【技术实现步骤摘要】
本专利技术涉及矿井安全生产，尤其涉及基于qpso优化bp神经网络的矿井导水裂隙带高度预测方法。
技术介绍
1、矿井水害是煤矿五大灾害之一，随着我国煤矿开采向深部延伸，再加之受复杂水文地质条件影响，在煤矿生产过程中煤层顶底板突水事故频发，常常造成严重的经济损失和人员伤亡，对导水裂隙带发育高度进行快速精准地预测，是矿井突水水害防治的关键步骤之一。导水裂隙带作为矿井突水的通道，其一旦与上覆含水层导通，将对矿井安全生产带来严重威胁，因此，快速准确预测导水裂隙带的发育高度，对后续进行矿井突水危险性评价，预防裂隙导通离层水、老窑水，形成突水事故，实现矿井安全生产，服务于矿山应急救援与处置具有极大的理论意义与实际价值。
2、目前，预测导水裂隙带高度的方法主要有经验公式法、数值模拟法、相似模拟法、深度学习等方法，但这些预测方法都还存在一定的提升空间，如申请号为“201610679487.x”的专利公开了“一种近距离煤层组(群)两带高度计算方法”和申请号为“202010410276.2”的专利公开了“一种近距离厚煤层采动综合垮采比及裂采比确定方法”都提出了一种新的高度计算公式，但二者都过多的依赖规程和经验公式，导致其数据与实测结果存在一定的差异。
3、而申请号为“201310535603.7”的专利“一种矿井导水裂隙带高度预测方法”和“煤矿导水裂隙带高度预测的pso-svr法及应用”(乔伟，2022)采用了支持向量机模型来进行导水裂隙带高度预测，该方法准确率较高，但在预测速度方面还有待提高；黄陇侏罗纪煤田导水裂隙带高度预测
技术实现思路
1、为解决
技术介绍
中所提出的技术问题，本专利技术提供基于qpso优化bp神经网络的矿井导水裂隙带高度预测方法。
2、本专利技术采用以下技术方案实现：基于qpso优化bp神经网络的矿井导水裂隙带高度预测方法，包括如下步骤：
3、步骤1：搜集矿井导水裂隙带高度的影响因素指标，影响因素指标包括开采厚度、开采深度、工作面斜长、煤层倾角、顶板覆岩结构；
4、步骤2：使用线性判别分析法(lda)对矿井导水裂隙带的各影响因素指标数据进行降维处理，降维处理后的各影响因素指标数据作为样本数据，将样本数据划分为训练集和预测集；
5、步骤3：构建bp神经网络模型，初始化权值和阈值；
6、步骤4：初始化粒子群规模和迭代次数，使用量子粒子群算法(qpso)对bp神经网络模型参数进行优化；
7、步骤4.1：计算粒子平均最优位置和适应度值；
8、步骤4.2：计算粒子个体和全局最优位置；
9、步骤4.3：更新粒子个体和全局历史最优位置；
10、步骤4.4：判断是否满足终止条件，满足则获取最优权值和阈值，否则就更新每个粒子的速度和位置，生成新一代种群，返回步骤4.1继续迭代；
11、步骤5：将经量子粒子群算法优化得到的最优权值和阈值加载到bp神经网络模型进行学习训练、预测并输出结果。
12、具体地，所述线性判别分析法(lda)是一种可对大量导水裂隙带实测高度样本进行降维和分类处理的方法，其主要有以下流程；
13、步骤a、求解类内散度矩阵sw，sw反映了相同顶板类型数据属性点的聚集程度，sw可按下式确定；
14、
15、式中：k为样本种类，xj为j类样本的集合(j＝1，2，······，k)，x为对应种类下的样本值，μj为j类样本均值向量；
16、步骤b、求解类间散度矩阵sb，sb反映了不同顶板结构数据间的离散程度，sb可按下式确定；
17、
18、式中：nj为j类样本个数(j＝1，2，······，k)，μ为所有样本均值向量；
19、步骤c、计算矩阵s-1wsb，得到m个特征值及对应的m维特征向量；
20、步骤d、提取最大的d个特征值及对应的特征向量组成矩阵w；
21、步骤e、组成降维后特征数据集li＝wt*xi，降维后的样本数据集z＝{li，k}，其中，xi是初始数据，wt为矩阵w的转置矩阵，上述流程由matlab编程实现。
22、具体地，所述bp神经网络模型是一种多层结构的前馈网络，根据误差反向传播进行训练学习，其中x1，x2……xn为网络的实际输入，y1，y2……yj为网络的实际输出，mni为输入层到隐藏层的权值矩阵，mij为隐藏层到输出层的权值矩阵，sni为xn到qi的阈值矩阵，sij为qi到yj的阈值矩阵。
23、具体地，所述量子粒子群算法(qpso)是一种模拟自然界的生物活动及群体智能的随机搜索算法，其引入了粒子的量子行为来优化粒子群寻优搜索范围，极大地增强了解空间中粒子的随机性，使得解落入局部极值的概率大大降低，全局搜索能力得到极大增强。其主要有以下几个计算步骤；
24、qpso算法引入的新名词mbest，它表示pbesti的平均值，即平均粒子历史最优位置，公式为
25、
26、其中，m为粒子群的大小，pbest为粒子当前最优位置。
27、粒子i当前的最优位置更新公式为：
28、pi＝α*pbesti+(1-α)gbest
29、其中，α为(0，1)间的均匀分布数值，gbest为粒子群当前最优位置。
30、每个粒子位置更新公式为
31、
32、其中，θ为(0，1)间的均匀分布数值；β为收缩扩张系数，用来控制算法收敛速度，一般其值不大于1，取+和-的概率为0.5。
33、具体地，所述量子粒子群优化算法中粒子代表bp神经网络模型中的权值和阈值。
34、具体地，所述基于qpso优化的bp神经网络模型学习算法中，粒子的适应度函数j为：
35、
36、其中，n为训练样本集，m为输出节点数，qjk为网络计算值，yjk为目标期望输出值。
37、具体地，对于粒子个体最优位置，可分析粒子当前适应度值，与前一代相应个体最好适应度对比，如果当前较小，即p[xi(t+1)]<p[yi(t)]，则更新位置yi(t+1)＝xi(t+1)，对于全局最优位置，即y(t)＝ybest(t)，可根据更新位置。
38、具体地，所述终止条件是看是否达到最大寻优迭代次数和是否小于最大误差，如果满足上述条件，将全局最优粒子映射为神经网络的权值和阈值，并以此为优化结果，得到一个建立好的bp神经网络模型，反之则返回步骤4.1继续迭代。
39、具体地，lda-qpso-bp神经网络模型使用matlab进行本文档来自技高网...
【技术保护点】
1.基于QPSO优化BP神经网络的矿井导水裂隙带高度预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于QPSO优化BP神经网络的矿井导水裂隙带高度预测方法，其特征在于，所述线性判别分析法可对大量导水裂隙带实测高度样本进行降维和分类处理，其主要有以下流程；
3.如权利要求1所述的基于QPSO优化BP神经网络的矿井导水裂隙带高度预测方法，其特征在于，所述BP神经网络模型是一种多层结构的前馈网络，根据误差反向传播进行训练学习，其中X1，X2……Xn为网络的实际输入，Y1，Y2……Yj为网络的实际输出，Mni为输入层到隐藏层的权值矩阵，Mij为隐藏层到输出层的权值矩阵，Sni为Xn到Qi的阈值矩阵，Sij为Qi到Yj的阈值矩阵。
4.如权利要求1所述的基于QPSO优化BP神经网络的矿井导水裂隙带高度预测方法，其特征在于，所述量子粒子群算法主要包括如下步骤；
5.如权利要求1所述的基于QPSO优化BP神经网络的矿井导水裂隙带高度预测方法，其特征在于，所述量子粒子群优化算法中粒子代表BP神经网络模型中的权值和阈值。
6
7.如权利要求1所述的基于QPSO优化BP神经网络的矿井导水裂隙带高度预测方法，其特征在于，对于粒子个体最优位置，可分析粒子当前适应度值，与前一代相应个体最好适应度对比，如果当前较小，即p[xi(t+1)]<p[yi(t)]，则更新位置yi(t+1)＝xi(t+1)，对于全局最优位置，即y(t)＝ybest(t)，可根据更新位置。
8.如权利要求1所述的基于QPSO优化BP神经网络的矿井导水裂隙带高度预测方法，其特征在于，所述终止条件是：看是否达到最大寻优迭代次数和是否小于最大误差，如果满足条件，将全局最优粒子映射为神经网络的权值和阈值，并以此为优化结果，得到一个建立好的BP神经网络模型，反之则返回步骤4.1继续迭代。
9.如权利要求1所述的基于QPSO优化BP神经网络的矿井导水裂隙带高度预测方法，其特征在于，LDA-QPSO-BP神经网络模型使用MATLAB进行构建。
...【技术特征摘要】
1.基于qpso优化bp神经网络的矿井导水裂隙带高度预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于qpso优化bp神经网络的矿井导水裂隙带高度预测方法，其特征在于，所述线性判别分析法可对大量导水裂隙带实测高度样本进行降维和分类处理，其主要有以下流程；
3.如权利要求1所述的基于qpso优化bp神经网络的矿井导水裂隙带高度预测方法，其特征在于，所述bp神经网络模型是一种多层结构的前馈网络，根据误差反向传播进行训练学习，其中x1，x2……xn为网络的实际输入，y1，y2……yj为网络的实际输出，mni为输入层到隐藏层的权值矩阵，mij为隐藏层到输出层的权值矩阵，sni为xn到qi的阈值矩阵，sij为qi到yj的阈值矩阵。
4.如权利要求1所述的基于qpso优化bp神经网络的矿井导水裂隙带高度预测方法，其特征在于，所述量子粒子群算法主要包括如下步骤；
5.如权利要求1所述的基于qpso优化bp神经网络的矿井导水裂隙带高度预测方法，其特征在于，所述量子粒子群优化算法中粒子代表bp神经网络模型中的权值和阈值。
...【专利技术属性】
技术研发人员：郑禄林，胥进，兰红，张义平，左宇军，刘镐，田诗宇，孙毅，王孝坤，王金，
申请(专利权)人：贵州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。