基于灰色人工神经网络组合模型导水裂隙带高度预测方法
【技术领域】
[0001] 本发明涉及灰色系统理论与人工神经网络在煤炭资源安全开采技术领域的应用， 尤其是缓冲算子与BP网络组合模型在矿井导水裂隙带高度的预测。
【背景技术】
[0002] 有效治理矿井水灾，预测导水裂隙带高度，提高我国煤炭资源利用率已成为国内 学者所关注的焦点。对导水裂隙带高度（简称"导高"）的预测是决定能否安全地进行水体 下采煤的关键参数。但由于岩（土）体介质的复杂性，多样性，模糊性和不确定性等因素， 多年以来国内对导水裂隙带高度的预计还停留在经验与理论结合应用的阶段。《建筑物、水 体、铁路及主要井巷煤柱留设与压煤开采规程》（简称"三下规程"）所提供的经验公式与现 在矿井实测的导水裂隙带高度相差较大，无法满足高效安全生产的要求。所以，现在寻求更 加有效，更加节约成本的导水裂隙带高度预测方法具有重要的现实意义。
[0003] 目前，矿井关于导水裂隙带高度预测的方法，大概可以分为三类：第一，现场实测 法（包括钻孔呈像，声波探伤等）；其次，物理相似模拟实验法；最后，利用计算机软件辅助 预测法。这些方法都各自存在缺点，预测成本高，操作繁琐等。
[0004] 辽宁工程技术大学在2013年10月31日提出的、名称为"一种矿井导水裂隙带高 度预测方法"的专利申请和在2014年01月14日提出的、名称为"一种基于敏感度分析的 裂隙带高度预测方法"的专利申请、山东科技大学在2014年09月28日提出的、名称为"一 种导水裂隙带高度预测方法"专利申请都各自提出一种导水裂隙带高度预测方法，但上述 种方法未对极端变化的情况进行弱化，不利于揭露数据隐含的规律，而且方法计算速度慢， 相对误差大。
[0005] 采用灰色系统理论中的弱化缓冲算子，弱化时间序列中的局部波动成分后得到新 序列作为ANN模型训练样本，再使用matlab人工神经网络进行预测，使得序列变得平缓，更 容易寻找其隐含的规律，得以加强人工神经网络的学习判断能力，在神经网络训练时，能更 好地拟合相应的输入输出之间的复杂映射关系，从而提高预测精度。
【发明内容】
[0006] 针对上述现有技术的缺陷，本发明提供一种基于灰色人工神经网络组合模型导水 裂隙带高度预测方法，旨在结合矿井具体煤炭开采技术及煤层上覆岩层岩性结构特征，收 集整理完整的导水裂隙带高度影响因素体系，采用灰色系统理论中的弱化缓冲算子，弱化 时间序列中的局部波动成分后得到新序列作为ANN模型训练样本，再使用Matlab人工神经 网络进行预测，使得序列变得平缓，更容易寻找其隐含的规律，得以加强人工神经网络的学 习判断能力，在神经网络训练时，能更好地拟合相应的输入输出之间的复杂映射关系，从而 提高预测精度，为煤矿保水开采提供安全保障。本方法更有益于揭露数据隐含的规律，计算 速度更快，相对误差小，精度高。
[0007] 为实现上述目的，本发明所采取的技术方案是：
[0008] 一种基于灰色人工神经网络组合模型导水裂隙带高度预测方法，包括如下步骤：
[0009] Sl :收集矿井导水裂隙带高度的影响因素指标与对应的导水裂隙带高度，形成样 本数据集；
[0010] S2 :利用灰色系统理论（GreySystem)中的弱化缓冲算子，对数据集中的极端变化 情况，即数值上突然增大或减小的数据（组）进行弱化；
[0011] S3:对弱化后的数据集进行归一化，并将归一化后的数据集分为训练样本和检验 样本，其中数据样本随机分成训练样本、检验样本，所述检验样本占总样本10%以上；
[0012] S4 :利用matlab人工神经网络工具箱，将训练样本输入到编制的程序中，建立导 水裂隙带高度预测模型，matlab编程如下：
[0013] bpnet = newff(pr, [51], {' Iogsigr，1 Iogsigr }, ' traingdxr，1 leamg dm,)；
[0014] inputffeights = net. IW{1,1}；
[0015] inputbias = net. b {1}；
[0016] layerffeights = net. Lff {2,1}；
[0017] layerbias = net. b {2}；
[0018] net. trainParam. show = 50 ；
[0019] net. trainParam. Ir = 0. 002 ；
[0020] net. trainParam. me = 0. 9 ；
[0021] net. trainParam. epochs = 1000 ；
[0022] net. trainParam. goal = 0. 001 ；
[0023] [net，tr] = train (net，P，T);
[0024] 利用编写的matlab程序，首先在训练样本的基础上进行模型训练，当误差训练曲 线达到期望误差值0.001时，此时获得的预测模型，利用编写的程序对检验样本进行导水 裂隙带高度预测；
[0025] S5 :对比检验样本的预测值与实际值，若二者的相对误差小于或等于10%，则认 定预测模型有效；否则，认定无效，改变编程中参数，重新建立预测模型；重复上述步骤S1、 步骤S2、步骤S3、步骤S4。
[0026] 作为对上述技术方案的改进，所述步骤Sl中所述的影响因素指标包括采高、硬岩 岩性比例系数、工作面斜长、采深和推进速度。
[0027] 作为对上述技术方案的改进，步骤S2中所述弱化缓冲算子计算公式为：
[0028]
【主权项】
1. 一种基于灰色人工神经网络组合模型导水裂隙带高度预测方法，其特征在于，包括 如下步骤： 51 :收集矿井导水裂隙带高度的影响因素指标与对应的导水裂隙带高度，形成样本数 据集； 52 :利用灰色系统理论中的弱化缓冲算子，对数据集中的极端变化情况，即数值上突然 增大或减小的数据进行弱化； 53 :对弱化后的数据集进行归一化，并将归一化后的数据集分为训练样本和检验样本， 其中数据样本随机分成训练样本、检验样本，所述检验样本占总样本10%以上； 54 :利用Matlab人工神经网络工具箱，将训练样本输入到编制的程序中，建立导水裂 隙带高度预测模型，matlab编程如下： bpnet = newff(pr, [51]，{' Iogsigr，' Iogsigr }，' traingdx'，' learng dm,)； inputffeights = net. IW{1,1}； inputbias = net. b{1}； layerffeights = net. Lff{2,1}； layerbias = net.b{2}； net.trainParam. show = 50 ； net. trainParam. Ir = 0. 002 ； net. trainParam. me = 0. 9 ； net.trainParam. epochs = 1000 ； net. trainParam. goal = 0. 001 ； [net, tr] = train (net，P，T)； 利用编写的matlab程序，首先在训练样本的基础上进行模型训练，当误差训练曲线达 到期望误差值〇. 001时，此时获得预测模型，利用编写的程序对检验样本进行导水裂隙带 高度预测； 55 :对比检验样本的预测值与实际值，若二者的相对误差小于或等于10%，则认定预 测模型有效；否则，认定无效，改变编程中参数，重新建立预测模型；重复上述步骤S1、步骤 32、步骤33、步骤54。
2. 根据权利要求1所述的基于灰色人工神经网络组合模型导水裂隙带高度预测方法， 其特征在于，所述步骤Sl中所述的影响因素指标包括采高、硬岩岩性比例系数、工作面斜 长、采深和推进速度。
3. 根据权利要求1或2所述的基于灰色人工神经网络组合模型导水裂隙带高度预测方 法，步骤S2中所述弱化缓冲算子计算公式为：
设原始数据序列X= (x(l)，x(2)，…，以!!)），则经过弱化缓冲算子处理后的新序列XD =(x(l)d，x(2)d，一,X(IOd),!!为按时间先后排列的序列数；k序列编号；D为作用于X的 算子，XD为一阶算子作用序列，XD 1D2为二阶算子作用序列。
4. 根据权利要求3所述的基于灰色人工神经网络组合模型导水裂隙带高度预测方法， 步骤S3中所述数据归一化公式为：
式中，i是导水裂隙带高度影响因素之一，归一化的因素值在【〇，1】之间。
【专利摘要】本发明公开了一种基于灰色人工神经网络组合模型导水裂隙带高度预测方法，其步骤为S1：收集矿井导水裂隙带高度的影响因素指标与对应的导水裂隙带高度，形成样本数据集；S2：利用灰色系统理论(GreySystem)中的弱化缓冲算子，对数据集中的极端变化情况进行弱化；S3：对弱化后的数据集进行归一化，并将归一化后的数据集分为训练样本和检验样本；S4：利用Matlab人工神经网络工具箱，将训练样本输入到编制的程序中，建立导水裂隙带高度预测模型；S5：对比检验样本的预测值与实际值，若二者的相对误差小于或等于10％，则认定预测模型有效；否则，认定无效，改变编程中参数，重新建立预测模型。
【IPC分类】G06Q10-04, G06Q50-02
【公开号】CN104732304
【申请号】CN201510176275
【发明人】刘永良, 赵忠明, 李祎, 施天威, 董伟, 侯得峰
【申请人】河南理工大学
【公开日】2015年6月24日
【申请日】2015年4月15日