一种基于SaE-ELM的煤矿多等级突水预测方法
【专利摘要】基于SaE-ELM(Self-Adaptive?Evolutionary?Extreme?Learning?Machine)的煤矿多等级突水预测方法。包括以下步骤：1.研究煤矿突水机理，选取导致煤矿突水主控因素；2.搜集大量煤矿底板突水历史数据作为样本数据，每组数据包含各主控因素以及最大突水量；3.将样本数据划分为训练集和测试集，分别应用于模型的训练与测试；4.使用SaE-ELM对样本数据进行训练，建立预测模型；5.利用测试集数据对煤矿突水预测模型进行测试，将得到的预测结果与其他算法相比较，若预测精度高、速度快，则将其作为可对煤矿是否突水以及突水程度进行预测的模型。
【专利说明】-种基于SaE-ELM的煤矿多等级突水预测方法
【技术领域】
[0001] 本发明涉及一种煤矿多等级突水预测方法，特别是一种基于SaE-ELM矿突水预测 方法。
【背景技术】
[0002] 煤矿突水是煤矿五大灾害之一，快速准确地预测突水，是煤矿安全生产的保障。煤 矿突水预测涉及到水文地质、岩石力学、开采条件等诸多因素，各因素间有复杂的非线性关 系，因此用传统的数学理论难以建立模型。
[0003] 专家学者们现已提出了多种预测煤矿突水的方法，有采用遗传算法来训练BP神 经网络，建立了煤层突水人工神经网络预测模型，此方法虽然提高了训练精度，但鉴于BP 神经网络的结构特点，需要用大量的时间进行参数调整；另有建立了一种PCA与极速学习 机ELM (Extreme Learning Machine)相结合的煤矿底板突水预测模型，该模型运行速度和 预测精度有所提高，但ELM训练模型时，其网络隐藏层的所有参数是随机产生的，训练有一 定的随机性。另外，我国按突水量的最大值（峰值）划分了突水类型，而现有的大部分方 法，仅对是否突水进行预测，没有涉及到突水程度的预测，不便于对不同的突水情况进行预 处理。
[0004] ELM(极限学习机）是一种单隐藏层前馈神经网络，利用ELM神经网络训练模型 时，隐藏层的所有参数（输入层权值和隐层节点偏差）是随机产生的，输出层权值是通过 计算确定的，因此不需要通过迭代的方法去调整参数，只需在随机给定隐藏层参数的情况 下，通过最小二乘的方法将输出层权值计算出来就可以完成神经网络的训练，因此，它在理 论上很好的解决了前馈神经神经网络学习速度缓慢的问题。但是，由于ELM隐藏层的所 有参数是随机产生的，使得训练的模型有较大的训练随机性，而SaE-ELM (Self-Adaptive Evolutionary Extreme Learning Machine)算法利用自适应差分进化算法优化输入权值 与隐藏层偏差，该方法避免了传统ELM局限性，提高了泛化性以及预测的精确度，保留了 ELM算法的快速性。
【发明内容】
[0005] 本发明目的是要提供一种学习训练与预测速度快、泛化性能好且预测精度高的基 于SaE-EML的煤矿多等级突水预测方法。
[0006] 为实现上述目的，本发明采用以下技术方案：研究煤矿突水机理，选取影响煤矿突 水的主控因素并搜集大量煤矿突水历史数据作为样本数据，每组数据包含各主控因素以及 最大突水量。采用单隐层前馈神经网络SaE-ELM进行模型训练，该算法是利用自适应差分 进化算法优化输入权值与隐藏层偏差，通过最小二乘的方法将输出层权值计算出来，与以 往算法相比，提高了训练和预测速度，并保证了较高的预测精确度，具体步骤如下： (1) 研究煤矿突水机理，选取影响突水的主控因素； (2) 搜集大量煤矿突水历史数据作为样本数据，每组数据包含各主控因素以及最大突 水量； (3)根据《煤矿防治水规定》将最大突水量转化为突水类型，根据数据特征将所有样本 数据分为二分量型和连续型，并对连续型数据进行归一化处理，并将其划分为训练集和测 试集； ⑷对于N个不同的训练样本（Xi, tj ,这里Xi = [xn, xi2, . . .，xin] e Rn，心= [tn，ti2, · · · tim] e Γ，隐藏层节点数为L，激活函数为g (x)的标准SLFNs模型为： Σ β jg(Xi) = Σ β jg(Wj，x" bj) = ο』，i = 1，· · ·，N 其中，Wj e Rn和bj e R(j = 1，2...，L)是第j个隐藏层参数，Wj连接第j个隐藏层节 点输入权值，h是第j个隐藏节点的偏差。e Rm是第j个隐藏节点与输出节点之间的 输出权值。Wj*Xi表示Wj和Xi的内积，g(x)为激活函数，常用的有Sigmoid、Sine、Hardlim 等函数。 将标准模型的N个式子用矩阵表示为：Ηβ =T 其中： H(wi,...,wL,bi,...,bL,x l,...,xN) Μ 叫卜州 l.A+W ··· g(^L-XL+bI,) _/?(?)」…汉?+匕）」似 >fi pr β= ： ； τ=; βτ f 」Lxm L 'JiVxm 在现实应用的多数情况中，隐藏层节点数L远小于训练样本数N，这使得输出矩阵H不 是一个方阵，因此不存在参数4，％，0」〇 = 1，2..丄）使得!^=1'成立。通过最小二乘 法解线性系统Ηβ = T寻找β，得到唯一的解：> =//了，式中H+是Η的moore-penrose的 广义逆。 (5) 随机产生NP个原始种群向量Θ k e，其中k = 1，2,…NP，每组向量包含所有隐藏层 参数％与IV在每次训练与测试过程中通过重复的变异、交叉与选择操作找到最优Θ ; (6) 调整隐藏层节点数L的值与激活函数g(x)的类型，记录每次训练与测试的速度和 精确度，选取使模型最为快速准确的L值与g(x)类型； (7) 计算出此时的输出权值β ; (8) 利用测试集数据对煤矿突水预测模型进行测试，将得到的预测结果与其他算法相 比较，若预测精度高、速度快，则将其作为可对煤矿是否突水以及突水程度进行预测的模 型。
[0007] 有益效果，由于突水预测值与各突水之间是复杂的非线性函数的逼近问题，传统 的神经网络学习算法存在训练速度慢、易陷入局部极小点和学习率的选择敏感等缺点。 SaE-ELM算法通过不断测试来设置合适的隐层结点个数以及激活函数，利用自适应差分进 化算法对随机赋值地输入权值和隐层偏值进行优化，采用最小二乘法计算输出权值。对大 量历史数据训练能够得到快速准确的突水程度预测模型，该方法避免了传统ELM因随机生 成隐藏层参数带来的随机性，提高了预测的精确度与速度。针对本模型预测结果为不同突 水程度，可以设置不同预警等级，便于煤矿安全生产管理。
【专利附图】
【附图说明】
[0008] 图1是基于SaE-ELM的煤矿多等级突水预测流程图。
【具体实施方式】
[0009] 实施例1 :研究煤矿突水机理，选取影响煤矿突水的主控因素并搜集大量煤矿突 水历史数据作为样本数据，每组数据包含各主控因素以及最大突水量。对数据作归一化处 理，并将规范化处理后的数据划分为训练样本与测试样本，利用SaE-ELM进行训练，步骤如 下： (1) N 个不同的训练样本（Xi, tj ,这里 Xi = [xn, xi2, . . .，xin] e Rn，心= [tn，ti2,... tim] e Γ，隐藏层节点数为L，激活函数为g (x); (2) 随机产生NP个原始种群向量Θ k e，其中k = 1，2,…NP，每组向量包含所有隐藏层 参数％与IV在每次训练与测试过程中通过重复的变异、交叉与选择操作找到最优Θ ; (3) 调整隐藏层节点数L的值与激活函数g(x)的类型，记录每次训练与测试的速度和 精确度，选取使模型最为快速准确的L值与g(x)类型； (4) 计算出此时的输出权值β ; (5) 利用测试集数据对煤矿突水预测模型进行测试，将得到的预测结果与其他算法相 比较，若预测精度高、速度快，则将其作为可对煤矿是否突水以及突水程度进行预测的模 型。
【权利要求】
1. 基于SaE-ELM的煤矿多等级突水预测方法，其特征是：使用SaE-ELM算法建立预测 模型，SaE-ELM是单隐层前馈神经网络，利用自适应差分进化算法优化输入权值与隐藏层 偏差，通过最小二乘的方法将输出层权值计算出来，与以往算法相比，提高了训练和预测速 度，并保证了较高的预测精确度，具体步骤如下： (1) 研究煤矿突水机理，选取影响突水的主控因素； (2) 搜集大量煤矿突水历史数据作为样本数据，每组数据包含各主控因素以及最大突 水量； (3) 根据《煤矿防治水规定》将最大突水量转化为突水类型，根据数据特征将所有样本 数据分为二分量型和连续型，并对连续型数据进行归一化处理； (4) 将样本数据划分为训练集和测试集，应于模型的训练与测试； (5) 建立基于SaE-ELM的预测模型； (6) 将预测模型的测试结果与基于BP、SVM等算法的测试结果作比较，若预测精度高、 速度快，则将其作为可对煤矿是否突水以及突水程度进行预测的模型。
2. 根据权利要求1所述的基于SaE-EML的煤矿多等级突水预测方法，其特征在于：利 用SaE-ELM算法对样本数据进行训练，建立基于SaE-ELM的煤矿多等级突水预测模型，其步 骤如下： (1)取煤矿历史突水数据，并对其进行归一化处理后作为训练样本； ⑵对于N个不同的训练样本（χ。tj ,这里Xi = [xn, xi2, . . .，xin] e Rn，心= [tn，ti2, · · · tim] e Γ，隐藏层节点数为L，激活函数为g (x)的标准SLFNs模型为： Σ β jg(Xi) = Σ β jg(Wj，x" bj) = ο』，i = 1，· · ·，N 其中，Wj e Rn和bj e R(j = 1，2...，L)是第j个隐藏层参数，Wj连接第j个隐藏层节 点输入权值，h是第j个隐藏节点的偏差。e Rm是第j个隐藏节点与输出节点之间的 输出权值。Wj*Xi表示Wj和Xi的内积，g(x)为激活函数，常用的有Sigmoid、Sine、Hardlim 等函数。 将标准模型的N个式子用矩阵表示为：Ηβ =T 其中： h(xx) g(wl.x1+b1) ··· g( n L.xL +bL) 夕（?）」… 'βτΛ pr β = : ； T =: βτ tT -L JLxm L Λ JNxm 在现实应用的多数情况中，隐藏层节点数L远小于训练样本数N，这使得输出矩阵H不 是一个方阵，因此不存在参数4，％，0」〇 = 1，2..丄）使得!^=1'成立。通过最小二乘 法解线性系统Ηβ = T寻找β，得到唯一的解= 式中H+是Η的moore-penrose的 广义逆。 (3) 随机产生NP个原始种群向量Θ ，其中k = 1，2,…N，每组向量包含所有隐藏层参 数W」与bj : 其中G表示当前种群，k = 1，2,…，NP。 然后，通过突变策略生成变异个体e，常用的四种突变策略如下： Vk，G - 9 rl，G+F · ( Q r2，G_ 9 r3，G) Vk，G - 9 rl，G+F ( Q best，G_ 9 rl，G) +F ( Θ r2，G- Θ r3，G) +F ( Θ r4，G- Θ r5，G) Vk，G - 9 rl，G+F ( Θ r2，G_ Θ r3，G)+F ( Θ r4，G_ Θ r5，G) Vk，G - 9 rl，G+k · ( Q ri，G_Vk，G)+F ( Q r2，G_ 9 r3，G) 其中，k在0?1之间随机取值；缩放因子F是均值为0. 5方程为0. 3的高斯分布；rl、 。13^4、沾是1?即之间互不相同的随机整数。 突变操作完成后，利用下式完成Θ 与变异个体之间的离散化交叉操作生成测试 个体uk，e。 (=Jn,〇'(./')^/'(rantl, < CR)or{j = jmiJ k,(, 0k (i{j),otherwise 式中，交叉因子CR是均值为0.5方程为0. 1的高斯分布；ranc^是0?1之间的随机 数；j与是1?L之间的随机整数，用以避免测试个体完全复制Vk.e的情况。 利用下式对种群中每个个体求出均方根误差（RMSE)，将该误差作为适应值求出新一代 最优种群91^+1完成选择操作。
M|<,;+1 if RMSE(K<； -RMSEli(t>s-RMSE(K<；, ?k.f/+i if\^SE(K c - RMSEUk G+i I < ^ · RMSE0k 〇 θκα+ι = j and βΙ-- ?+ι < βθκ〇 , 0YG else. 重复循环突变、交叉与选择操作，直至达到最大迭代次数得出最优 (4) 调整隐藏层节点数L的值与激活函数g(x)的类型，记录每次训练与测试的速度和 精确度，选取使模型最为快速准确的L值与g(x)类型； (5) 计算出此时的输出权值β。
【文档编号】G06F19/00GK104156560SQ201410331425
【公开日】2014年11月19日 申请日期:2014年7月12日 优先权日:2014年7月12日
【发明者】胡梦珂, 赵作鹏, 黄培培, 聂婷, 张耀方 申请人:中国矿业大学