本发明涉及矿山和地下工程的灾害预警和防治技术领域，尤其涉及一种矿山动力灾害的全息预警方法。
背景技术：
矿山动力灾害，包括冲击地压(岩爆)、煤与瓦斯突出、突水透水等都属于矿山重大灾害，一旦发生这类灾害对矿山的人员生命和财产都将造成重大损失。因此，对矿山动力灾害的超前预测、预报和预警就显得致关重要。由于矿山动力灾害涉及的因素众多，至今对这类灾害的发生机理、演化过程和诱发方式没有形成一套完整的理论体系，也没有形成可用于可靠监测的、编程实现的和准确率较高的预警方法。现有的大多数预测和预警方法大都是采用层次分析法的思想，通过各层次预警参数权值的定义，实现综合加权法进行灾害预警。但是，这些综合加权法存在一些不足之处，比如所选的预警参数大部分是间接参数，而不是直接参数，例如采深、地质构造、生产工艺、通风方式等；而且很多间接参数都和某一种直接参数有关，而且不只是线性关系，导致权值难以确定。现有方法即使考虑了一些直接参数，例如，冲击倾向性、突出倾向性等，也没有给出这些指标的合理计算方法，例如国家标准gb/t25217.2-2010，利用加权综合评价方法，有8种情况无法判别都无法给出冲击倾向性结果。把直接指标和间接指标放到一个表达式中进行加权，无法体现各种指标的层次关系，以及对预警结果的支持度。综合加权法无法体现迹象越多，发生事故越大的特点，一旦确定了预警参数集，新的迹象和显现将无法加入，一旦加入，就要重新分配权值，导致预警结果既不确定，也不科学。
技术实现要素：
为了克服上述现有技术中的不足，本发明提供一种矿山动力灾害的全息预警方法，方法包括：
步骤一，以直接影响矿山动力灾害发生与否的模态化参数集为输入变量集，以冲击地压发生的可能性和煤与瓦斯突出发生的可能性作为输出变量，建立人工神经网络模型；
步骤二，向学习样本库中添加样本，当学习样本库中添加的样本达到预设值时，运用预设的学习算法对学习样本库中的样本进行学习，以确定人工神经网络模型中的权值和阈值，得到一个矿山动力灾害的全息模态化预警器；
步骤三，根据全息模态化预警器设置一包括空间检索、插补、降噪、反飘移和信号重建功能的全息数据挖掘转换器；
对矿山任意一个区域进行预警时，利用该的全息数据挖掘转换器把矿山实验测试和安全生产中获得的相关信息转化成预警模型的输入参数，再利用全息模态化预警器给出预警结果。
优选地，矿山实验测试和安全生产中获得的相关信息包括：矿山地理信息、地质信息、生产信息和相关属性信息；
相关属性信息包括：地形、岩层、断层、陷落柱、褶皱、岩浆侵入、火烧等构造信息，地温、水压、岩移、沉陷、煤柱、井巷、硐室、工作面、采空区空间分布信息，支护、卸压、充填、瓦斯抽放灾害防治工艺等参数，以及冲击倾向性测试数据，防突测试数据，微震信号、地音信号、爆破信号、电磁辐射信号、应力信号、矿压信号、锚杆阻力、离层和位移信号、瓦斯浓度、风速、瓦斯抽放流量、水位、涌水量监测数据。
优选地，步骤三中，利用该的全息数据挖掘转换器把矿山实验测试和安全生产中获得的相关信息转化成预警模型的输入参数还包括：
(1)利用岩性测试和煤体测试得到的单轴抗压强度rc、煤层的冲击能量指数ke、煤层的单性能量指数wet，煤层的动态破坏时间dt，用下列方法计算出冲击倾向性x24；
p1＝pdt+prc-pdt×prc
p2＝pwet+pke-pwet×pke
x24＝0.7×p1+0.5×p2-0.2×p1×p2
(2)利用煤层的瓦斯试验数据，例如瓦斯放散初速度δp、瓦斯涌出初速度q、解吸指标δh2、综合指标k＝δp/f、k1钻屑瓦斯解吸指标、钻孔平均综合指标r＝(smax-1.8)×(qmax-4)(smax-每个钻孔沿孔长的最大钻屑量、qmax-每个钻孔的最大钻孔涌出初速度)，用下列方法计算出突出倾向性x14；
p1＝pδp+pq-pδp×pq
p2＝pδh2+pk1-pδh2×pk1
p3＝pk+pr-pk×pr
p4＝p1+p2-p1×p2
x14＝0.7×p3+0.5×p4-0.2×p3×p4
(3)利用微震定位结果，通过反演岩层或煤层的地震波波速vp和横波波速ve，利用式即可解出岩层或煤层的当前状态对应的弹性模量e(即x26)和泊松比μ；
纵波：
横波：
其中，ρ为岩层或煤层的密度，是已知量；
(4)利用岩层或煤层的当前状态对应的弹性模量e和原始弹性模量e0，即可求出损伤变量d；
(5)利用损伤变量d和原始抗压强度s0，即可求当前的出抗压强度s(即x4)；
s＝s0(1-d)
(6)利用三轴应力监测系统直接监测测点的绝对地应力(σx,σy,σz)，即(x1,x2,x3)，也可以先根据三维空间模型，利用解析法计算出初步的应力分布，在用应力监测、矿压监测等实时数据进行修正，得到比较精确的(x1,x2,x3)；
(7)工作面顶板压力q(即x6)和围岩变形量u(x7)，可以用支架阻力传感器和位移传感器直接测量；
(8)根据应力(x1,x2,x3)和井巷空间模型，就可计算出围岩抵抗线长w(即x4)；
(9)可用下列公式计算体积变形能uv(x8)、形状变形能uf(x9)和工作面顶板弯曲能uw(x10)；
其中的l,h和b分别为工作面顶板的长度，厚度和宽度，q顶板受均匀载荷，e为弹性模量；g为剪切模量，可由下式计算。
(10)利用下列公式计算煤层中的瓦斯含量vt(即x11)；
vt＝qf+qc+vc
其中qf为流量涌出量，可用巷道断面、风速监测值和瓦斯浓度监测值计算；
qc为瓦斯抽放流量，可用瓦斯抽放系统的纯瓦斯流量监测值得到；
vc为煤体瓦斯残存含量，可用地面试验获得；
(11)利用下列公式计算煤层瓦斯压力p(即x12)；
其中：η为煤层孔隙度、a和b为瓦斯吸附常数，可通过试验获得；
p0为标准大气压；
(12)自由空间中绝对气压(即x25)可直接监测；
(13)地应力增量x15(δx1)、地应力增量x16(δx2)、地应力增量x17(δx3)、围岩或煤体强度增量x18(δx4)、围岩或煤体抵抗线长增量x19(δx5)、工作面顶板压力增量x20(δx6)、围岩变形量增量x21(δx7)、煤层瓦斯含量增量x22(δx11)、煤层瓦斯压力增量x23(δx12)可由当前时段的状态量减去前一时段的相应状态量得到。
优选地，步骤一还包括：
选取预警区域和地点的动力灾害公用参数x方向地应力x1，y方向地应力x2，z方向地应力x3，围岩或煤层强度x4，围岩或煤体抵抗线长x5，工作面顶板压力x6，围岩变形量x7，围岩体积变形能x8，围岩形状变形能x9以及顶板弯曲能x10，与瓦斯突出强相关的煤层瓦斯含量x11、煤层瓦斯压力x12，当前状态的持续时间x13，煤层瓦斯突出倾向性x14，地应力增量x15、地应力增量x16、地应力增量x17、围岩或煤体强度增量x18、围岩或煤体抵抗线长增量x19、工作面顶板压力增量x20、围岩变形量增量x21、煤层瓦斯含量增量x22、煤层瓦斯压力增量x23、围岩和煤层冲击倾向性x24、区域自由空间绝对气压x25、围岩或煤层弹性模量x26，为26个输入变量；选取冲击地压发生的可能性y1和煤与瓦斯突出发生的可能性y2，为2个为输出变量；设置一个单隐含层，隐含层的节点个数l，建立矿山动力灾害预警的神经网络模型。
从以上技术方案可以看出，本发明具有以下优点：
本发明包括实验测试数据、地理空间数据、安全生产数据、监测监控数据在内的矿山全息数据库，可以实现矿山动力灾害的全息模态化在线预测预报和预警，预警时系统可根据冲击地压事故发生的可能性和煤与瓦斯突出事故发生的可能性分别实现预警，并可把预警信息发布到各种显示终端。
本发明可以实现矿山动力灾害的全息模态化在线预测预报和预警，以其达到矿山动力灾害的有效预警和提前防治。
附图说明
为了更清楚地说明本发明的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为矿山动力灾害的全息预警方法流程图；
图2为矿山动力灾害预警的神经网络模型图；
图3为矿山动力灾害的全息模态化预警方法及系统架构图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将运用具体的实施例及附图，对本发明保护的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本专利中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利保护的范围。
本实施例提供一种矿山动力灾害的全息预警方法，如图1和图3所示，方法包括：
步骤一，以直接影响矿山动力灾害发生与否的模态化参数集为输入变量集，以冲击地压发生的可能性和煤与瓦斯突出发生的可能性作为输出变量，建立人工神经网络模型；
步骤二，向学习样本库中添加样本，当学习样本库中添加的样本达到预设值时，运用预设的学习算法对学习样本库中的样本进行学习，以确定人工神经网络模型中的权值和阈值，得到一个矿山动力灾害的全息模态化预警器；
步骤三，根据全息模态化预警器设置一包括空间检索、插补、降噪、反飘移和信号重建功能的全息数据挖掘转换器；
对矿山任意一个区域进行预警时，利用该的全息数据挖掘转换器把矿山实验测试和安全生产中获得的相关信息转化成预警模型的输入参数，再利用全息模态化预警器给出预警结果。
其中，矿山实验测试和安全生产中获得的相关信息包括：矿山地理信息、地质信息、生产信息和相关属性信息；相关属性信息包括：地形、岩层、断层、陷落柱、褶皱、岩浆侵入、火烧等构造信息，地温、水压、岩移、沉陷、煤柱、井巷、硐室、工作面、采空区空间分布信息，支护、卸压、充填、瓦斯抽放灾害防治工艺等参数，以及冲击倾向性测试数据，防突测试数据，微震信号、地音信号、爆破信号、电磁辐射信号、应力信号、矿压信号、锚杆阻力、离层和位移信号、瓦斯浓度、风速、瓦斯抽放流量、水位、涌水量监测数据。
本实施例中，步骤一，选取直接影响矿山动力灾害发生与否的模态化参数集为输入变量集，以冲击地压发生的可能性和煤与瓦斯突出发生的可能性作为输出变量，建立人工神经网络模型，建立人工神经网络模型。
以冲击地压和煤与瓦斯突出灾害为例，可选取预警区域和地点的动力灾害公用参数x方向地应力x1、y方向地应力x2、z方向地应力x3、围岩或煤层强度x4、围岩或煤体抵抗线长x5、工作面顶板压力x6、围岩变形量x7、围岩体积变形能x8、围岩形状变形能x9以及顶板弯曲能x10，与瓦斯突出强相关的煤层瓦斯含量x11、煤层瓦斯压力x12，当前状态(允许有小波动)的持续时间x13，煤层瓦斯突出倾向性x14，地应力增量x15(δx1)、地应力增量x16(δx2)、地应力增量x17(δx3)、围岩或煤体强度x18(δx4)、围岩或煤体抵抗线长x19(δx5)、工作面顶板压力x20(δx6)、围岩变形量x21(δx7)、煤层瓦斯含量x22(δx11)、煤层瓦斯压力x23(δx12)、围岩和煤层冲击倾向性x24、区域自由空间绝对气压x25、围岩或煤层弹性模量x26等26个输入变量，即m＝26。选取冲击地压发生的可能性y1和煤与瓦斯突出发生的可能性y2等2个为输出变量，即j＝2。设置一个单隐含层，隐含层的节点个数l＝84，建立矿山动力灾害预警的神经网络模型如图2所示。
步骤二，向学习样本库中添加样本，当学习样本库中添加的样本达到预设值时，运用预设的学习算法对学习样本库中的样本进行学习，以确定人工神经网络模型中的权值和阈值，得到一个矿山动力灾害的全息模态化预警器。
这里可以分别采用理论计算法、专家评估法和案例追溯法不断添加学习样本库中的样本。
所述理论计算法就是利用一组理论计算公式，对任意给定的一组输入值(x1,x2,…,x26),计算出一组(y1,y2),添加该组数据到样本库；所述专家评估法就是对任意给定的一组输入值(x1,x2,…,x26),通过专家评价给出一组(y1,y2),添加该组数据到样本库；所述案例追溯法就是每当获取到矿井动力灾害事故或异常征兆，就追溯该时段及之前的多组输入参数(x1,x2,…,x26)的值及相应的显现程度(y1,y2),并将其添加到样本库。一旦样本库中有较多的样本(比如超过200条)就可以利用学习算法进行学习，以确定人工神经网络模型中的权值和阈值。这个过程可以新样本的加入或无用样本的淘汰循环进行，不断优化神经网络模型中的权值和阈值，不断提高预警的准确率。我们称确定了权值和阈值的矿山动力灾害预警人工神经网络模型为预警器。
由于用专家评估法和案例追溯法在短时间内不易获取足够多的学习样本，所以本发明首先给出了一个快捷计算方法，对任意给定的一组输入值(x1,x2,…,x26)，可以快速计算出显现程度(y1,y2)，计算方法如下：
p1＝min{1,py}
p2＝min{1,pc}
p5＝x24
p:＝p1
p:＝p+p2-p×p2
p:＝p+p3-p×p3
p:＝p+p5-p×p5
p:＝p+p6-p×p6
y1＝p
p5＝x14
p:＝p2
p:＝p+p3-p×p3
p:＝p+p6-p×p6
p4:＝p4+p5-p4×p5
p:＝0.2×p+0.9×p4-0.1×p×p4
y2＝p
通过随机产生500组(x1,x2,…,x26)的值，并利用上述计算方法，计算出对应的500组(y1,y2),得到500个学习样本，如表1所示。
表1用快捷计算法产生的学习样本
经过4200次学习，其结果列于表2。
表2神经网络学习结果
由表2可以看出学习精度是很高的，说明当取隐含层的节点个数l＝84时，该神经网络结构可很好的用于矿山动力灾害的全息学习和预警，由此，可建立一个基于神经网络的矿山动力灾害预警器，简称神经网络预警器。
步骤三，开发一个包括空间检索、插补、降噪、反飘移和信号重建等功能的全息数据挖掘转换器，对于矿山任意一个预警区域，在预警时，首先利用该数据挖掘转换器把矿山实验测试和安全生产中能够获得的相关信息(这些信息包括矿山地理信息、地质信息、生产信息和相关属性信息，例如地形、岩层、断层、陷落柱、褶皱、岩浆侵入、火烧等构造信息，地温、水压、岩移、沉陷、煤柱、井巷、硐室、工作面、采空区等空间分布信息，支护、卸压、充填、瓦斯抽放等灾害防治工艺等参数，以及冲击倾向性测试和相关防突测试数据和相关的微震信号、地音信号、爆破信号、电磁辐射信号、应力信号、矿压信号、锚杆阻力、离层和位移信号、瓦斯浓度、风速、瓦斯抽放流量、水位、涌水量等监测数据)，转化成预警模型的输入参数(x1,x2,…,x26)。再利用预警器给出预警结果(y1,y2)。
该步骤的关键是如何把能够获得的全息信息，例如地形、岩层、断层、陷落柱、褶皱、岩浆侵入、火烧等构造信息，地温、水压、岩移、沉陷、煤柱、井巷、硐室、工作面、采空区等空间分布信息，支护、卸压、充填、瓦斯抽放等灾害防治工艺等参数，以及冲击倾向性测试和相关防突测试数据和相关的微震信号、地音信号、爆破信号、电磁辐射信号、应力信号、矿压信号、锚杆阻力、离层和位移信号、瓦斯浓度、风速、瓦斯抽放流量、水位、涌水量等监测数据)，通过转化成预警模型的输入参数(x1,x2,…,x26)。下面给出一个这样的转化方案：
(1)利用岩性测试和煤体测试得到的单轴抗压强度rc、煤层的冲击能量指数ke、煤层的单性能量指数wet，煤层的动态破坏时间dt，用下列方法计算出冲击倾向性x24。
p1＝pdt+prc-pdt×prc
p2＝pwet+pke-pwet×pke
x24＝0.7×p1+0.5×p2-0.2×p1×p2
(2)利用煤层的瓦斯试验数据，例如瓦斯放散初速度δp、瓦斯涌出初速度q、解吸指标δh2、综合指标k＝δp/f、k1钻屑瓦斯解吸指标、钻孔平均综合指标r＝(smax-1.8)×(qmax-4)(smax-每个钻孔沿孔长的最大钻屑量、qmax-每个钻孔的最大钻孔涌出初速度)，用下列方法计算出突出倾向性x14。
p1＝pδp+pq-pδp×pq
p2＝pδh2+pk1-pδh2×pk1
p3＝pk+pr-pk×pr
p4＝p1+p2-p1×p2
x14＝0.7×p3+0.5×p4-0.2×p3×p4
(3)利用微震定位结果，通过反演岩层或煤层的地震波波速vp和横波波速ve，利用式即可解出岩层或煤层的当前状态对应的弹性模量e(即x26)和泊松比μ。
纵波：
横波：
其中，ρ为岩层或煤层的密度，是已知量。
(4)利用岩层或煤层的当前状态对应的弹性模量e和原始弹性模量e0，即可求出损伤变量d。
(5)利用损伤变量d和原始抗压强度s0，即可求当前的出抗压强度s(即x4)。
s＝s0(1-d)
(6)利用三轴应力监测系统直接监测测点的绝对地应力(σx,σy,σz)，即(x1,x2,x3)，也可以先根据三维空间模型，利用解析法计算出初步的应力分布，在用应力监测、矿压监测等实时数据进行修正，得到比较精确的(x1,x2,x3)。
(7)工作面顶板压力q(即x6)和围岩变形量u(x7)，可以用支架阻力传感器和位移传感器直接测量。
(8)根据应力(x1,x2,x3)和井巷空间模型，就可计算出围岩抵抗线长w(即x4)。
(9)可用下列公式计算体积变形能uv(x8)、形状变形能uf(x9)和工作面顶板弯曲能uw(x10)。
其中的l,h和b分别为工作面顶板的长度，厚度和宽度，q顶板受均匀载荷，e为弹性模量。g为剪切模量，可由下式计算。
(10)利用下列公式计算煤层中的瓦斯含量vt(即x11)。
vt＝qf+qc+vc
其中qf为流量涌出量，可用巷道断面、风速监测值和瓦斯浓度监测值计算；
qc为瓦斯抽放流量，可用瓦斯抽放系统的纯瓦斯流量监测值得到；
vc为煤体瓦斯残存含量，可用地面试验获得。
(11)利用下列公式计算煤层瓦斯压力p(即x12)。
其中：η为煤层孔隙度、a和b为瓦斯吸附常数，可通过试验获得；
p0为标准大气压。
(12)自由空间中绝对气压(即x25)可直接监测。
(13)地应力增量x15(δx1)、地应力增量x16(δx2)、地应力增量x17(δx3)、围岩或煤体强度增量x18(δx4)、围岩或煤体抵抗线长增量x19(δx5)、工作面顶板压力增量x20(δx6)、围岩变形量增量x21(δx7)、煤层瓦斯含量增量x22(δx11)、煤层瓦斯压力增量x23(δx12)可由当前时段的状态量减去前一时段的相应状态量得到。
(14)状态持续时间(即x13)可根据状态变化情况直接计算。
至此，就完成了矿山全息参数到预警神经网络输入参数的转换。值得说明的是：除了这些计算公式外，也可以通过其它方法实现矿山全息参数到输入参数(x1,x2,…,x26)的转换。
下面用一个采煤工作面为例说明整个预警计算过程，假设已经获取了该采煤工作面及其围岩的全息原始参数，则动力灾害预警计算过程为：
(1)利用岩性测试和煤体测试得到的单轴抗压强度rc＝12、煤层的冲击能量指数ke＝5、煤层的单性能量指数wet＝6，煤层的动态破坏时间dt＝200，用下列方法计算出冲击倾向性x24。
p1＝pdt+prc-pdt×prc＝0.9
p2＝pwet+pke-pwet×pke＝0.9473
x24＝0.7×p1+0.5×p2-0.2×p1×p2＝0.933136
(2)利用煤层的瓦斯试验数据，例如瓦斯放散初速度δp＝4、瓦斯涌出初速度q＝4、解吸指标δh2＝98、综合指标k＝δp/f＝4/2＝2、钻屑瓦斯解吸指标k1＝0.3、钻孔平均综合指标r＝(smax-1.8)×(qmax-4)＝(2.8-1.8)×(5-4)＝1(smax-每个钻孔沿孔长的最大钻屑量、qmax-每个钻孔的最大钻孔涌出初速度)，用下列方法计算出突出倾向性x14。
p1＝pδp+pq-pδp×pq＝0.784
p2＝pδh2+pk1-pδh2×pk1＝0.796
p3＝pk+pr-pk×pr＝0.226
p4＝p1+p2-p1×p2＝0.956
x14＝0.7×p3+0.5×p4-0.2×p3×p4＝0.593
(3)利用微震定位结果，通过反演岩层或煤层的地震波波速vp和横波波速ve，利用式即可解出岩层或煤层的当前状态对应的弹性模量e(即x26)和泊松比μ。假设岩层或煤层的密度ρ＝2(g/cm3)、纵波速度vp＝1732(m/s)、纵波速度vs＝1000(m/s)为是已知量。解算
纵波：
横波：
可同时得到
μ＝0.25
e(即x26)＝5000000(pa)＝5mpa
(4)利用岩层或煤层的当前状态对应的弹性模量e和原始弹性模量e0＝5.8，即可求出损伤变量d。
(5)利用损伤变量d和原始抗压强度s0＝12，即可求当前的出抗压强度s(即x4)。
s＝s0(1-d)＝10.345
(6)利用三轴应力监测系统直接监测测点的绝对地应力(σx,σy,σz)，即(x1,x2,x3)，也可以先根据三维空间模型，利用解析法计算出初步的应力分布，在用应力监测、矿压监测等实时数据进行修正。假设已监测得到工作面高应力点的应力(σx,σy,σz)＝(x1,x2,x3)＝(8,7.2,6.5)mpa。
(7)假设已通过监测得到工作面顶板压力q(即x6)＝6和围岩变形量u(x7)＝0.2。
(8)由工作面高应力点的应力(x1,x2,x3)的所在位置和井巷空间模型计算出围岩抵抗线长w(即x5)＝8。
(9)可用下列公式计算体积变形能uv(x8)、形状变形能uf(x9)和工作面顶板弯曲能uw(x10)。设工作面顶板的长度、厚度、宽度、顶板受均匀载荷和弹性模量为l＝200m,h＝4m、b＝33.3m、q＝100000n/m、e＝5gpa。
即x8＝7.848mj
即x10＝2.5mj
(10)利用下列公式计算煤层中的瓦斯含量vt(即x11)。
vt＝qf+qc+vc
假设qf＝5为流量涌出量，可用巷道断面、风速监测值和瓦斯浓度监测值计算；
qc＝6为瓦斯抽放流量，可用瓦斯抽放系统的纯瓦斯流量监测值得到；
vc＝1.5为煤体瓦斯残存含量，可用地面试验获得。
则vt(即x11)＝12.5
(11)利用下列公式计算煤层瓦斯压力p(即x12)。
如果取η＝0.106为煤层孔隙度、a＝35.53和b＝0.645为瓦斯吸附常数，p0＝0.101325为标准大气压，vt＝12.5，则可由上式得到p(即x12)＝0.761。
(12)自由空间中绝对气压(即x25)可直接监测，不妨取x25＝0.1024
(13)地应力增量x15(δx1)、地应力增量x16(δx2)、地应力增量x17(δx3)、围岩或煤体强度增量x18(δx4)、围岩或煤体抵抗线长增量x19(δx5)、工作面顶板压力增量x20(δx6)、围岩变形量增量x21(δx7)、煤层瓦斯含量增量x22(δx11)、煤层瓦斯压力增量x23(δx12)可由当前时段的状态量减去前一时段的相应状态量得到。
不妨假设监测时段的状态不变，即x15＝x16＝…＝x23＝0
(14)状态持续时间(即x13)可根据状态变化情况直接计算。不妨假设x13＝10。
至此，就完成了矿山全息参数到预警神经网络输入参数的转换，
x＝(x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12,x13,x14,x15,x16,x17,x18,x19,x20,x21,x22,x23,x24,x25,x26)＝(8,7.2,6.5,10.345,8,6,0.2,7.848,0.0001405,2.5,12.5,0.761,10,0.593,0,0,0,0,0,0,0,0,0,0.933,0.1024,5)。
把x输入到第一不建立的神经网络预警器得到：(冲击地压发生的可能性，煤与瓦斯突出发生的可能性)＝(y1,y2)＝(0.9735，0.7788)。如果把预警级别定义为：
{红色，橙色，黄色，蓝色，绿色}＝{[0.9,1],[0.8,0.9),[0.7,0.8),[0.4,0.6),[0,0.4)}
对该例来说冲击地压达到红色预警级别，煤与瓦斯突出达到黄色预警级别，系统可以按这些级别发布相应预警信息。
值得说明的是：除了本方案给出的计算公式外，也可以通过其它更科学的方法实现矿山全息参数到输入参数(x1,x2,…,x26)的转换。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。