网络,引入自适应差分进化算法确定隐含层神经元个数时的最优扩展因子和最优权重;4、增加隐含层神经元个数,重复步骤2‑3,得到RBF神经网络的全局最优参数,从而确定RBF神经网络的预测模型;5、使用RBF神经网络预测模型对测试数据进行预测。本发明能解决RBF神经网络的最优参数自适应问题,从而快速、准确地预测煤与瓦斯突出。
Description
技术领域
本发明涉及煤矿安全生产领域,具体是一种基于RBF神经网络的煤与瓦斯突出预测方法。
背景技术
煤炭是我国国民经济发展中的主体能源和重要原料,然而至今我国煤炭生产的安全形势却依然十分严峻。矿井的瓦斯、煤尘、火灾、水灾和顶板事故是煤矿的五大自然灾害,其中瓦斯是煤矿的头号“杀手”,而煤与瓦斯突出又是瓦斯灾害事故中发生频率高,伤害人数较多的典型动力灾害之一。因此,能够快速、准确的预测煤与瓦斯突出,不仅能提高煤矿生产的安全,而且也会产生巨大的经济效益和社会效益,具有重大的现实意义。
传统的对煤与瓦斯突出预测的方法主要包括:单项指标法、综合指标法、钻屑瓦斯解吸指标法、R指标法等,这些预测方法仅仅考虑了影响煤与瓦斯突出的某个因素,而且预测指标的临界值的大小会随着不同地区不同矿井而有所不同,这些因素造成煤与瓦斯突出预测结果准确度不高。
近几年,先进的理论方法如计算机模拟、模糊数学理论、灰色系统理论、专家系统、分形理论、非线性理论、流变理论以及人工神经网络等已开始应用于煤与瓦斯突出的分析中,并取得了一定的研究成果。比如应用BP神经网络模型预测煤与瓦斯突出,然而,不足之处是BP神经网络存在收敛速度慢、训练时间长、容易陷入局部极小值。
RBF神经网络的思想是用隐含层神经元将非线性可分的输入空间映射到线性可分的特征空间,然后再在特征空间用线性模型来做回归或者分类。RBF神经网络可以以任意准确率逼近任意连续函数,目前广泛应用于非线性函数逼近、数据处理、模式识别、图像分类、系统建模等。已有一些工作将RBF神经网络用于预测煤与瓦斯突出问题,但是由于RBF神经网络的最优参数很难确定,并且不同地区不同矿井的煤与瓦斯突出数据的差异,导致最优参数也会有所不同。
因此,针对RBF神经网络的最优参数难以确定,以及不同地区不同矿井的煤与瓦斯突出数据的差异导致最优参数不同的问题,需要一种最优参数自适应的RBF神经网络模型能够快速、准确地预测煤与瓦斯突出。
发明内容
本发明为克服现有技术存在的不足之处,提供一种基于RBF神经网络的煤与瓦斯突出预测方法,以期能解决RBF神经网络的最优参数自适应问题,从而能快速、准确地预测煤与瓦斯突出问题。
为了达到上述目的,本发明所采用的技术方案为:
本发明一种基于RBF神经网络的煤与瓦斯突出预测方法的特点是按如下步骤进行:
步骤1:获取一组煤与瓦斯突出的训练样本,所述训练样本是由特征数据X={x1,x2,···,xi,···,xN}和分类标签数据Y={y1,y2,···,yi,···,yN}组成,其中,N表示所述训练样本的个数,xi表示所述训练样本中的第i条特征数据,并有:xi={xi1,xi2,···,xiz,···,xim},xiz表示所述训练样本中的第i条特征数据第z个特征值,m表示所述特征数据X的维数;yi表示所述训练样本中的第i条特征数据xi对应的分类标签,并有:yi={cl|l=1,2,···,C},C表示分类标签的个数,cl表示第l个分类标签,i∈[1,N],z∈[1,m];
步骤2:用主成分分析法对所述特征数据X进行特征维数约简,再对约简后的特征数据进行归一化处理,生成归一化特征数据X′={x1′,x′2,···,xi′,···,x′N},其中,xi′表示所述归一化特征数据X′中的第i条数据,并有:xi′={x′i1,x′i2,···,x′iz′,···x′im′},x′iz′表示所述归一化特征数据X′中的第i条数据xi′的第z′个特征值,m′表示所述归一化特征数据X′的特征维数,且m′≤m,z′∈[1,m′];
步骤3:使用K-均值算法对所述归一化特征数据X′进行聚类,计算出K个聚类簇及其聚类中心Q1,Q2,···,Qj,···,QK,其中,K表示RBF神经网络隐含层神经元个数,并初始化K为输入层神经元个数M,Qj表示第j个聚类簇的聚类中心,j∈[1,K];
以所述聚类中心Q1,Q2,···,Qj,···,QK作为径向基函数的中心,则表示第j个径向基函数的中心,且表示第j个聚类簇的第e个特征的中心,并有:nj表示第j个聚类簇的数据个数,x′ie表示第i条数据的第e个特征值;e∈[1,m′];
步骤4:在所述归一化特征数据X′上训练RBF神经网络,引入自适应差分进化算法确定所述隐含层神经元个数为K时的RBF神经网络的扩展因子Δ(K)={σ1,σ2,···,σK}和权重W(K)={ω1,ω2,···,ωK}:
步骤4.1:将扩展因子Δ(K)和权重W(K)组合编码成一个种群个体a={Δ(K),W(K)}={a1,a2,···,aj,···,aK,aK+1,aK+2,···,aK+j,···,a2K},aj表示个体a的第j个元素值;
引入进化代数为g,则第g代的种群为其中,P表示种群个体数,1≤d≤P,表示第g代的第d个个体,表示所述第g代的第d个个体的扩展因子,并有: 表示所述第g代的第d个个体的第j个扩展因子;令 表示所述第g代的第d个个体的第j个元素值;表示所述第g代的第d个个体的权重,并有: 表示所述第g代的第d个个体的第j个权重;令 表示所述第g代的第d个个体的第K+j个元素值,则并重新记为其中,表示所述第g代的第d个个体的第h个元素值,1≤h≤2K;
初始化g=1;
利用式(1)初始化所述第g代的第d个个体的第h个元素值,从而初始化所述第g代的第d个个体进而初始化P个种群个体Ag:
式(1)中,和分别表示所述第g代的第d个个体的第h个元素的上限值和下限值,rand(0,1)表示随机产生的介于[0,1]之间的数;
步骤4.2:将所述第g代的第d个个体的扩展因子和权重作为RBF神经网络的参数,根据RBF神经网络中所述第g代的第d个个体的第j个径向基函数和输出函数在所述归一化特征数据X′上进行训练,得到第g代的训练分类结果其中,表示所述第g代的第d个个体的扩展因子和权重为参数得到的预测分类结果,并有: 表示所述预测分类结果中第i条数据的预测分类值;
步骤4.3:利用式(2)得到自适应差分进化算法的目标函数值
取使目标函数值最小的个体记为并判断是否小于阈值ε或者达到最大进化代数gmax,如果或g=gmax,则终止进化,并取隐含层个数为K时的目标函数值为最优扩展因子为最优权重并执行步骤5;否则,执行步骤4.4;
步骤4.4:利用式(3)计算第g代变异算子λg:
式(3)中,λmax是一个常数,表示变异算子的最大值;
利用式(4)对所述第g代的第d个个体的第h个元素值进行变异操作,得到所述第g+1代变异种群Vg+1中的第d个变异个体的第h个元素值从而对第g代的第d个个体进行变异操作,得到所述第g+1代变异种群Vg+1中的第d个变异个体并有: 表示所述第g+1代变异种群Vg+1中的第d个变异个体的第h个元素值,进而对第g代种群Ag进行变异操作,生成第g+1代变异种群
式(4)中,表示所述第g代种群Ag中的最优个体的第h个元素值,和分别表示所述第g代种群Ag中的两个随机个体r1和r2的第h个元素值;
步骤4.5:利用式(5)计算第g代交叉算子CRg:
式(5)中,CRmin和CRmax分别表示交叉算子CR的最小值和最大值;
利用式(6)对所述第g+1代变异种群Vg+1中的第d个变异个体的第h个元素值和第g代的第d个个体的第h个元素值进行交叉操作,得到所述第g+1代交叉种群Ug+1中的第d个交叉个体的第h个元素值从而对所述第g+1代变异种群Vg+1中的第d个变异个体和第g代的第d个个体进行交叉操作,得到所述第g+1代交叉种群Ug+1中的第d个交叉个体并有进而对所述第g代种群Ag与所述第g+1代变异种群Vg+1进行交叉操作,生成第g+1代交叉种群
步骤4.6:利用式(7)对所述第g+1代交叉种群Ug+1中的第d个交叉个体和所述第g代的第d个个体进行选择操作,生成所述第g+1代的第d个个体即第g+1代扩展因子和权重,从而对所述第g+1代交叉种群Ug+1和所述第g代种群Ag进行选择操作,生成第g+1代种群Ag+1:
式(7)中,f(·)为所述自适应差分进化算法的目标函数;
步骤4.7:将g+1赋值给g,并返回步骤4.2执行;
步骤5:将K+1赋值给K,重复步骤3,直至满足为止,并取则RBF神经网络的全局最优参数为隐含层神经元个数Kbest、扩展因子Δ(Kbest)和权重W(Kbest),即确定RBF神经网络的输出函数为
步骤6:对煤与瓦斯突出的测试样本进行预测;
步骤6.1:获取煤与瓦斯突出的测试样本,所述测试样本记为测试特征数据其中Nt表示所述测试特征数据个数,ts表示所述测试特征数据T中的第s条特征数据,并有:ts={ts1,ts2,···,tsb,···,tsm},tsb表示所述测试特征数据T中的第s条特征数据ts的第b个特征值,s∈[1,Nt],b∈[1,m];
步骤6.2:选取与步骤2中所述训练样本中的归一化特征数据X′相同的特征维度,并对所述测试特征数据T进行归一化处理,得到归一化后的测试特征数据其中,ts′表示所述归一化测试特征数据T′中的第s条数据,并有:ts′={t′s1,t′s2,···,t′sb′,···t′sm′},t′sb′表示所述归一化后的测试特征数据T′中第s条数据ts′的第b′个特征值,b′∈[1,m′];
步骤6.3:根据所述RBF神经网络的输出函数F(xi′),利用式(8)计算得到所述第s条数据ts′的输出值F(ts′):
步骤6.4:取使所述第s条数据ts′的输出值F(ts′)与分类标签的距离最小的分类标签记为则所述第s条数据ts′对应的预测分类结果为cl′。
与已有技术相比,本发明的有益效果体现在:
1、本发明中自适应差分进化算法中采用的变异算子λ随进化代数增加而变小,进化前期λ值较大,有利于种群个体的差异性,避免了早熟;进化后期λ值较小,保留了优良个体,增加了搜索到全局最优解的概率。
2、本发明中自适应差分进化算法中采用的交叉算子CR随进化代数增加而变大,进化前期CR较小,有利于全局搜索能力;进化后期CR较大,提高了局部搜索能力,有利于得到最优解。
3、本发明能够有效的应用于煤与瓦斯突出灾害的预测,针对不同的煤与瓦斯突出数据,RBF神经网络的最优参数可以自适应,方便、快速的确定基于RBF神经网络的煤与瓦斯突出预测模型,从而保证了模型预测的准确度。
附图说明
图1为本发明煤与瓦斯突出预测方法的流程图;
图2为本发明RBF神经网络的煤与瓦斯突出预测模型;
图3为本发明训练RBF神经网络扩展因子和权重的流程图。
具体实施方式
参照图1,一种基于RBF神经网络的煤与瓦斯突出预测方法,按如下步骤进行:
步骤1:获取一组煤与瓦斯突出的训练样本,训练样本是由特征数据X={x1,x2,···,xi,···,xN}和分类标签数据Y={y1,y2,···,yi,···,yN}组成,其中,N表示训练样本的个数,xi表示训练样本中的第i条特征数据,并有:xi={xi1,xi2,···,xiz,···,xim},xiz表示训练样本中的第i条特征数据第z个特征值,m表示特征数据X的维数;yi表示训练样本中的第i条特征数据xi对应的分类标签,并有:yi={cl|l=1,2,···,C},C表示分类标签的个数,cl表示第l个分类标签,i∈[1,N],z∈[1,m];
本实施例中,以表1中的煤与瓦斯突出训练样本数据为例,N=16,m=9,C=4,c1=1,c2=2,c3=3,c4=4。
表1煤与瓦斯突出训练样本数据
步骤2:用主成分分析法对特征数据X进行特征维数约简,再对约简后的特征数据进行归一化处理,生成归一化特征数据X′={x1′,x′2,···,xi′,···,x′N},其中,xi′表示归一化特征数据X′中的第i条数据,并有:xi′={x′i1,x′i2,···,x′iz′,···x′im′},x′iz′表示归一化特征数据X′中的第i条数据xi′的第z′个特征值,m′表示归一化特征数据X′的特征维数,且m′≤m,z′∈[1,m′];
本实施例中,对特征数据X进行预处理,按如下步骤进行:
步骤2.1:用MATLAB(R2016a)软件自带的主成分分析函数PCA()对9维特征数据(20×9矩阵)进行维数约简,得到m′=5维数据,分别为开采深度、煤层透气性系数、瓦斯含量、瓦斯放散初速度和坚固性系数;
步骤2.2:对约简后的5维数据用MATLAB(R2016a)自带的MAPMINMAX()函数进行归一化处理,得到归一化特征数据X′,如表2所示。
表2煤与瓦斯突出归一化特征数据
步骤3:RBF神经网络的预测模型如图2所示。使用K-均值算法对归一化特征数据X′进行聚类,计算出K个聚类簇及其聚类中心Q1,Q2,···,Qj,···,QK,其中,K表示RBF神经网络隐含层神经元个数,并初始化K为输入层神经元个数M,Qj表示第j个聚类簇的聚类中心,j∈[1,K];
以聚类中心Q1,Q2,···,Qj,···,QK作为径向基函数的中心,则表示第j个径向基函数的中心,且表示第j个聚类簇的第e个特征的中心,并有:nj表示第j个聚类簇的数据个数,xi′e表示第i条数据的第e个特征值;e∈[1,m′];
本实施例中,初始化RBF神经网络隐含层神经元个数K=5,使用MATLAB(R2016a)自带的KMEANS()函数对归一化特征数据X′进行聚类,计算出聚类簇、聚类中心即径向基函数的中心Q1,Q2,···,QK。本实施例中,K=5时的径向基函数的中心如表3所示。
表3K=5时的径向基函数的中心
Q1 | {0.75,1,0.533841051,0.080988456,0.542553191} |
Q2 | {0.178082192,0.13597561,0.168038325,0.001443001,0.744680851} |
Q3 | {0.223744292,0.071707317,0.24719322,0.584704185,0.374468085} |
Q4 | {0.592085236,0.073170732,0.588297916,0.735209235,0.106382979} |
Q5 | {0.721461187,0.087398374,0.544466282,0.723304473,0.053191489} |
步骤4:在归一化特征数据X′上训练RBF神经网络,引入自适应差分进化算法确定隐含层神经元个数为K时的RBF神经网络的扩展因子Δ(K)={σ1,σ2,···,σK}和权重W(K)={ω1,ω2,···,ωK},如图3所示,具体按如下步骤进行:
步骤4.1:将扩展因子Δ(K)和权重W(K)组合编码成一个种群个体a={Δ(K),W(K)}={a1,a2,···,aj,···,aK,aK+1,aK+2,···,aK+j,···,a2K},aj表示个体a的第j个元素值;
引入进化代数为g,则第g代的种群为其中,P表示种群个体数,1≤d≤P,表示第g代的第d个个体,表示第g代的第d个个体的扩展因子,并有: 表示第g代的第d个个体的第j个扩展因子;令 表示第g代的第d个个体的第j个元素值;表示所述第g代的第d个个体的权重,并有: 表示第g代的第d个个体的第j个权重;令 表示第g代的第d个个体的第K+j个元素值,则并重新记为其中,表示第g代的第d个个体的第h个元素值,1≤h≤2K;
初始化自适应差分进化算法的参数:种群大小P=10,进化代数g=1,最大进化代数gmax=100,目标函数阈值ε=0.1,变异算子λmax=1,交叉算子CRmin=0.1,CRmax=0.9,RBF神经网络各中心点的扩展因子σmax=210、σmin=2-10和权重ωmax=210、ωmin=2-10,也即
利用式(1)初始化第g代的第d个个体的第h个元素值,从而初始化第g代的第d个个体进而初始化P个种群个体Ag:
式(1)中,和分别表示第g代的第d个个体的第h个元素的上限值和下限值,rand(0,1)表示随机产生的介于[0,1]之间的数;
步骤4.2:将第g代的第d个个体的扩展因子和权重作为RBF神经网络的参数,根据RBF神经网络中第g代的第d个个体的第j个径向基函数和输出函数在归一化特征数据X′上进行训练,得到第g代的训练分类结果其中,表示第g代的第d个个体的扩展因子和权重为参数得到的预测分类结果,并有: 表预测分类结果中第i条数据的预测分类值;
步骤4.3:利用式(2)得到自适应差分进化算法的目标函数值
取使目标函数值最小的个体记为并判断是否小于阈值ε或者达到最大进化代数gmax,如果或g=gmax,则终止进化,并取隐含层个数为K时的目标函数值为最优扩展因子为最优权重并执行步骤5;否则,执行步骤4.4;
步骤4.4:利用式(3)计算第g代变异算子λg:
式(3)中,λmax是一个常数,表示变异算子的最大值;
利用式(4)对第g代的第d个个体的第h个元素值进行变异操作,得到第g+1代变异种群Vg+1中的第d个变异个体的第h个元素值从而对第g代的第d个个体进行变异操作,得到第g+1代变异种群Vg+1中的第d个变异个体并有: 表示第g+1代变异种群Vg+1中的第d个变异个体的第h个元素值,进而对第g代种群Ag进行变异操作,生成第g+1代变异种群
式(4)中,表示第g代种群Ag中的最优个体的第h个元素值,和分别表示第g代种群Ag中的两个随机个体r1和r2的第h个元素值;
步骤4.5:利用式(5)计算第g代交叉算子CRg:
式(5)中,CRmin和CRmax分别表示交叉算子CR的最小值和最大值;
利用式(6)对第g+1代变异种群Vg+1中的第d个变异个体的第h个元素值和第g代的第d个个体的第h个元素值进行交叉操作,得到第g+1代交叉种群Ug+1中的第d个交叉个体的第h个元素值从而对第g+1代变异种群Vg+1中的第d个变异个体和第g代的第d个个体进行交叉操作,得到第g+1代交叉种群Ug+1中的第d个交叉个体并有进而对第g代种群Ag与第g+1代变异种群Vg+1进行交叉操作,生成第g+1代交叉种群
步骤4.6:利用式(7)对第g+1代交叉种群Ug+1中的第d个交叉个体和第g代的第d个个体进行选择操作,生成第g+1代的第d个个体即第g+1代扩展因子和权重,从而对第g+1代交叉种群Ug+1和第g代种群Ag进行选择操作,生成第g+1代种群Ag+1:
式(7)中,f(·)为所述自适应差分进化算法的目标函数;
步骤4.7:将g+1赋值给g,并返回步骤4.2执行;
步骤5:将K+1赋值给K,重复步骤3,直至满足为止,并取则RBF神经网络的全局最优参数为隐含层神经元个数Kbest、扩展因子Δ(Kbest)和权重W(Kbest),即确定RBF神经网络的输出函数为
本实施例中,Kbest=12时目标函数值取最小值,则RBF神经网络的最优参数如表4所示。
表4 RBF神经网络的最优参数示例
步骤6:对煤与瓦斯突出的测试样本进行预测;
步骤6.1:获取煤与瓦斯突出的测试样本,测试样本记为测试特征数据其中Nt表示测试特征数据个数,ts表示测试特征数据T中的第s条特征数据,并有:ts={ts1,ts2,···,tsb,···,tsm},tsb表示测试特征数据T中的第s条特征数据ts的第b个特征值,s∈[1,Nt],b∈[1,m];
本实施例中,煤与瓦斯突出的测试样本如表5所示,Nt=4。
表5煤与瓦斯突出的测试样本
步骤6.2:选取与步骤2中训练样本中的归一化特征数据X′相同的特征维度,并对测试特征数据T进行归一化处理,得到归一化后的测试特征数据其中,ts′表示归一化测试特征数据T′中的第s条数据,并有:ts′={t′s1,t′s2,···,t′sb′,···t′sm′},t′sb′表示归一化后的测试特征数据T′中第s条数据ts′的第b′个特征值,b′∈[1,m′];
本实施例中,选取与步骤2中训练样本中的归一化特征数据X′相同的特征维,包括开采深度、煤层透气性系数、瓦斯含量、瓦斯放散初速度和坚固性系数。使用步骤2的方法对约简后的测试特征数据做归一化处理,得到归一化后的测试特征数据,如表6所示。
表6煤与瓦斯突出的归一化测试特征数据
步骤6.3:根据RBF神经网络的输出函数利用式(8)计算得到所述第s条数据ts′的输出值F(ts′):
步骤6.4:取使第s条数据ts′的输出值F(ts′)与分类标签的距离最小的分类标签记为则第s条数据ts′对应的预测分类结果为cl′。
本实施例中,以表4中的取值作为RBF神经网络的参数,根据输出函数得到归一化测试特征数据T′的预测结果,如表7所示。
表7煤与瓦斯突出的归一化测试特征数据的预测结果
Claims (1)
1.一种基于RBF神经网络的煤与瓦斯突出预测方法,其特征是按如下步骤进行:
步骤1:获取一组煤与瓦斯突出的训练样本,所述训练样本是由特征数据X={x1,x2,···,xi,···,xN}和分类标签数据Y={y1,y2,···,yi,···,yN}组成,其中,N表示所述训练样本的个数,xi表示所述训练样本中的第i条特征数据,并有:xi={xi1,xi2,···,xiz,···,xim},xiz表示所述训练样本中的第i条特征数据第z个特征值,m表示所述特征数据X的维数;yi表示所述训练样本中的第i条特征数据xi对应的分类标签,并有:yi={cl|l=1,2,···,C},C表示分类标签的个数,cl表示第l个分类标签,i∈[1,N],z∈[1,m];
步骤2:用主成分分析法对所述特征数据X进行特征维数约简,再对约简后的特征数据进行归一化处理,生成归一化特征数据X′={x1′,x′2,···,xi′,···,x′N},其中,xi′表示所述归一化特征数据X′中的第i条数据,并有:xi′={x′i1,x′i2,···,x′iz′,···x′im′},x′iz′表示所述归一化特征数据X′中的第i条数据xi′的第z′个特征值,m′表示所述归一化特征数据X′的特征维数,且m′≤m,z′∈[1,m′];
步骤3:使用K-均值算法对所述归一化特征数据X′进行聚类,计算出K个聚类簇及其聚类中心Q1,Q2,···,Qj,···,QK,其中,K表示RBF神经网络隐含层神经元个数,并初始化K为输入层神经元个数M,Qj表示第j个聚类簇的聚类中心,j∈[1,K];
以所述聚类中心Q1,Q2,···,Qj,···,QK作为径向基函数的中心,则表示第j个径向基函数的中心,且表示第j个聚类簇的第e个特征的中心,并有:nj表示第j个聚类簇的数据个数,x′ie表示第i条数据的第e个特征值;e∈[1,m′];
步骤4:在所述归一化特征数据X′上训练RBF神经网络,引入自适应差分进化算法确定所述隐含层神经元个数为K时的RBF神经网络的扩展因子Δ(K)={σ1,σ2,···,σK}和权重W(K)={ω1,ω2,···,ωK}:
步骤4.1:将扩展因子Δ(K)和权重W(K)组合编码成一个种群个体a={Δ(K),W(K)}={a1,a2,···,aj,···,aK,aK+1,aK+2,···,aK+j,···,a2K},aj表示个体a的第j个元素值;
引入进化代数为g,则第g代的种群为其中,P表示种群个体数,1≤d≤P,表示第g代的第d个个体,表示所述第g代的第d个个体的扩展因子,并有: 表示所述第g代的第d个个体的第j个扩展因子;令 表示所述第g代的第d个个体的第j个元素值;表示所述第g代的第d个个体的权重,并有: 表示所述第g代的第d个个体的第j个权重;令 表示所述第g代的第d个个体的第K+j个元素值,则并重新记为其中,表示所述第g代的第d个个体的第h个元素值,1≤h≤2K;
初始化g=1;
利用式(1)初始化所述第g代的第d个个体的第h个元素值,从而初始化所述第g代的第d个个体进而初始化P个种群个体Ag:
<mrow>
<msubsup>
<mi>a</mi>
<mrow>
<mi>d</mi>
<mi>h</mi>
</mrow>
<mi>g</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>a</mi>
<mrow>
<msub>
<mi>dh</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mi>g</mi>
</msubsup>
<mo>+</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msubsup>
<mi>a</mi>
<mrow>
<msub>
<mi>dh</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
<mi>g</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>a</mi>
<mrow>
<msub>
<mi>dh</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mi>g</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中,和分别表示所述第g代的第d个个体的第h个元素的上限值和下限值,rand(0,1)表示随机产生的介于[0,1]之间的数;
步骤4.2:将所述第g代的第d个个体的扩展因子和权重作为RBF神经网络的参数,根据RBF神经网络中所述第g代的第d个个体的第j个径向基函数和输出函数在所述归一化特征数据X′上进行训练,得到第g代的训练分类结果其中,表示所述第g代的第d个个体的扩展因子和权重为参数得到的预测分类结果,并有: 表示所述预测分类结果中第i条数据的预测分类值;
步骤4.3:利用式(2)得到自适应差分进化算法的目标函数值
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<mi>d</mi>
<mi>g</mi>
</msubsup>
<mo>,</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msubsup>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>d</mi>
<mi>i</mi>
</mrow>
<mi>g</mi>
</msubsup>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
取使目标函数值最小的个体记为并判断是否小于阈值ε或者达到最大进化代数gmax,如果或g=gmax,则终止进化,并取隐含层个数为K时的目标函数值为最优扩展因子为最优权重并执行步骤5;否则,执行步骤4.4;
步骤4.4:利用式(3)计算第g代变异算子λg:
<mrow>
<msup>
<mi>&lambda;</mi>
<mi>g</mi>
</msup>
<mo>=</mo>
<mi>min</mi>
<mo>{</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<msub>
<mi>d</mi>
<mrow>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msub>
<mi>g</mi>
</msubsup>
<mo>,</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式(3)中,λmax是一个常数,表示变异算子的最大值;
利用式(4)对所述第g代的第d个个体的第h个元素值进行变异操作,得到所述第g+1代变异种群Vg+1中的第d个变异个体的第h个元素值从而对第g代的第d个个体进行变异操作,得到所述第g+1代变异种群Vg+1中的第d个变异个体并有: 表示所述第g+1代变异种群Vg+1中的第d个变异个体的第h个元素值,进而对第g代种群Ag进行变异操作,生成第g+1代变异种群
<mrow>
<msubsup>
<mi>v</mi>
<mrow>
<mi>d</mi>
<mi>h</mi>
</mrow>
<mrow>
<mi>g</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>a</mi>
<mrow>
<mi>d</mi>
<mi>h</mi>
</mrow>
<mi>g</mi>
</msubsup>
<mo>+</mo>
<msup>
<mi>&lambda;</mi>
<mi>g</mi>
</msup>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
<mo>)</mo>
<mi>h</mi>
</mrow>
<mi>g</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>a</mi>
<mrow>
<mi>d</mi>
<mi>h</mi>
</mrow>
<mi>g</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>a</mi>
<mrow>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mi>h</mi>
</mrow>
<mi>g</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>a</mi>
<mrow>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mi>h</mi>
</mrow>
<mi>g</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
2
式(4)中,表示所述第g代种群Ag中的最优个体的第h个元素值,和分别表示所述第g代种群Ag中的两个随机个体r1和r2的第h个元素值;
步骤4.5:利用式(5)计算第g代交叉算子CRg:
<mrow>
<msup>
<mi>CR</mi>
<mi>g</mi>
</msup>
<mo>=</mo>
<msub>
<mi>CR</mi>
<mi>min</mi>
</msub>
<mo>+</mo>
<mfrac>
<mi>g</mi>
<msub>
<mi>g</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>CR</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>CR</mi>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式(5)中,CRmin和CRmax分别表示交叉算子CR的最小值和最大值;
利用式(6)对所述第g+1代变异种群Vg+1中的第d个变异个体的第h个元素值和第g代的第d个个体的第h个元素值进行交叉操作,得到所述第g+1代交叉种群Ug+1中的第d个交叉个体的第h个元素值从而对所述第g+1代变异种群Vg+1中的第d个变异个体和第g代的第d个个体进行交叉操作,得到所述第g+1代交叉种群Ug+1中的第d个交叉个体并有进而对所述第g代种群Ag与所述第g+1代变异种群Vg+1进行交叉操作,生成第g+1代交叉种群
<mrow>
<msubsup>
<mi>u</mi>
<mrow>
<mi>d</mi>
<mi>h</mi>
</mrow>
<mrow>
<mi>g</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>v</mi>
<mrow>
<mi>d</mi>
<mi>h</mi>
</mrow>
<mrow>
<mi>g</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msup>
<mi>CR</mi>
<mi>g</mi>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>a</mi>
<mrow>
<mi>d</mi>
<mi>h</mi>
</mrow>
<mi>g</mi>
</msubsup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>></mo>
<msup>
<mi>CR</mi>
<mi>g</mi>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤4.6:利用式(7)对所述第g+1代交叉种群Ug+1中的第d个交叉个体和所述第g代的第d个个体进行选择操作,生成所述第g+1代的第d个个体即第g+1代扩展因子和权重,从而对所述第g+1代交叉种群Ug+1和所述第g代种群Ag进行选择操作,生成第g+1代种群Ag +1:
<mrow>
<msubsup>
<mi>a</mi>
<mi>d</mi>
<mrow>
<mi>g</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>u</mi>
<mi>d</mi>
<mrow>
<mi>g</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>u</mi>
<mi>d</mi>
<mrow>
<mi>g</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>,</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>a</mi>
<mi>d</mi>
<mi>g</mi>
</msubsup>
<mo>,</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>a</mi>
<mi>d</mi>
<mi>g</mi>
</msubsup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>u</mi>
<mi>d</mi>
<mrow>
<mi>g</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>,</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>a</mi>
<mi>d</mi>
<mi>g</mi>
</msubsup>
<mo>,</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
式(7)中,f(·)为所述自适应差分进化算法的目标函数;
步骤4.7:将g+1赋值给g,并返回步骤4.2执行;
步骤5:将K+1赋值给K,重复步骤3,直至满足为止,并取则RBF神经网络的全局最优参数为隐含层神经元个数Kbest、扩展因子Δ(Kbest)和权重W(Kbest),即确定RBF神经网络的输出函数为
步骤6:对煤与瓦斯突出的测试样本进行预测;
步骤6.1:获取煤与瓦斯突出的测试样本,所述测试样本记为测试特征数据其中Nt表示所述测试特征数据个数,ts表示所述测试特征数据T中的第s条特征数据,并有:ts={ts1,ts2,···,tsb,···,tsm},tsb表示所述测试特征数据T中的第s条特征数据ts的第b个特征值,s∈[1,Nt],b∈[1,m];
步骤6.2:选取与步骤2中所述训练样本中的归一化特征数据X′相同的特征维度,并对所述测试特征数据T进行归一化处理,得到归一化后的测试特征数据其中,ts′表示所述归一化测试特征数据T′中的第s条数据,并有:ts′={t′s1,t′s2,···,t′sb′,···t′sm′},t′sb′表示所述归一化后的测试特征数据T′中第s条数据ts′的第b′个特征值,b′∈[1,m′];
步骤6.3:根据所述RBF神经网络的输出函数F(xi′),利用式(8)计算得到所述第s条数据ts′的输出值F(ts′):
步骤6.4:取使所述第s条数据ts′的输出值F(ts′)与分类标签的距离最小的分类标签记为则所述第s条数据ts′对应的预测分类结果为cl′。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710631202.XA CN107194524B (zh) | 2017-07-28 | 2017-07-28 | 一种基于rbf神经网络的煤与瓦斯突出预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710631202.XA CN107194524B (zh) | 2017-07-28 | 2017-07-28 | 一种基于rbf神经网络的煤与瓦斯突出预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107194524A true CN107194524A (zh) | 2017-09-22 |
CN107194524B CN107194524B (zh) | 2020-05-22 |
Family
ID=59885122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710631202.XA Active CN107194524B (zh) | 2017-07-28 | 2017-07-28 | 一种基于rbf神经网络的煤与瓦斯突出预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194524B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107947738A (zh) * | 2017-12-11 | 2018-04-20 | 南京航空航天大学 | 一种太阳能无人机电池板电压的预测方法 |
CN108594793A (zh) * | 2018-04-17 | 2018-09-28 | 电子科技大学 | 一种改进的rbf飞控系统故障诊断网络训练方法 |
CN109492816A (zh) * | 2018-11-16 | 2019-03-19 | 辽宁工程技术大学 | 一种基于混合智能的煤与瓦斯突出动态预测方法 |
CN109711632A (zh) * | 2018-12-29 | 2019-05-03 | 辽宁工程技术大学 | 一种基于瓦斯涌出异常敏感指标的煤与瓦斯突出预测方法 |
CN110163227A (zh) * | 2018-02-26 | 2019-08-23 | 黄佳敏 | 一种基于模式识别的机场跑道道面适航性判别方法 |
CN110222766A (zh) * | 2019-06-06 | 2019-09-10 | 合肥工业大学 | 一种基于稀疏逆协方差的煤与瓦斯突出预测方法 |
CN111079978A (zh) * | 2019-11-20 | 2020-04-28 | 辽宁工程技术大学 | 基于逻辑回归和增强学习的煤与瓦斯突出预测的方法 |
CN113062731A (zh) * | 2019-12-30 | 2021-07-02 | 中石化石油工程技术服务有限公司 | 一种钻井井下复杂工况智能识别方法 |
CN113128108A (zh) * | 2021-04-07 | 2021-07-16 | 汕头大学 | 一种基于差异进化人工智能的旋喷桩直径的确定方法 |
CN113513001A (zh) * | 2021-08-13 | 2021-10-19 | 北京奥特美克科技股份有限公司 | 一种测控一体化闸门的水量控制方法、装置和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8046200B2 (en) * | 2006-09-05 | 2011-10-25 | Colorado State University Research Foundation | Nonlinear function approximation over high-dimensional domains |
CN103838206A (zh) * | 2013-12-09 | 2014-06-04 | 浙江大学 | 最优bp多模丙烯聚合生产过程最优软测量仪表和方法 |
CN106372426A (zh) * | 2016-08-31 | 2017-02-01 | 郑州航空工业管理学院 | 基于主成分分析与神经网络的多响应参数优化方法 |
CN106411896A (zh) * | 2016-09-30 | 2017-02-15 | 重庆邮电大学 | 基于apde‑rbf神经网络的网络安全态势预测方法 |
CN106600059A (zh) * | 2016-12-13 | 2017-04-26 | 北京邮电大学 | 基于改进rbf神经网络的智能电网短期负荷预测方法 |
-
2017
- 2017-07-28 CN CN201710631202.XA patent/CN107194524B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8046200B2 (en) * | 2006-09-05 | 2011-10-25 | Colorado State University Research Foundation | Nonlinear function approximation over high-dimensional domains |
CN103838206A (zh) * | 2013-12-09 | 2014-06-04 | 浙江大学 | 最优bp多模丙烯聚合生产过程最优软测量仪表和方法 |
CN106372426A (zh) * | 2016-08-31 | 2017-02-01 | 郑州航空工业管理学院 | 基于主成分分析与神经网络的多响应参数优化方法 |
CN106411896A (zh) * | 2016-09-30 | 2017-02-15 | 重庆邮电大学 | 基于apde‑rbf神经网络的网络安全态势预测方法 |
CN106600059A (zh) * | 2016-12-13 | 2017-04-26 | 北京邮电大学 | 基于改进rbf神经网络的智能电网短期负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
姚宁: ""基于差分进化算法优化的RBF神经网络的异步电机故障诊断研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
段自力: ""基于RBF神经网络的矿井瓦斯预测"", 《内蒙古煤炭经济》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107947738A (zh) * | 2017-12-11 | 2018-04-20 | 南京航空航天大学 | 一种太阳能无人机电池板电压的预测方法 |
CN110163227B (zh) * | 2018-02-26 | 2021-07-23 | 山东炎黄工业设计有限公司 | 一种基于模式识别的机场跑道道面适航性判别方法 |
CN110163227A (zh) * | 2018-02-26 | 2019-08-23 | 黄佳敏 | 一种基于模式识别的机场跑道道面适航性判别方法 |
CN108594793A (zh) * | 2018-04-17 | 2018-09-28 | 电子科技大学 | 一种改进的rbf飞控系统故障诊断网络训练方法 |
CN109492816A (zh) * | 2018-11-16 | 2019-03-19 | 辽宁工程技术大学 | 一种基于混合智能的煤与瓦斯突出动态预测方法 |
CN109492816B (zh) * | 2018-11-16 | 2021-11-09 | 辽宁工程技术大学 | 一种基于混合智能的煤与瓦斯突出动态预测方法 |
CN109711632A (zh) * | 2018-12-29 | 2019-05-03 | 辽宁工程技术大学 | 一种基于瓦斯涌出异常敏感指标的煤与瓦斯突出预测方法 |
CN110222766A (zh) * | 2019-06-06 | 2019-09-10 | 合肥工业大学 | 一种基于稀疏逆协方差的煤与瓦斯突出预测方法 |
CN111079978A (zh) * | 2019-11-20 | 2020-04-28 | 辽宁工程技术大学 | 基于逻辑回归和增强学习的煤与瓦斯突出预测的方法 |
CN111079978B (zh) * | 2019-11-20 | 2023-07-25 | 辽宁工程技术大学 | 基于逻辑回归和增强学习的煤与瓦斯突出预测的方法 |
CN113062731A (zh) * | 2019-12-30 | 2021-07-02 | 中石化石油工程技术服务有限公司 | 一种钻井井下复杂工况智能识别方法 |
CN113062731B (zh) * | 2019-12-30 | 2024-05-21 | 中石化石油工程技术服务有限公司 | 一种钻井井下复杂工况智能识别方法 |
CN113128108A (zh) * | 2021-04-07 | 2021-07-16 | 汕头大学 | 一种基于差异进化人工智能的旋喷桩直径的确定方法 |
CN113513001A (zh) * | 2021-08-13 | 2021-10-19 | 北京奥特美克科技股份有限公司 | 一种测控一体化闸门的水量控制方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107194524B (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194524A (zh) | 一种基于rbf神经网络的煤与瓦斯突出预测方法 | |
CN103617147A (zh) | 一种矿井突水水源层识别方法 | |
Brown et al. | Use of fuzzy membership input layers to combine subjective geological knowledge and empirical data in a neural network method for mineral-potential mapping | |
CN109934398A (zh) | 一种钻爆法施工隧道瓦斯危险等级预测方法和装置 | |
CN111079978B (zh) | 基于逻辑回归和增强学习的煤与瓦斯突出预测的方法 | |
CN103226741A (zh) | 城市供水管网爆管预测方法 | |
CN109934392A (zh) | 一种基于深度学习的微电网短期负荷预测方法 | |
CN103711523A (zh) | 基于局域分解-进化神经网络的瓦斯浓度实时预测方法 | |
CN107122860A (zh) | 基于网格搜索和极限学习机的冲击地压危险等级预测方法 | |
CN110287985B (zh) | 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法 | |
CN110852441B (zh) | 一种基于改进朴素贝叶斯算法的火灾预警方法 | |
CN114757266A (zh) | 专家知识与数据融合驱动的冲击地压预测模型构建方法 | |
CN104680025A (zh) | 基于遗传算法极限学习机的抽油机参数优化方法 | |
CN116307103A (zh) | 一种基于硬参数共享多任务学习的交通事故预测方法 | |
Zhang et al. | A new hybrid method based on sparrow search algorithm optimized extreme learning machine for brittleness evaluation | |
CN115980826A (zh) | 一种基于加权的元启发式组合模型的岩爆烈度预测方法 | |
CN111562285A (zh) | 基于大数据与深度学习的矿井突水水源识别方法及其识别系统 | |
Papadopoulos et al. | Enhancing machine learning algorithms to assess rock burst phenomena | |
Wu et al. | Advanced computational methods for mitigating shock and vibration hazards in Deep Mines gas outburst prediction using SVM optimized by grey relational analysis and APSO algorithm | |
CN104680023B (zh) | 基于多目标决策的抽油机参数优化方法 | |
Xu et al. | RETRACTED ARTICLE: Source discrimination of mine water inrush based on Elman neural network globally optimized by genetic algorithm | |
Zhu | Quantitative evaluation of coal-mining geological condition | |
CN113779888B (zh) | 地面沉降危险性评估方法、装置、设备及存储介质 | |
CN113283173B (zh) | 地下工程能量与参数综合反分析系统及其方法 | |
Viswambaran et al. | Evolutionary design of long short term memory (lstm) ensemble |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |