CN109492816B - 一种基于混合智能的煤与瓦斯突出动态预测方法 - Google Patents
一种基于混合智能的煤与瓦斯突出动态预测方法 Download PDFInfo
- Publication number
- CN109492816B CN109492816B CN201811364980.8A CN201811364980A CN109492816B CN 109492816 B CN109492816 B CN 109492816B CN 201811364980 A CN201811364980 A CN 201811364980A CN 109492816 B CN109492816 B CN 109492816B
- Authority
- CN
- China
- Prior art keywords
- case
- particle
- fitness
- coal
- population
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 138
- 239000003245 coal Substances 0.000 title claims abstract description 86
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 178
- 238000012549 training Methods 0.000 claims description 26
- 230000000739 chaotic effect Effects 0.000 claims description 21
- 238000009792 diffusion process Methods 0.000 claims description 18
- 238000005065 mining Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 10
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
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
- 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
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于混合智能的煤与瓦斯突出动态预测方法，流程包括：数据检测；采用均值分批估计融合方法进行数据处理；组成待预测的新问题；利用基于案例聚类的案例检索与匹配方法，针对新问题进行案例检索与匹配，如果案例检索与匹配是有效的，采用加权平均的方法进行案例重用，得到煤与瓦斯突出的预测结果，如果案例检索与匹配是无效的，运行OBPNN突出预测模型，得到煤与瓦斯突出的预测结果。利用实测数据对所提方法进行验证，实例验证结果表明，所提方法给出高精度的预测结果，同时具有良好的鲁棒性，而且建模算法效率更高，预测所用时间更短。
Description
技术领域
本发明属于煤与瓦斯突出灾害预测领域，具体涉及一种基于混合智能的煤与瓦斯突出动态预测方法。
背景技术
煤与瓦斯突出是矿井开采过程中危险性最大的灾害之一，发生频率高，社会影响大。进行煤与瓦斯突出快速、准确和动态预测对有效防治矿井煤与瓦斯突出灾害尤为重要。截至目前，国内外学者对煤与瓦斯突出预测问题进行了大量的研究，提出了多种预测方法，如电磁辐射监测方法、RES理论方法、SVM方法、ANN方法、案例推理方法等。煤与瓦斯突出的案例推理(CBR)预测方法是近几年提出的新方法，利用历史经验案例进行推理，对当前的煤与瓦斯突出危险性进行智能化预测。案例的检索与匹配是实现案例推理的关键环节，是为了从案例库中找到一个或多个与当前问题最相似的案例。一些文献在确定案例特征权值基础上，设计了案例检索与匹配的最近邻算法，实现最相似案例的获取，而一些文献设计了基于案例聚类的案例检索与匹配方法，即在案例库案例科学分类基础上，先检索出相似案例类，再从相似案例类中获取最相似案例，从而提高对煤与瓦斯突出预测的快速性。上述文献的煤与瓦斯突出案例推理预测方法均在能够有效案例检索与匹配基础上，即能从案例库获取大于阈值的案例情况下，进行煤与瓦斯突出危险性预测研究，而未在无效案例检索与匹配的情况下，即不能获取大于阈值的案例情况下，展开煤与瓦斯突出危险性预测的深入研究。由于煤与瓦斯突出具有突发性、非线性以及影响因素的多样性和不确定性等综合复杂性，因此获取遍历煤与瓦斯突出所有情况的案例是很困难的，难免出现无效案例检索与匹配的情况。
发明内容
本发明在已有煤与瓦斯突出的案例推理预测方法研究基础上，考虑无效案例检索与匹配的情况，利用案例推理(CBR)、神经网络、粒子群优化算法(PSO)、主元素分析(PCA)、聚类分析，进行煤与瓦斯突出的混合智能动态预测，提出一种基于混合智能的煤与瓦斯突出动态预测方法，包括如下流程：
步骤1：数据检测，包括：瓦斯压力传感器组在线检测瓦斯压力值、瓦斯放散初速度传感器组在线检测瓦斯放散初速度值、离线检测煤层坚固性系数、离线检测地质构造和离线检测开采深度；
步骤2：将在线检测瓦斯压力值和在线检测瓦斯放散初速度值，采用均值分批估计融合方法进行数据处理；
步骤3：将采用均值分批估计融合方法处理后的数据，加上离线检测的煤层坚固性系数、离线检测的地质构造和离线检测的开采深度，组成待预测的新问题X，记作：新问题X；
所述采用均值分批估计融合方法已经在东南大学学报，基于案例推理和数据融合的煤与瓦斯突出预测文章中公开；
步骤4：利用基于案例聚类的案例检索与匹配方法，将新问题X，在案例库中进行案例检索与匹配；
所述基于案例聚类的案例检索与匹配方法，包括如下步骤：
步骤4.1：利用基于PCA的案例特征权值确定方法获取案例库中每个案例描述特征的权值λi，进而利用改进的K均值案例聚类方法完成案例库案例的聚类；
步骤4.2：根据新问题X，找出案例库中案例与新问题X间相似度大于案例类相似度阈值SIMt1h的案例类，记作：高相似度案例类；针对所选的高相似度案例类中的案例进行进一步检索与匹配，找出与新问题X间相似度大于案例相似度阈值SIMt2h的案例。
步骤5：如果案例检索与匹配是有效的，即在案例库中检索出大于阈值的案例，则在案例检索与匹配结果基础上，采用加权平均的方法进行案例重用，得到新问题X的案例解，即煤与瓦斯突出的预测结果；如果案例检索与匹配是无效的，即未检索出大于阈值的案例，运行OBPNN突出预测模型，转到步骤6，得到煤与瓦斯突出的预测结果；
步骤6：OBPNN突出预测模型进行煤与瓦斯突出预测具体流程包括步骤6.1～步骤6.12：
步骤6.1：在案例库中，所有案例按照与新问题X相似度由高到低排列，取出与新问题X相似度不小于设定阈值的案例，作为建模时的训练样本；
步骤6.2：对训练样本数据按公式(1)进行归一化处理:
其中，a为训练样本数据中某一信息的归一化前的原始数据，训练样本数据中某一信息如瓦斯压力，
为对a归一化后的数据，amin与amax为该信息的数据最小值和数据最大值；
步骤6.3：初始化BP网络：初始化BP网络的输入层、隐含层和输出层的节点数以及激活函数、最大训练次数、规定的最小适应度fset。OBPNN突出预测模型采用3层网络结构，即输入层、隐含层和输出层，输入层节点数ni为考虑的煤与瓦斯影响因素数量，隐含层节点数nh则采用试验法获取，输出层节点数no为描述煤与瓦斯突出危险程度的数据维数；
步骤6.4：初始化粒子群及每个粒子参数：初始化粒子的种群数量np、惯性权重最大值wmax、惯性权重最小值wmin、学习因子c1和c2以及最大速度vmax，随机产生各粒子的初始位置和初始速度，使位置和速度的各维量值均在[-1,1]范围内；
采用实数方式，建立一个二维粒子编码：
权值和阈值
粒子位置(xi)xi1…xin (2)
粒子i的第一维向量是BP网络的输入层与隐含层节点间连接权值θ、BP网络的隐含层与输出层节点间连接权值ψ以及隐含层节点阈值bh和输出层节点阈值bo组成；粒子i的第二维向量是粒子i的位置xi＝{xi1,xi2,…,xin}，n＝(ni+no)×nh+nh+no；
在迭代过程中，粒子i的第一维向量内元素次序始终保持不变；而在解码过程中，粒子的第一维向量第l个元素的数值等于xil；
步骤6.5：计算各粒子的适应度f，根据适应度更新各粒子的最佳位置以及群体最佳位置，适应度公式如下：
其中，no为BP网络的输出层节点数，ns为训练样本的数量，zlk为对应训练样本中第l组数据的BP网络第k个输出层节点的输出值，z′lk为zlk的理想值；
步骤6.6：按公式(4)-(6)，对各粒子的速度和位置进行更新；
对粒子i进行速度vi和位置xi更新：
vij＝wivij+c1r1(pij-xij)+c2r2(pgj-xij) (4)
其中，vij为粒子i速度vi的第j维分量，xij为粒子i位置xi的第j维分量，c1和c2为学习因子，r1和r2为0到1间的随机数，pi为粒子i的最佳位置，pg为群体所发现的最佳位置，pij为粒子i最佳位置pi的第j维分量，pgj为群体所发现的最佳位置pg的第j维分量，wi为粒子i的惯性权重，j＝1,2,…,n，vmax为最大速度；
惯性权重是平衡算法全局搜索能力与局部搜索能力的关键因素。当采用较大的惯性权重时，粒子会具有较强的全局搜索能力；当采用较小的惯性权重时，粒子会具有较强的局部搜索能力。根据问题的特点，为了得到较好的求解质量，粒子i的惯性权重wi的调整如下：
其中，wmax为惯性权重最大值；wmin为惯性权重最小值；favg为当前粒子种群的平均适应度；fi为粒子i的适应度、F为当前粒子种群适应度
fmin为寻优得到的最小适应度、D(F)为当前粒子种群适应度F的方差；
由式(6)可知，对于陷入局部最优的粒子以及未陷入局部最优的适应度差于平均适应度的粒子，采用较大的惯性权重更新粒子位置，以使粒子趋向更好的搜索空间；对于未陷入局部最优的适应度优于平均适应度的粒子，采用较小的惯性权重更新粒子位置，以加快算法的收敛；
步骤6.7：以更新后的位置与速度，利用公式(3)计算各粒子的适应度，根据适应度更新各粒子的最佳位置以及群体最佳位置；
步骤6.8：对本次迭代获得的群体最佳位置，进行混沌局部搜索，并更新粒子最佳位置和群体最佳位置；
对本次迭代获得的群体最佳位置，进行混沌局部搜索，以加快算法收敛，其中，b为最佳位置对应的粒子，具体流程包括步骤6.8.1～步骤6.8.6：
步骤6.8.1：令m＝0，m为混沌局部搜索的当前迭代次数，利用式(7)将xbj映射为0-1间的混沌变量dj(m)：
其中，xminj和xmaxj分别为种群所有粒子位置的第j维分量最小和最大值，xbj为具有最佳位置的粒子b对应的位置，dj(m)为第m次迭代获得的xb映射量中的第j维分量，j＝1,2,…,n；
步骤6.8.2：利用式(8)更新混沌变量：
dj(m+1)＝4dj(m)[1-dj(m)],j＝1,2,…,n (8)
步骤6.8.3：利用式(9)产生新解x′b：
x′bj＝xminj+dj(m+1)(xmaxj-xminj),j＝1,2,…,n (9)
步骤6.8.4：使用公式(3)，计算x′b的适应度；
步骤6.8.5：如果x′b优于初始解或混沌局部搜索达到预先设计的迭代次数，将新解作为搜索结果输出，令xb＝x′b，转到步骤6.8.6，否则m＝m+1，返回步骤6.8.2；
步骤6.8.6：使用公式(3)，计算xb的适应度；如果xb的适应度小于粒子b所经历过的最佳位置的适应度，则将xb作为粒子b当前的最佳位置，如果xb的适应度小于群体所经历过的最佳位置的适应度，则将xb作为群体当前的最佳位置；转到步骤6.9；
步骤6.9：判断算法是否陷入局部最优，判断结果分两种情况：情况(a)：如果陷入局部最优，即满足公式(10)，则按公式(11)-(13)对较差的粒子位置进行更新，计算更新后各粒子的适应度，根据适应度更新各粒子的最佳位置以及群体最佳位置，继续判断算法是否陷入局部最优，如果算法仍陷入局部最优，则继续按公式(11)-(13)对较差的粒子位置进行更新，直到不满足局部最优判断条件，则转到步骤6.10；情况(b)：若判断没有陷入局部最优，即不满足公式(10)，则转到步骤6.10；
在建立预测模型的过程中，为了实现算法的快速寻优，应尽量避免算法陷入局部最优。因此算法陷入局部最优过程的判定尤为重要。算法陷入局部最优时，种群各粒子的适应度会趋于一致，即种群适应度方差会很小。
局部最优判断条件：
算法满足式(10)，即当前粒子种群适应度
的方差D(F)小于设定值σ且寻优得到的最小适应度
大于目标适应度fset，fi为粒子i的适应度，i＝1,…,np，np为种群的粒子个数，可判定算法陷入局部最优；
当算法陷入局部最优时，采用式(11)-(13)对种群中的较差粒子位置进行更新：
x′minj＝max{xminj,xgj-r4(xmaxj-xminj)},j＝1,2,…,n (12)
x′maxj＝min{xmaxj,xgj+r4(xmaxj-xminj)},j＝1,2,…,n (13)
其中，[xminj,xmaxj]为群体所发现粒子位置的第j维分量范围，xgj为群体所发现的最佳位置的第j维分量，r3和r4为0-1的随机数，q为给定参数，且q≥1，favg为种群粒子的适应度平均值，[x′minj,x′maxj]为根据当前种群和已发现最佳位置修正得到的粒子位置的第j维分量范围；
由式(11)-(13)可知，算法陷入局部最优时：D(F)＜σ,fmin＞fset，对适应度不小于qfavg的粒子位置，即较差的粒子位置，在群体所发现的最佳位置附近随机产生，完成位置更新，以保持种群的多样性，加强搜索的分散性，加快收敛过程；
步骤6.5、步骤6.7和步骤6.9中，所述根据适应度更新各粒子的最佳位置以及群体最佳位置具体为：对每个粒子，将其适应度与其所经历过的最佳位置的适应度进行比较，如果前者小，则将其位置作为其当前的最佳位置，如果后者小，则不用更新粒子的最佳位置；对每个粒子，将其适应度与群体所经历过的最佳位置的适应度进行对比，如果前者小，则将其位置作为群体当前的最佳位置，如果后者小，则不用更新群体的最佳位置。
步骤6.10：如果群体最佳位置对应的适应度大于规定值且当前训练次数不大于最大次数，转到步骤6.6，否则转到步骤6.11；
步骤6.11：输出群体最佳位置，并对获得的群体最佳位置进行解码，得到BP网络的各节点的阈值以及节点间的连接权值；
步骤6.12：将新问题X作为输入，运行BP网络，将网络输出作为煤与瓦斯突出预测结果。
所述相似度定义为：
设待预测的新问题X＝{y1,y2,y3,y4,y5}，yi为X的第i个特征量，y1,y2,…,y5具体分别指瓦斯压力、瓦斯放散初速度、特地质构造、煤层坚固性系数和开采深度的数据值，案例库中第k个案例Ck＝{Tk,Sk}，案例描述特征Tk＝{tk1,tk2,…,tk5}，tk1,tk2,…,tk5具体分别指瓦斯压力、瓦斯放散初速度、地质构造、煤层坚固性系数和开采深度的数据值，案例解Sk表示煤与瓦斯突出危险程度，那么X与Ck的相似度定义为：
式中，λi为案例描述特征权值，sim(yi,tki)为第k个案例的描述特征tki与X的第i个特征量yi的相似度，当tki和yi为布尔型数据时采用式(15)计算sim(yi,tki)，当tki和yi为数值型数据时采用式(16)计算sim(yi,tki)；
所述案例库定义为：在历史数据库中抽取出需要的描述特征组成案例库，需要的描述特征为：特征1：瓦斯压力、特征2：瓦斯放散初速度、特征3：地质构造、特征4：煤层坚固性系数、特征5：开采深度、特征6：突出危险程度；
涉及案例库的处理包括三个过程：案例评价与修正过程、案例存储与维护过程、案例学习过程；
所述案例评价与修正过程：人工对案例库中案例进行评价，修改案例库中描述特征和案例解不正确的数值，并将修改后的描述特征和案例解的数值保存到案例库中；
所述案例存储与维护过程：案例库中新增案例的存储和已有案例的删减；
所述案例学习过程：专家根据经验，新增新案例到案例库中以及案例库案例的删减与修正。
有益技术效果：
本发明提出一种基于混合智能的煤与瓦斯突出动态预测方法，为了实现对煤与瓦斯突出快速、准确和动态预测，考虑煤与瓦斯突出多种影响因素，提出了一种融合案例推理、神经网络、粒子群优化算法(PSO)、主元素分析(PCA)、聚类分析的煤与瓦斯突出动态预测方法。基于高相似度的案例库案例，给出了一种OBPNN(优化BP神经网络)突出预测模型的快速构建方法，设计了基于PSO的OBPNN突出预测模型构建训练算法。在算法迭代过程中，依据粒子种群的适应度方差判定是否陷入局部最优，进行惯性权重的自适应更新，对每次迭代群体最佳位置进行混沌局部搜索，对陷入局部最优的较差粒子位置进行随机更新，以保持种群的多样性，提高搜索效率，加快收敛过程。利用实测数据对所提方法进行验证，实例验证结果表明，所提方法给出高精度的预测结果，同时具有良好的鲁棒性，而且建模算法效率更高，预测所用时间更短。
附图说明
图1为本发明实施例的一种基于混合智能的煤与瓦斯突出动态预测方法预测结构图；
图2为本发明实施例的一种基于混合智能的煤与瓦斯突出动态预测方法整体流程图；
图3为本发明实施例的OBPNN突出预测模型进行煤与瓦斯突出预测流程图；
图4为本发明实施例的一种基于混合智能的煤与瓦斯突出动态预测方法仿真结果对比图；
图4(a)为本发明实施例的一种基于混合智能的煤与瓦斯突出动态预测方法仿真结果对比图1
图4(b)为本发明实施例的一种基于混合智能的煤与瓦斯突出动态预测方法仿真结果对比图2
图4中，1--本发明方法的第1次学习曲线；2-CPSOBPNN模型预测方法所得最佳结果的学习曲线；3-本发明方法的第2次学习曲线；4-本发明方法的第3次学习曲线；5-本发明方法的第4次学习曲线；6-本发明方法的第5次学习曲线。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明，采用国内某矿井中的22组典型的煤与瓦斯突出实测数据，通过6个传感器并行测得，对本发明提出的方法进行验证。利用前15组数据构建煤与瓦斯突出预测的初始案例库，利用后7组数据作为测试数据。初始案例库中的各案例描述特征和案例解，如表1所示，而测试数据如表2所示。
表1案例库中的各案例描述特征和案例解
表2测试数据
本发明提出一种基于混合智能的煤与瓦斯突出动态预测方法，如图1与图2所示，包括如下流程：
步骤1：数据检测，包括：瓦斯压力传感器组在线检测瓦斯压力值、瓦斯放散初速度传感器组在线检测瓦斯放散初速度值、离线检测煤层坚固性系数、离线检测地质构造和离线检测开采深度，检测到的煤层坚固性系数、地质构造、开采深度的数据如表2的4-6列所示；
步骤2：将在线检测瓦斯压力值和在线检测瓦斯放散初速度值，采用均值分批估计融合方法进行数据处理，处理后的数据如表2的2-3列所示；
步骤3：将采用均值分批估计融合方法处理后的数据，加上离线检测的煤层坚固性系数、离线检测的地质构造和离线检测的开采深度，组成待预测的新问题X，记作：新问题X；
步骤4：利用基于案例聚类的案例检索与匹配方法，将新问题X，在案例库中进行案例检索与匹配；
所述基于案例聚类的案例检索与匹配方法，包括如下步骤：
步骤4.1：利用基于PCA的案例特征权值确定方法获取案例库中每个案例描述特征的权值λi，进而利用改进的K均值案例聚类方法完成案例库案例的聚类；
步骤4.2：根据新问题X，找出案例库中案例与新问题X间相似度大于案例类相似度阈值
的案例类，记作：高相似度案例类；针对所选的高相似度案例类中的案例进行进一步检索与匹配，找出与新问题X间相似度大于案例相似度阈值
的案例。针对测试数据，令案例类相似度阈值
案例相似度阈值
对表1所示案例的描述特征数据，利用基于PCA的描述案例特征权值确定方法得到的描述案例特征权值为：λ1＝0.2462、λ2＝0.1465、λ3＝0.2584、λ4＝0.2121和λ5＝0.1367；令案例聚类个数nc＝4，利用文献：阎馨,付华,屠乃威.基于聚类和案例推理的煤与瓦斯突出动态预测[J].传感技术学报,2016,29(4):545-551.中案例聚类算法，所得案例聚类结果为：案例1、12、13、14为一类，案例2、3、5、8、10为一类，案例4、9、11、15为一类，案例6、7为一类，具体聚类结果见表1。
步骤5：如果案例检索与匹配是有效的，即在案例库中检索出大于阈值的案例，则在案例检索与匹配结果基础上，采用加权平均的方法进行案例重用，得到新问题X的案例解，即煤与瓦斯突出的预测结果；如果案例检索与匹配是无效的，即未检索出大于阈值的案例，运行OBPNN突出预测模型，转到步骤6，得到煤与瓦斯突出的预测结果；
步骤6：OBPNN突出预测模型进行煤与瓦斯突出预测，如图3所示，具体流程包括步骤6.1～步骤6.12：
步骤6.1：在案例库中，所有案例按照与新问题X相似度由高到低排列，取出与新问题X相似度不小于设定阈值的案例，实施时设定阈值为0.5，作为建模时的训练样本；
步骤6.2：对训练样本数据按公式(1)进行归一化处理:
其中，a为训练样本数据中某一信息的归一化前的原始数据，训练样本数据中某一信息如瓦斯压力，a为对a归一化后的数据，amin与amax为该信息的数据最小值和数据最大值；
步骤6.3：初始化BP网络：初始化BP网络的输入层、隐含层和输出层的节点数以及激活函数、最大训练次数、规定的最小适应度fset。OBPNN突出预测模型采用3层网络结构，即输入层、隐含层和输出层，输入层节点数ni为考虑的煤与瓦斯影响因素数量，隐含层节点数nh则采用试验法获取，输出层节点数no为描述煤与瓦斯突出危险程度的数据维数；
针对测试数据，BP网络输入层节点数ni＝5，BP网络输出层节点数no＝1，BP网络隐含层节点数nh＝7，隐含层和输出层的激活函数均为tansig，最大训练次数为500，规定的最小适应度fset＝0.001。
步骤6.4：初始化粒子群及每个粒子参数：初始化粒子的种群数量np、惯性权重最大值wmax、惯性权重最小值wmin、学习因子c1和c2以及最大速度vmax，随机产生各粒子的初始位置和初始速度，使位置和速度的各维量值均在[-1,1]范围内；
针对测试数据，种群粒子数为np＝50，惯性权重最大值wmax＝0.95，惯性权重最小值wmin＝0.25，学习因子c1＝c2＝1.5，最大速度vmax＝0.9；
采用实数方式，建立一个二维粒子编码：
权值和阈值
粒子位置(xi)xi1…xin (2)
粒子i的第一维向量是BP网络的输入层与隐含层节点间连接权值θ、BP网络的隐含层与输出层节点间连接权值ψ以及隐含层节点阈值bh和输出层节点阈值bo组成；粒子i的第二维向量是粒子i的位置xi＝{xi1,xi2,…,xin}，n＝(ni+no)×nh+nh+no；
在迭代过程中，粒子i的第一维向量内元素次序始终保持不变；而在解码过程中，粒子的第一维向量第l个元素的数值等于xil；
步骤6.5：计算各粒子的适应度f，根据适应度更新各粒子的最佳位置以及群体最佳位置，适应度公式如下：
其中，no为BP网络的输出层节点数，ns为训练样本的数量，zlk为对应训练样本中第l组数据的BP网络第k个输出层节点的输出值，z′lk为zlk的理想值；
步骤6.6：按公式(4)-(6)，对各粒子的速度和位置进行更新；
对粒子i进行速度vi和位置xi更新：
vij＝wivij+c1r1(pij-xij)+c2r2(pgj-xij) (4)
其中，vij为粒子i速度vi的第j维分量，xij为粒子i位置xi的第j维分量，c1和c2为学习因子，r1和r2为0到1间的随机数，pi为粒子i的最佳位置，pg为群体所发现的最佳位置，pij为粒子i最佳位置pi的第j维分量，pgj为群体所发现的最佳位置pg的第j维分量，wi为粒子i的惯性权重，j＝1,2,…,n，vmax为最大速度；
惯性权重是平衡算法全局搜索能力与局部搜索能力的关键因素。当采用较大的惯性权重时，粒子会具有较强的全局搜索能力；当采用较小的惯性权重时，粒子会具有较强的局部搜索能力。根据问题的特点，为了得到较好的求解质量，粒子i的惯性权重wi的调整如下：
其中，wmax为惯性权重最大值；wmin为惯性权重最小值；favg为当前粒子种群的平均适应度；fi为粒子i的适应度、F为当前粒子种群适应度
fmin为寻优得到的最小适应度、D(F)为当前粒子种群适应度F的方差；
由式(6)可知，对于陷入局部最优的粒子以及未陷入局部最优的适应度差于平均适应度的粒子，采用较大的惯性权重更新粒子位置，以使粒子趋向更好的搜索空间；对于未陷入局部最优的适应度优于平均适应度的粒子，采用较小的惯性权重更新粒子位置，以加快算法的收敛；
步骤6.7：以更新后的位置与速度，利用公式(3)计算各粒子的适应度，根据适应度更新各粒子的最佳位置以及群体最佳位置；
步骤6.8：对本次迭代获得的群体最佳位置，进行混沌局部搜索，并更新粒子的最佳位置和群体最佳位置；
对本次迭代获得的群体最佳位置，进行混沌局部搜索，以加快算法收敛，其中，b为最佳位置对应的粒子，具体流程包括步骤6.8.1～步骤6.8.6：
步骤6.8.1：令m＝0，m为混沌局部搜索的当前迭代次数，利用式(7)将xbj映射为0-1间的混沌变量dj(m)：
其中，xminj和xmaxj分别为种群所有粒子位置的第j维分量最小和最大值，xbj为具有最佳位置的粒子b对应的位置，dj(m)为第m次迭代获得的xb映射量中的第j维分量，j＝1,2,…,n；
步骤6.8.2：利用式(8)更新混沌变量：
dj(m+1)＝4dj(m)[1-dj(m)],j＝1,2,…,n (8)
步骤6.8.3：利用式(9)产生新解x′b：
x′bj＝xminj+dj(m+1)(xmaxj-xminj),j＝1,2,…,n (9)
步骤6.8.4：使用公式(3)，计算x′b的适应度；
步骤6.8.5：如果x′b优于初始解或混沌局部搜索达到预先设计的迭代次数，实施时，混沌局部搜索的最大迭代次数为10，将新解作为搜索结果输出，令xb＝x′b，转到步骤6.8.6，否则m＝m+1，返回步骤6.8.2；
步骤6.8.6：使用公式(3)，计算xb的适应度；如果xb的适应度小于粒子b所经历过的最佳位置的适应度，则将xb作为粒子b当前的最佳位置，如果xb的适应度小于群体所经历过的最佳位置的适应度，则将xb作为群体当前的最佳位置；转到步骤6.9；
步骤6.9：判断算法是否陷入局部最优，判断结果分两种情况：情况(a)：如果陷入局部最优，即满足公式(10)，则按公式(11)-(13)对较差的粒子位置进行更新，计算更新后各粒子的适应度，根据适应度更新各粒子的最佳位置以及群体最佳位置，继续判断算法是否陷入局部最优，如果算法仍陷入局部最优，则继续按公式(11)-(13)对较差的粒子位置进行更新，直到不满足局部最优判断条件，则转到步骤6.10；情况(b)：若判断没有陷入局部最优，即不满足公式(10)，则转到步骤6.10；
在建立预测模型的过程中，为了实现算法的快速寻优，应尽量避免算法陷入局部最优。因此算法陷入局部最优过程的判定尤为重要。算法陷入局部最优时，种群各粒子的适应度会趋于一致，即种群适应度方差会很小。
局部最优判断条件：
算法满足式(10)，即当前粒子种群适应度
的方差D(F)小于设定值σ且寻优得到的最小适应度
大于目标适应度fset，fi为粒子i的适应度，i＝1,…,np，np为种群的粒子个数，实施时设定σ＝0.02，可判定算法陷入局部最优；
当算法陷入局部最优时，采用式(11)-(13)对种群中的较差粒子位置进行更新：
x′minj＝max{xminj,xgj-r4(xmaxj-xminj)},j＝1,2,…,n (12)
x′maxj＝min{xmaxj,xgj+r4(xmaxj-xminj)},j＝1,2,…,n (13)
其中，[xminj,xmaxj]为群体所发现粒子位置的第j维分量范围，xgj为群体所发现的最佳位置的第j维分量，r3和r4为0-1的随机数，q为给定参数，且q≥1，实施时设定q＝1.2，favg为种群粒子的适应度平均值，[x′minj,x′maxj]为根据当前种群和已发现最佳位置修正得到的粒子位置的第j维分量范围；
由式(11)-(13)可知，算法陷入局部最优时：D(F)＜σ,fmin＞fset，对适应度不小于qfavg的粒子位置，即较差的粒子位置，在群体所发现的最佳位置附近随机产生，完成位置更新，以保持种群的多样性，加强搜索的分散性，加快收敛过程；
步骤6.5、步骤6.7和步骤6.9中，所述根据适应度更新各粒子的最佳位置以及群体最佳位置具体为：对每个粒子，将其适应度与其所经历过的最佳位置的适应度进行比较，如果前者小，则将其位置作为其当前的最佳位置，如果后者小，则不用更新粒子的最佳位置；对每个粒子，将其适应度与群体所经历过的最佳位置的适应度进行对比，如果前者小，则将其位置作为群体当前的最佳位置，如果后者小，则不用更新群体的最佳位置。
步骤6.10：如果群体最佳位置对应的适应度大于规定值且当前训练次数不大于最大次数，转到步骤6.6，否则转到步骤6.11；
步骤6.11：输出群体最佳位置，并对获得的群体最佳位置进行解码，得到BP网络的各节点的阈值以及节点间的连接权值；
步骤6.12：将新问题X作为输入，运行BP网络，将网络输出作为煤与瓦斯突出预测结果。
所述相似度定义为：
设待预测的新问题X＝{y1,y2,y3,y4,y5}，yi为X的第i个特征量，y1,y2,…,y5具体分别指瓦斯压力、瓦斯放散初速度、特地质构造、煤层坚固性系数和开采深度的数据值，案例库中第k个案例Ck＝{Tk,Sk}，案例描述特征Tk＝{tk1,tk2,…,tk5}，tk1,tk2,…,tk5具体分别指瓦斯压力、瓦斯放散初速度、地质构造、煤层坚固性系数和开采深度的数据值，案例解Sk表示煤与瓦斯突出危险程度，那么X与Ck的相似度定义为：
式中，λi为案例描述特征权值，sim(yi,tki)为第k个案例的描述特征tki与X的第i个特征量yi的相似度，当tki和yi为布尔型数据时采用式(15)计算sim(yi,tki)，当tki和yi为数值型数据时采用式(16)计算sim(yi,tki)；
所述案例库定义为：在历史数据库中抽取出需要的描述特征组成案例库，需要的描述特征为：特征1：瓦斯压力、特征2：瓦斯放散初速度、特征3：地质构造、特征4：煤层坚固性系数、特征5：开采深度、特征6：突出危险程度；
涉及案例库的处理包括三个过程：案例评价与修正过程、案例存储与维护过程、案例学习过程；
所述案例评价与修正过程：人工对案例库中案例进行评价，修改案例库中描述特征和案例解不正确的数值，并将修改后的描述特征和案例解的数值保存到案例库中；
所述案例存储与维护过程：案例库中新增案例的存储和已有案例的删减；
所述案例学习过程：专家根据经验，新增新案例到案例库中以及案例库案例的删减与修正。
表3预测结果
针对测试数据，利用本发明提出的方法进行煤与瓦斯突出预测，所得结果如表3所示。
从表3可以看出：
(1)基于已建的由15个案例组成的案例库，本发明方法针对7组测试数据进行预测时，对于第1和3-6组数据进行的案例检索与匹配是有效的，对于第2和7组数据进行的案例检索与匹配是无效的，所得7组测试数据的预测结果均非常接近实际值。
(2)对于第2和7组数据，本发明方法与CBPNN模型预测方法(传统BP神经网络模型预测方法)、CPSOBPNN模型预测方法(传统PSO优化的BP神经网络模型预测方法)分别进行连续5次预测，CBPNN模型所得的最佳结果分别为1.0384和3.9839，CPSOBPNN模型所得的最佳结果分别为1.0088和3.9964，而本发明方法5次所得结果除第4次外均要好于CBPNN模型和CPSOBPNN模型预测方法，5次平均结果的误差是CBPNN模型预测方法最佳结果的1/29.09倍和1/7.89倍，5次平均结果的误差是CPSOBPNN模型预测方法最佳结果的1/6.67倍和1/1.76倍；本发明方法的连续5次预测结果方差非常小，仅为0.001078和0.003782，而且平均值与最大值和最小值间差值均很小，可见本发明方法有良好的鲁棒性。
(3)对于第1和3-6组数据，本发明方法同未聚类的案例检索与匹配+案例重用预测方法相比，效率更高，预测时所考虑案例分别为6、5、4、6和9个案例，所占比例分别40.0％、33.3％、26.7％、40.0％和60.0％，所占比例的平均值为40.0％。
(4)针对第2和7组数据，本发明方法预测时的建模曲线如图4所示。图4(a)为本发明实施例的一种基于混合智能的煤与瓦斯突出动态预测方法仿真结果对比图1包括：本发明方法的第1次学习曲线；CPSOBPNN模型预测方法所得最佳结果的学习曲线；本发明方法的第2次学习曲线；图4(b)为本发明实施例的一种基于混合智能的煤与瓦斯突出动态预测方法仿真结果对比图2包括：本发明方法的第3次学习曲线；本发明方法的第4次学习曲线；本发明方法的第5次学习。从图4中看到，随着迭代次数的增加，适应度曲线都在不断地下降，趋向收敛；在相同种群数量和学习精度条件下，CPSOBPNN模型方法进行连续5次预测，即进行5次学习，所得最佳结果时完成样本学习花费299次迭代过程，而本发明方法均在200-250次迭代内完成样本学习，可见本发明建模算法效率更高。
仿真结论：
针对矿井煤与瓦斯突出预测问题，利用案例推理、神经网络、粒子群优化等技术，本发明提出了一种基于混合智能的煤与瓦斯突出动态预测方法。
(1)考虑矿井煤与瓦斯突出的多种影响因素，克服了以往以单因素为主的指标经验判断法导致的煤与瓦斯突出预测不准确的问题。
(2)对于能进行有效案例检索与匹配的问题，通过案例重用完成煤与瓦斯突出危险性的预测，而对于不能进行有效案例检索与匹配的问题，则利用OBPNN突出预测模型完成煤与瓦斯突出危险性的预测。
(3)基于高相似度的案例库案例，以案例描述特征为输入、案例解为输出，给出了一种OBPNN突出预测模型的快速构建方法。
(4)设计了基于PSO的OBPNN突出预测模型构建训练算法，给出了基于适应度方差的算法陷入局部最优判定方法。根据当前粒子的适应度和算法是否陷入局部最优，对粒子的惯性权重进行自适应更新；对每次迭代过程的最佳位置进行混沌局部搜索，提高搜索效率和收敛速度；在陷入最优的迭代过程中，对较差粒子位置进行随机更新，以保持种群的多样性，加强搜索的分散性，加快收敛过程。
(5)融合案例推理、聚类、主元素分析(PCA)、数据融合、神经网络以及PSO，实现对矿井煤与瓦斯突出危险性的快速、准确、动态、智能化预测。通过实例验证表明，本发明所提方法预测快速且结果准确，鲁棒性好。
Claims (5)
1.一种基于混合智能的煤与瓦斯突出动态预测方法，其特征在于，包括如下流程
步骤1：数据检测，包括：瓦斯压力传感器组在线检测瓦斯压力值、瓦斯放散初速度传感器组在线检测瓦斯放散初速度值、离线检测煤层坚固性系数、离线检测地质构造和离线检测开采深度；
步骤2：将在线检测瓦斯压力值和在线检测瓦斯放散初速度值，采用均值分批估计融合方法进行数据处理；
步骤3：将采用均值分批估计融合方法处理后的数据，加上离线检测的煤层坚固性系数、离线检测的地质构造和离线检测的开采深度，组成待预测的新问题X，记作：新问题X；
步骤4：利用基于案例聚类的案例检索与匹配方法，将新问题X，在案例库中进行案例检索与匹配；
步骤5：如果案例检索与匹配是有效的，即在案例库中检索出大于阈值的案例，则在案例检索与匹配结果基础上，采用加权平均的方法进行案例重用，得到新问题X的案例解，即煤与瓦斯突出的预测结果；如果案例检索与匹配是无效的，即未检索出大于阈值的案例，运行OBPNN突出预测模型，转到步骤6，得到煤与瓦斯突出的预测结果；
步骤6：OBPNN突出预测模型进行煤与瓦斯突出预测具体流程包括步骤6.1～步骤6.12：
步骤6.1：在案例库中，所有案例按照与新问题X相似度由高到低排列，取出与新问题X相似度不小于设定阈值的案例，作为建模时的训练样本；
步骤6.2：对训练样本数据按公式(1)进行归一化处理:
其中，a为训练样本数据中某一信息的归一化前的原始数据，
为对a归一化后的数据，amin与amax为该信息的数据最小值和数据最大值；
步骤6.3：初始化BP网络：初始化BP网络的输入层、隐含层和输出层的节点数以及激活函数、最大训练次数、规定的最小适应度fset；OBPNN突出预测模型采用3层网络结构，即输入层、隐含层和输出层，输入层节点数ni为考虑的煤与瓦斯影响因素数量，隐含层节点数nh则采用试验法获取，输出层节点数no为描述煤与瓦斯突出危险程度的数据维数；
步骤6.4：初始化粒子群及每个粒子参数：初始化粒子的种群数量np、惯性权重最大值wmax、惯性权重最小值wmin、学习因子c1和c2以及最大速度vmax，随机产生各粒子的初始位置和初始速度，使位置和速度的各维量值均在[-1,1]范围内；
采用实数方式，建立一个二维粒子编码：
权值和阈值
粒子位置(xi)xi1…xin (2)
粒子i的第一维向量是BP网络的输入层与隐含层节点间连接权值θ、BP网络的隐含层与输出层节点间连接权值ψ以及隐含层节点阈值bh和输出层节点阈值bo组成；粒子i的第二维向量是粒子i的位置xi＝{xi1,xi2,…,xin}，n＝(ni+no)×nh+nh+no；
在迭代过程中，粒子i的第一维向量内元素次序始终保持不变；而在解码过程中，粒子的第一维向量第l个元素的数值等于xil；
步骤6.5：计算各粒子的适应度f，根据适应度更新各粒子的最佳位置以及群体最佳位置，适应度公式如下：
其中，no为BP网络的输出层节点数，ns为训练样本的数量，zlk为对应训练样本中第l组数据的BP网络第k个输出层节点的输出值，z′lk为zlk的理想值；
步骤6.6：按公式(4)-(6)，对各粒子的速度和位置进行更新；
对粒子i进行速度vi和位置xi更新：
vij＝wivij+c1r1(pij-xij)+c2r2(pgj-xij) (4)
其中，vij为粒子i速度vi的第j维分量，xij为粒子i位置xi的第j维分量，c1和c2为学习因子，r1和r2为0到1间的随机数，pi为粒子i的最佳位置，pg为群体所发现的最佳位置，pij为粒子i最佳位置pi的第j维分量，pgj为群体所发现的最佳位置pg的第j维分量，wi为粒子i的惯性权重，j＝1,2,…,n，vmax为最大速度；
粒子i的惯性权重wi的调整如下：
其中，wmax为惯性权重最大值；wmin为惯性权重最小值；favg为当前粒子种群的平均适应度；fi为粒子i的适应度、F为当前粒子种群适应度
fmin为寻优得到的最小适应度、D(F)为当前粒子种群适应度F的方差；
步骤6.7：以更新后的位置与速度，利用公式(3)计算各粒子的适应度，根据适应度更新各粒子的最佳位置和群体最佳位置；
步骤6.8：对本次迭代获得的群体最佳位置，进行混沌局部搜索，并更新粒子最佳位置和群体最佳位置；
对本次迭代获得的群体最佳位置，进行混沌局部搜索，以加快算法收敛，其中，b为最佳位置对应的粒子，具体流程包括步骤6.8.1～步骤6.8.6：
步骤6.8.1：令m＝0，m为混沌局部搜索的当前迭代次数，利用式(7)将xbj映射为0-1间的混沌变量dj(m)：
其中，xminj和xmaxj分别为种群所有粒子位置的第j维分量最小和最大值，xbj为具有最佳位置的粒子b对应的位置，dj(m)为第m次迭代获得的xb映射量中的第j维分量，j＝1,2,…,n；
步骤6.8.2：利用式(8)更新混沌变量：
dj(m+1)＝4dj(m)[1-dj(m)],j＝1,2,…,n (8)
步骤6.8.3：利用式(9)产生新解x′b：
x′bj＝xminj+dj(m+1)(xmaxj-xminj),j＝1,2,…,n (9)
步骤6.8.4：使用公式(3)，计算x′b的适应度；
步骤6.8.5：如果x′b优于初始解或混沌局部搜索达到预先设计的迭代次数，将新解作为搜索结果输出，令xb＝x′b，转到步骤6.8.6，否则m＝m+1，返回步骤6.8.2；
步骤6.8.6：使用公式(3)，计算xb的适应度；如果xb的适应度小于粒子b所经历过的最佳位置的适应度，则将xb作为粒子b当前的最佳位置，如果xb的适应度小于群体所经历过的最佳位置的适应度，则将xb作为群体当前的最佳位置；转到步骤6.9；
步骤6.9：判断算法是否陷入局部最优，判断结果分两种情况：情况(a)：如果陷入局部最优，即满足公式(10)，则按公式(11)-(13)对较差的粒子位置进行更新，计算更新后各粒子的适应度，根据适应度更新各粒子的最佳位置以及群体最佳位置，继续判断算法是否陷入局部最优，如果算法仍陷入局部最优，则继续按公式(11)-(13)对较差的粒子位置进行更新，直到不满足局部最优判断条件，则转到步骤6.10；情况(b)：若判断没有陷入局部最优，即不满足公式(10)，则转到步骤6.10；
局部最优判断条件：
算法满足式(10)，即当前粒子种群适应度
的方差D(F)小于设定值σ且寻优得到的最小适应度
大于目标适应度fset，fi为粒子i的适应度，i＝1,…,np，np为种群的粒子个数，可判定算法陷入局部最优；
当算法陷入局部最优时，采用式(11)-(13)对种群中的较差粒子位置进行更新：
x′minj＝max{xminj,xgj-r4(xmaxj-xminj)},j＝1,2,…,n (12)
x′maxj＝min{xmaxj,xgj+r4(xmaxj-xminj)},j＝1,2,…,n (13)
其中，[xminj,xmaxj]为群体所发现粒子位置的第j维分量范围，xgj为群体所发现的最佳位置的第j维分量，r3和r4为0-1的随机数，q为给定参数，且q≥1，favg为种群粒子的适应度平均值，[x′min j,x′max j]为根据当前种群和已发现最佳位置修正得到的粒子位置的第j维分量范围；
步骤6.10：如果群体最佳位置对应的适应度大于规定值且当前训练次数不大于最大次数，转到步骤6.6，否则转到步骤6.11；
步骤6.11：输出群体最佳位置，并对获得的群体最佳位置进行解码，得到BP网络的各节点的阈值以及节点间的连接权值；
步骤6.12：将新问题X作为输入，运行BP网络，将网络输出作为煤与瓦斯突出预测结果。
2.根据权利要求1所述一种基于混合智能的煤与瓦斯突出动态预测方法，其特征在于，所述步骤4中基于案例聚类的案例检索与匹配方法，包括如下步骤：
步骤4.1：利用基于PCA的案例特征权值确定方法获取案例库中每个案例描述特征的权值λi，进而利用改进的K均值案例聚类方法完成案例库案例的聚类；
步骤4.2：根据新问题X，找出案例库中案例与新问题X间相似度大于案例类相似度阈值
的案例类，记作：高相似度案例类；针对所选的高相似度案例类中的案例进行进一步检索与匹配，找出与新问题X间相似度大于案例相似度阈值
的案例。
3.根据权利要求1所述一种基于混合智能的煤与瓦斯突出动态预测方法，其特征在于，所述相似度定义为：
设新问题X＝{y1,y2,y3,y4,y5}，yi为X的第i个特征量，y1,y2,…,y5具体分别指瓦斯压力、瓦斯放散初速度、特地质构造、煤层坚固性系数和开采深度的数据值，案例库中第k个案例Ck＝{Tk,Sk}，案例描述特征Tk＝{tk1,tk2,…,tk5}，tk1,tk2,…,tk5具体分别指瓦斯压力、瓦斯放散初速度、地质构造、煤层坚固性系数和开采深度的数据值，案例解Sk表示煤与瓦斯突出危险程度，那么X与Ck的相似度定义为：
式中，λi为案例描述特征权值，sim(yi,tki)为第k个案例的描述特征tki与X的第i个特征量yi的相似度，当tki和yi为布尔型数据时采用式(15)计算sim(yi,tki)，当tki和yi为数值型数据时采用式(16)计算sim(yi,tki)；
其中，yi为X的第i个特征量，tki为第k个案例中的第i个案例描述特征。
4.根据权利要求1所述一种基于混合智能的煤与瓦斯突出动态预测方法，其特征在于，所述案例库定义为：在历史数据库中抽取出需要的描述特征组成案例库，需要的描述特征为：特征1：瓦斯压力、特征2：瓦斯放散初速度、特征3：地质构造、特征4：煤层坚固性系数、特征5：开采深度、特征6：突出危险程度；
涉及案例库的处理包括三个过程：案例评价与修正过程、案例存储与维护过程、案例学习过程；
所述案例评价与修正过程：人工对案例库中案例进行评价，修改案例库中描述特征和案例解不正确的数值，并将修改后的描述特征和案例解的数值保存到案例库中；
所述案例存储与维护过程：案例库中新增案例的存储和已有案例的删减；
所述案例学习过程：专家根据经验，新增新案例到案例库中以及案例库案例的删减与修正。
5.根据权利要求1所述一种基于混合智能的煤与瓦斯突出动态预测方法，其特征在于，步骤6.5、步骤6.7和步骤6.9中，所述根据适应度更新各粒子的最佳位置以及群体最佳位置具体为：对每个粒子，将其适应度与其所经历过的最佳位置的适应度进行比较，如果前者小，则将其位置作为其当前的最佳位置，如果后者小，则不用更新粒子的最佳位置；对每个粒子，将其适应度与群体所经历过的最佳位置的适应度进行对比，如果前者小，则将其位置作为群体当前的最佳位置，如果后者小，则不用更新群体的最佳位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811364980.8A CN109492816B (zh) | 2018-11-16 | 2018-11-16 | 一种基于混合智能的煤与瓦斯突出动态预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811364980.8A CN109492816B (zh) | 2018-11-16 | 2018-11-16 | 一种基于混合智能的煤与瓦斯突出动态预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109492816A CN109492816A (zh) | 2019-03-19 |
| CN109492816B true CN109492816B (zh) | 2021-11-09 |
Family
ID=65695055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811364980.8A Active CN109492816B (zh) | 2018-11-16 | 2018-11-16 | 一种基于混合智能的煤与瓦斯突出动态预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109492816B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110778364B (zh) * | 2019-11-12 | 2021-05-11 | 山东科技大学 | 一种煤和瓦斯突出的预警方法 |
| 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 |
| CN111485946A (zh) * | 2020-04-17 | 2020-08-04 | 贵州工程应用技术学院 | 一种采煤工作面瓦斯突出危险性动态分析方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103912310A (zh) * | 2014-04-15 | 2014-07-09 | 辽宁工程技术大学 | 一种矿井动力灾害预测方法 |
| US9274036B2 (en) * | 2013-12-13 | 2016-03-01 | King Fahd University Of Petroleum And Minerals | Method and apparatus for characterizing composite materials using an artificial neural network |
| CN107194524A (zh) * | 2017-07-28 | 2017-09-22 | 合肥工业大学 | 一种基于rbf神经网络的煤与瓦斯突出预测方法 |
| CN107403234A (zh) * | 2017-06-24 | 2017-11-28 | 中铁二院工程集团有限责任公司 | 基于神经网络的隧道煤与瓦斯突出预测方法 |
| CN108665322A (zh) * | 2018-05-18 | 2018-10-16 | 河南工业大学 | 口粮消费量预测模型的构建方法、消费量预测方法及装置 |
| CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014194482A1 (zh) * | 2013-06-05 | 2014-12-11 | 中国科学院微电子研究所 | 基于压缩感知理论的气体识别方法 |
-
2018
- 2018-11-16 CN CN201811364980.8A patent/CN109492816B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9274036B2 (en) * | 2013-12-13 | 2016-03-01 | King Fahd University Of Petroleum And Minerals | Method and apparatus for characterizing composite materials using an artificial neural network |
| CN103912310A (zh) * | 2014-04-15 | 2014-07-09 | 辽宁工程技术大学 | 一种矿井动力灾害预测方法 |
| CN107403234A (zh) * | 2017-06-24 | 2017-11-28 | 中铁二院工程集团有限责任公司 | 基于神经网络的隧道煤与瓦斯突出预测方法 |
| CN107194524A (zh) * | 2017-07-28 | 2017-09-22 | 合肥工业大学 | 一种基于rbf神经网络的煤与瓦斯突出预测方法 |
| CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
| CN108665322A (zh) * | 2018-05-18 | 2018-10-16 | 河南工业大学 | 口粮消费量预测模型的构建方法、消费量预测方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| Prediction and research of coal and gas outburst based on radial basis function neural networks;Ma Hong-Feng等;《2010 International Conference on Mechanic Automation and Control Engineering》;20100803;第3916-3919页 * |
| 基于BP神经网络的煤与瓦斯突出预测系统开发;曲方等;《中国安全科学学报》;20120525;第22卷(第1期);第11-16页 * |
| 基于PCA和案例推理的煤与瓦斯突出动态预测;阎馨等;《传感技术学报》;20150731;第28卷(第7期);第1028-1034页 * |
| 基于聚类和案例推理的煤与瓦斯突出动态预测;阎馨等;《传感技术学报》;20160606;第29卷(第4期);第545-551页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109492816A (zh) | 2019-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112165464B (zh) | 一种基于深度学习的工控混合入侵检测方法 | |
| CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
| CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
| CN105488528B (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
| CN107506865B (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
| CN110084610B (zh) | 一种基于孪生神经网络的网络交易欺诈检测系统 | |
| CN109492816B (zh) | 一种基于混合智能的煤与瓦斯突出动态预测方法 | |
| CN111046664A (zh) | 基于多粒度的图卷积神经网络的假新闻检测方法及系统 | |
| CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
| CN110879856B (zh) | 一种基于多特征融合的社交群体分类方法及系统 | |
| CN112966954A (zh) | 一种基于时间卷积网络的防洪调度方案优选方法 | |
| CN112183742B (zh) | 基于渐进式量化和Hessian信息的神经网络混合量化方法 | |
| CN115578248B (zh) | 一种基于风格引导的泛化增强图像分类算法 | |
| CN116681104B (zh) | 分布式空间图神经网络的模型建立及实现方法 | |
| CN108596204B (zh) | 一种基于改进型scdae的半监督调制方式分类模型的方法 | |
| CN115905855A (zh) | 一种改进的元学习算法MG-Reptile | |
| CN115796358A (zh) | 一种碳排放预测的方法及终端 | |
| CN111126560A (zh) | 一种基于云遗传算法优化bp神经网络的方法 | |
| CN114708479A (zh) | 一种基于图结构和特征的自适应防御方法 | |
| Lin et al. | A new density-based scheme for clustering based on genetic algorithm | |
| CN105956113B (zh) | 基于粒子群优化的视频数据挖掘高维聚类方法 | |
| CN114254738A (zh) | 双层演化的动态图卷积神经网络模型构建方法及应用 | |
| Xiao et al. | Constructing an intrusion detection model based on long short-term neural networks | |
| CN112766537A (zh) | 一种短期电负荷预测方法 | |
| CN112348275A (zh) | 一种基于在线增量学习的区域生态环境变化预测方法 |
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 |