一种基于萤火虫算法和SOM网络的瓦斯突出预测方法与流程

本发明涉及预测技术领域，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。

背景技术：

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。

技术实现要素：

有鉴于此，本发明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，本发明提出的技术方案为：

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，本发明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是本发明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是本发明所述SOM网络拓扑结构示意图。

具体实施方式

为使本发明的目的、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发明作进一步地详细描述。

图1是本发明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，本发明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，本发明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。

本发明步骤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，x_act(i)是第i个初始输入变量的实际值，x_min(i)是第i个初始输入变量的最小值，x_max(i)是第i个初始输入变量的最大值。

本发明方法中，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，T_i(t)为所述初始输入特征向量在t时刻的值，w_ij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d_j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：

w_ij(t+1)＝w_ij(t)+η(t)h_j，i(x)[T_i(t)-w_ij(t)]

其中，η(t)是学习效率，0＜η(t)＜1，并且随时间t单调减小，h_j，i(t)(t)是获胜神经元周围的邻域函数，计算式如下：

其中，r_j，r_i(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＝e^{l-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Y_i¹和Y_i²，具体计算式如下：

步骤46、计算SOM网络的输出值之差IV_i，得到平均影响值MIV，具体计算式如下：

IV_t＝Y_i¹-Y_i²

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始输入变量，得到最终输入变量X′为开采深度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。

本发明步骤5中，所述数据预处理的计算式如下：

其中，t′(i)是第i个最终输入变量的样本值，x′_act(i)是第i个最终输入变量的实际值，x′_min(i)是第i个最终输入变量的实际值，x′_max(i)是第i个最终输入变量的最大值。

本发明方法中，所述步骤6包括如下步骤：

步骤61、将所述最终输入特征向量T′作为GSO-SOM网络输入层的神经元，GSO-SOM网络的输入层为一维，GSO-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。

步骤62、将GSO-SOM网络的连接权值和阈值采用实数矢量形式编码，构成萤火虫初始种群，初始化萤火虫种群的个数n，吸引力系数β₀，光吸收系数γ和随机性系数α₀，其中，吸引力系数β₀＝1，光吸收系数γ为[0，1]分布的随机数，随机性系数α₀∈[0，1]。

本发明方法中，所述步骤7包括如下步骤：

步骤71、计算萤火虫个体适应度函数值，具体计算式如下：

其中，f为萤火虫个体适应度值，Z为训练样本的个数，y_k为实际的输出值，t_k为期望的输出值。

步骤72、计算荧光素值l_k(t)，荧光素值l_k(t)和当前位置x_k(t)代表着每个萤火虫个体k，荧光素值l_k(t)的计算式如下：

l_k(t+1)＝(1-0.95δ₁)×l_k(t)+ξ₁×J(x_k(t+1))

其中，k为萤火虫个体，x_k(t)为萤火虫个体的当前位置，l_k(t)为萤火虫个体在第t次迭代时荧光素值的大小，l_k(t+1)为萤火虫个体在第t+1次迭代时荧光素值的大小，J(x_k(t+1))为目标函数值，δ₁为荧光素值挥发系数，ξ₁为增强系数。

步骤73、计算大于自身的萤火虫数量，计算式如下：

M_k(t)＝{q：d_kq(t)＜r_k；l_k(t)＜l_q(t)}

其中，M_k(t)为感知范围内所有荧光素值大于自身的萤火虫个数，d_kq为个体k和q之间的距离，r_k为感知半径。

步骤74、获得荧光最强个体，更新萤火虫所在位置，具体计算公式如下：

其中，P_ii为最强荧光个体，P为感知范围内所有荧光素值大于自身的萤火虫个体，l_p(t)为P在第t次迭代时荧光素值的大小。

本发明步骤8中，终止条件具体为训练误差小于0.01或迭代次数达到1000。

本发明步骤9具体为：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神经网络预测模型，将所述最终输入特征向量T′作为预测模型的输入，对瓦斯突出类型进行预测，输出预测结果。

实施例

将最终输入特征向量作为输入，基于萤火虫算法优化的SOM网络预测模型部分训练数据如表1所示。瓦斯突出的预测结果如表2所示。

表1部分训练样本

表2预测结果

由表2数据可知，当训练步数为10时，训练数据1、2被分为一类，3、4、5、6、7、8被分为另一类，SOM网络对数据进行了初步分类，当训练步数为100时，1和2，3和4，5和6，7和8被分为同一类，这时SOM网络对数据进一步划分，可对瓦斯突出的类型进行正确分类。从SOM网络的测试结果来看，采用萤火虫算法优化的SOM网络预测模型可以准确地判断瓦斯突出的类型，准确性高。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。