一种基于萤火虫算法和SOM网络的瓦斯突出预测方法技术

本发明专利技术提供一种基于萤火虫算法和SOM网络的瓦斯突出预测方法，该方法包括：根据数值模拟实验得到初始的输入变量，将获取的初始输入变量进行数据的预处理后，得到初始输入特征向量，将初始输入特征向量作为训练样本的输入，建立初始的瓦斯突出SOM网络预测模型，采用MIV算法对初始输入变量进行筛选，得到最终输入变量，将获得的最终输入变量进行数据的预处理后，得到最终输入特征向量，将最终输入特征向量作为训练样本的输入，建立GSO‑SOM网络，采用GSO算法对SOM网络的权值和阈值进行优化，获得最优的权值和阈值，得到基于萤火虫算法优化的瓦斯突出SOM网络预测模型，预测瓦斯突出类型，输出瓦斯突出的预测结果，本发明专利技术具有精度高、可靠性高和准确性好等特点，可广泛应用于预测领域。

【技术实现步骤摘要】

本专利技术涉及预测
，特别是涉及一种基于萤火虫算法和SOM网络的瓦斯突出预测方法。
技术介绍
随着我国矿井采掘深度和强度的加大，矿井瓦斯突出问题严重制约着我国煤炭工业的发展，给煤矿安全生产和工作人员的生命财产安全带来极大威胁。对于瓦斯突出的预测问题，目前，国内外学者提出了多种瓦斯突出方法。主要采用粗糙集理论、支持向量机、贝叶斯分类法、模糊逻辑、神经网络等方法对瓦斯突出进行预测。粗糙集理论在处理模糊和不确定信息上具有较大的优越性，但其决策规则很不稳定，精确性较差，而且是基于完备的信息系统，处理数据时，常会遇到数据丢失现象。支持向量机在解决小样本、非线性及高维模式识别问题中具有优势，但识别能力易受自身参数影响。贝叶斯分类法需要已知确切的分别概率，而实际上并不能给出确切的分别概率。模糊逻辑需要一定的先验知识，对参数选择具有较强的依赖性。神经网络具有简单的结构和很强的问题求解能力，且可较好地处理噪声数据，但算法存在局部最优问题，收敛性较差，可靠性有限。由此可见，在现有技术中，瓦斯突出预测方法存在精度低、可靠性差、预测结果存在较大偏差等问题。
技术实现思路
有鉴于此，本专利技术的主要目的在于提供一种高精度、可靠性好、预测结果准确的瓦斯突出预测方法。为了达到上述目的，本专利技术提出的技术方案为：一种基于萤火虫算法和SOM网络的瓦斯突出预测方法，所述瓦斯突出预测方法包括如下步骤：步骤1、分析瓦斯突出的机理，采用由腔体，模拟巷道、高压气体和压力传感器组成的实验系统进行数值模拟实验，得到煤层瓦斯含量W、煤层厚度h、开采深度H、瓦斯压力P、瓦斯放散初速度ΔP、煤的坚固系数F和地质破坏程度S七个初始输入变量X；步骤2、将所述初始输入变量X进行数据的预处理，得到初始输入特征向量T；步骤3、将所述初始输入特征向量T作为训练样本的输入，建立初始的瓦斯突出SOM网络预测模型；步骤4、采用所述初始输入特征向量T对SOM网络进行训练，并采用MIV算法对初始输入变量X进行筛选，得到筛选后的最终输入变量X′；步骤5、将所述最终输入变量X′进行数据的预处理，得到最终输入特征向量T′；步骤6、将所述最终输入特征向量T′作为训练样本的输入，建立GSO-SOM网络；步骤7、采用GSO算法对SOM网络的权值和阈值进行优化；步骤8、判别满足终止条件是否成立；如果成立，则执行步骤9；如果不成立，则执行步骤7；步骤9、获得最优的权值和阈值，得到基于萤火虫算法优化的SOM网络预测模型，对瓦斯突出类型进行预测，并输出预测结果。综上所述，本专利技术所述基于萤火虫算法和SOM网络的瓦斯突出预测方法将获取的初始输入变量进行数据的预处理后，得到所述的初始输入特征向量，将初始输入特征向量作为训练样本的输入，建立初始的瓦斯突出SOM网络预测模型，采用MIV算法对初始输入变量进行筛选，得到最终输入变量，将获得的最终输入变量进行数据的预处理后，得到最终输入特征向量，将最终输入特征向量作为训练样本的输入，建立GSO-SOM网络，采用GSO算法对SOM网络的权值和阈值进行优化，获得最优的权值和阈值，得到基于萤火虫算法优化的瓦斯突出SOM网络预测模型，预测瓦斯突出类型，输出瓦斯突出的预测结果，从而提高了瓦斯突出预测的精度、准确性和可靠性。附图说明图1是本专利技术所述一种基于萤火虫算法和SOM网络的瓦斯突出预测方法的流程图。图2是本专利技术所述SOM网络拓扑结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本专利技术作进一步地详细描述。图1是本专利技术所述一种基于萤火虫算法和SOM网络的瓦斯突出预测方法的流程图。如图1所示，本专利技术所述瓦斯突出预测方法，包括如下步骤：步骤1、分析瓦斯突出的机理，采用由腔体，模拟巷道、高压气体和压力传感器组成的实验系统进行数值模拟实验，得到煤层瓦斯含量W、煤层厚度h、开采深度H、瓦斯压力P、瓦斯放散初速度ΔP、煤的坚固系数F和地质破坏程度S七个初始输入变量X；步骤2、将所述初始输入变量X进行数据的预处理，得到初始输入特征向量T；步骤3、将所述初始输入特征向量T作为训练样本的输入，建立初始的瓦斯突出SOM网络预测模型；步骤4、采用所述初始输入特征向量T对SOM网络进行训练，并采用MIV算法对初始输入变量X进行筛选，得到筛选后的最终输入变量X′；步骤5、将所述最终输入变量X′进行数据的预处理，得到最终输入特征向量T′；步骤6、将所述最终输入特征向量T′作为训练样本的输入，建立GSO-SOM网络；步骤7、采用GSO算法对SOM网络的权值和阈值进行优化；步骤8、判别满足终止条件是否成立；如果成立，则执行步骤9；如果不成立，则执行步骤7；步骤9、获得最优的权值和阈值，得到基于萤火虫算法优化的SOM网络预测模型，对瓦斯突出类型进行预测，并输出预测结果。总之，本专利技术所述基于萤火虫算法和SOM网络的瓦斯突出预测方法将获取的初始输入向量进行数据的预处理后，得到所述的初始特征向量，将初始特征向量作为训练样本的输入，建立初始的瓦斯突出SOM网络预测模型，采用MIV算法对初始输入变量进行筛选，得到最终输入变量，将获得的最终输入变量进行数据的预处理后，得到最终输入特征向量，将最终输入特征向量作为训练样本的输入，建立GSO-SOM网络，采用GSO算法对SOM网络的权值和阈值进行优化，获得最优的权值和阈值，得到基于萤火虫算法优化的瓦斯突出SOM网络预测模型，预测瓦斯突出类型，输出瓦斯突出的预测结果，从而提高了瓦斯突出预测的精度、准确性和可靠性。本专利技术步骤2中，所述数据预处理的计算式如下：其中，t(i)是第i个初始输入变量的样本值，xact(i)是第i个初始输入变量的实际值，xmin(i)是第i个初始输入变量的最小值，xmax(i)是第i个初始输入变量的最大值。本专利技术方法中，所述步骤4包括如下步骤：步骤41、计算所述初始输入特征向量T在时刻t到所有输出节点的距离，采用Eucliden距离，计算式如下：其中，Ti(t)为所述初始输入特征向量在t时刻的值，wij为第i个输入神经元节点与第j个输出神经元节点之间的连接权值。步骤42、选择产生最小距离dj的节点作为最匹配的神经元，神经元i(x)为获胜神经元。步骤43、对获胜神经元，分别更新SOM网络的权值和阈值，权值的计算式如下：wij(t+1)＝wij(t)+η(t)hj，i(x)[Ti(t)-wij(t)]其中，η(t)是学习效率，0＜η(t)＜1，并且随时间t单调减小，hj，i(t)(t)是获胜神经元周围的邻域函数，计算式如下：其中，rj，ri(x)分别是SOM网络输出节点j，i(x)的位置；SOM网络阈值的计算式如下：b＝el-log[(1-β)e-log(b)+β×α]其中，β为阈值的学习速率，0＜β＜1，α为输出层神经元的输出，α＝[α1，α2，...，α36]，步骤44、对初始输入特征向量T进行变换，具体变换式如下，步骤45、将变换后的初始输入特征向量T作为SOM网络的输入，计算SOM网络的输出值Yi1和Yi2，具体计算式如下：步骤46、计算SOM网络的输出值之差IVi，得到平均影响值MIV，具体计算式如下：IVt＝Yi1-Yi2步骤47、根据计算得到的MIV的绝对值进行排序，删除对输出影响较小的初本文档来自技高网...

【技术保护点】
一种基于萤火虫算法和SOM网络的瓦斯突出预测方法，其特征在于，所述瓦斯突出预测方法包括如下步骤：步骤1、分析瓦斯突出的机理，采用由腔体，模拟巷道、高压气体和压力传感器组成的实验系统进行数值模拟实验，得到煤层瓦斯含量W、煤层厚度h、开采深度H、瓦斯压力P、瓦斯放散初速度Δp、煤的坚固系数F和地质破坏程度S七个初始输入变量X；步骤2、将所述初始输入变量X进行数据的预处理，得到初始输入特征向量T；步骤3、将所述初始输入特征向量T作为训练样本的输入，建立初始的瓦斯突出SOM网络预测模型；步骤4、采用所述初始输入特征向量T对SOM网络进行训练，并采用MIV算法对初始输入变量X进行筛选，得到筛选后的最终输入变量X′；步骤5、将所述最终输入变量X′进行数据的预处理，得到最终输入特征向量T′；步骤6、将所述最终输入特征向量T′作为训练样本的输入，建立GSO‑SOM网络；步骤7、采用GSO算法对SOM网络的权值和阈值进行优化；步骤8、判别满足终止条件是否成立；如果成立，则执行步骤9；如果不成立，则执行步骤7；步骤9、获得最优的权值和阈值，得到基于萤火虫算法优化的SOM网络预测模型，对瓦斯突出类型进行预测，并输出预测结果。...

【技术特征摘要】
1.一种基于萤火虫算法和SOM网络的瓦斯突出预测方法，其特征在于，所述瓦斯突出预测方法包括如下步骤：步骤1、分析瓦斯突出的机理，采用由腔体，模拟巷道、高压气体和压力传感器组成的实验系统进行数值模拟实验，得到煤层瓦斯含量W、煤层厚度h、开采深度H、瓦斯压力P、瓦斯放散初速度Δp、煤的坚固系数F和地质破坏程度S七个初始输入变量X；步骤2、将所述初始输入变量X进行数据的预处理，得到初始输入特征向量T；步骤3、将所述初始输入特征向量T作为训练样本的输入，建立初始的瓦斯突出SOM网络预测模型；步骤4、采用所述初始输入特征向量T对SOM网络进行训练，并采用MIV算法对初始输入变量X进行筛选，得到筛选后的最终输入变量X′；步骤5、将所述最终输入变量X′进行数据的预处理，得到最终输入特征向量T′；步骤6、将所述最终输入特征向量T′作为训练样本的输入，建立GSO-SOM网络；步骤7、采用GSO算法对SOM网络的权值和阈值进行优化；步骤8、判别满足终止条件是否成立；如果成立，则执行步骤9；如果不成立，则执行步骤7；步骤9、获得最优的权值和阈值，得到基于萤火虫算法优化的SOM网络预测模型，对瓦斯突出类型进行预测，并输出预测结果。2.根据权利要求1所述的瓦斯突出预测方法，其特征在于，步骤2中，所述数据预处理的计算式如下：其中，t(i)是第i个初始输入变量的样本值，xact(i)是第i个初始输入变量的实际值，xmin(i)是第i个初始输入变量的最小值，xmax(i)是第i个初始输入变量的最大值。3.根据权利要求1所述的瓦斯突出预测方法，其特征在于，所述步骤3具体为：采用初始输入特征向量T作为SOM网络输入层的神经元，SOM网络的输入层为一维；SOM网络的输出层为一个有6×6输出神经元的二维网络，输出层的神经元排成一个邻域结构，每个神经元同它周围的其他神经元侧向连接，每个输入神经元都连接至所有输出神经元；SOM网络的初始连接权值为IW＝[w1，w2，...，w8]36×8，SOM网络的初始阈值为其中，w1，w2，...w8为较小的非零随机数。4.根据权利要求1所述的瓦斯突出预测方法，其特征在于，所述步骤4包括以下具体步骤：步骤41、计算所述初始输入特征向量T在时刻t到所有输出节点的距离，采用Eucliden距离，计算式如下：其中，Ti(t)为所述初始输入特征向量在t时刻的值，wij为第i个输入神经元节点与第j个输出神经元节点之间的连接权值；步骤42、选择产生最小距离dj的节点作为最匹配的神经元，神经元i(x)为获胜神经元；步骤43、对获胜神经元，分别更新SOM网络的权值和阈值，权值的计算式如下：wij(t+1)＝wij(t)+η(t)hj，i(x)[Ti(t)-wij(t)]其中，η(t)是学习效率，0＜η(t)＜1，并且随时间t单调减小，hj，i(t)(t)是...

【专利技术属性】
技术研发人员：刘景艳，张伟，李玉东，郭顺京，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：河南;41