一种基于LLE-WAP-BP网络模型的瓦斯涌出量预测方法

本发明属于瓦斯涌出量预测，具体设计一种基于lle-wap-bp网络模型的瓦斯涌出量预测方法。

背景技术：

1、我国拥有非常丰富的天然煤炭资源，煤炭开采产业是我国重要的社会经济支柱，因为我国大部分地区的矿井建设和开采的难度较大，进而使得我国煤矿开采工作成为安全生产事故发生率最高的行业，为保证井下工作的安全展开，需要对矿井瓦斯涌出量进行准确的预测；近些年，专家学者们广泛利用人工神经网络模型对矿井瓦斯涌出量进行预测，如李心杰等构造主成分分析法与遗传算法优化bp神经网络预测方法；张宝等对小断层构造区域进行瓦斯涌出量预测；肖鹏等构造cmgann和kpca算法结合的预测方法；郑晓亮等使用mi和svm算法结合的预测方法；苏筱丽将主成分分析和svm算法结合构造预测模型；曹博等将pca与ga算法结合优化bp神经网络等，但上述模型在面对大规模数据库的时候会出现训练速度过慢，优化能力降低的问题，并且在影响因素之间存在一些复杂的非线性关系时预测精准度大大降低，因此需要继续研究出新的预测方法来解决这些问题。

2、局部线性嵌入法（lle）是一种数据降维方法，常用于非线性数据特征的提取，该算法利用线性重构的局部对称性找出高维数据空间中的非线性结构，并在保持与数据点临近关系的前提下，把高维空间数据点映射到低维空间对应的数据点，且降维后的数据可较好地保持原有的拓扑结构；bp神经网络是单向传播的多层前向网络, 包括输入节点、隐含层节点、输出节点，且同层节点之间不会相互传输交流，输入信号从输入层节点开始，通过隐含层节点，最后到达输出节点；每一层节点的输出仅对下一层节点的输出造成影响，故bp神经网络结构简单、塑性强、非线性逼近能力优, 适用于处理非线性问题，但由于bp神经网络的初始权值阈值是随机产生，且所需输入数据过多，因此易陷入局部极小、训练速度较慢的问题；狼群算法是一种智能寻优算法，有良好的全局优化特点，寻优速度快，误差值小，具有很强的鲁棒性，其优化能力强于粒子算法、鱼群算法等。

技术实现思路

1、针对目前技术所面临的问题，本发明提出一种基于lle-wap-bp网络模型的瓦斯涌出量预测方法。

2、一种基于lle-wap-bp网络模型的瓦斯涌出量预测方法，包括以下步骤：

3、步骤1:选取矿井瓦斯涌出量影响因素，收集矿井瓦斯涌出量y及影响因素实测数据x=[x1,x2,…xn]，n为瓦斯涌出量影响因素个数；

4、所述矿井瓦斯涌出量影响因素包括：开采层原始瓦斯涌出量、煤层埋藏深度、煤层厚度、煤层倾角、开采高度、工作面长度、推进速度、采出率、邻近层原始瓦斯含量、邻近层厚度、邻近煤层层间距、层间岩性、开采强度、井下气压。

5、步骤2:采用局部线性嵌入法对瓦斯涌出量及影响因素实测数据进行降维处理，得到重构因子，将重构因子作为bp神经网络的输入数据；

6、步骤2.1:局部线性嵌入法在matlab软件上进行模拟实验，具体的实验参数设置为k=10，d值一般在[k-5,k-2]内，需要通过实验对比得出预测效果最好的d值；

7、步骤2.2:计算数据样本之间的欧式距离，通过对比欧式距离找到每个数据点的k个最近邻近数据点，记为x={x1,x2,…,xn}；

8、步骤2.3:利用公式对成本函数进行最小值计算，从而得到局部重构权值矩阵w，且使权值矩阵每行的元素相加为1，同时每个数据点仅能由其邻近数据点来构造，若与上述规定不符则该矩阵为0；

9、所述成本函数最小值计算公式如下所示：

10、

11、其中wij为权值矩阵向量，xij为邻近数据点；

12、步骤2.4:通过权重矩阵w完成重构，将x={x1,x2,…,xn}}映射到y={y1,y2,…,yn}，最大限度保留高维空间的特性，利用嵌入式公式得到最小低维数据空间，可求出本发明的重构有效因子y；

13、所述嵌入式公式如下所示：

14、

15、步骤2.5:因实际数据处理过程中，有些数据本身存在正负数值，此时如果立即进行归一化数据处理，便会丢失原数据所携带的部分特征，故进行归一化处理需要使其范围规定在[-1,1]之间。

16、步骤3:采用狼群算法将bp神经网络初始权值阈值进行优化，狼群算法种群规模设为100，最大迭代次数设为100；

17、步骤3.1:狼群捕猎范围为n×d的欧式空间，设置狼群中个体狼i的位置xi，数量n，空间的变量维数为d，最大迭代次数kmax，游走上限制tmax，狼群中探狼进行游走的因子为s，判断因子w，狼群中个体更新比例为β，生成初始种群，对每匹狼的位置进行初始化；

18、步骤3.2:根据头狼产生规则选择出头狼，位置记xlead，目标函数值记ylead，选择除头狼之外的目标值最大的狼为探狼，按游走公式进行游走行为，直到某只探狼得到的yi大于ylead或达到tmax；

19、所述游走行为的游走公式如下所示：

20、

21、其中xid(k+1)为凶狼i在第k+1次迭代后d维空间中处于的位置，xidk为凶狼i在第k次迭代后d维空间中处于的位置，stepbd为凶狼游走步长，gdk为第k次迭代后d维空间中处于的位置，stepbd为凶狼游走步长，gdk为第k次迭代后d维空间中头狼位置；

22、步骤3.3:从除头狼之外的狼群个体中随机选择凶狼按进攻公式向猎物发起进攻，当凶狼问道猎物气味yi<ylead，则ylead=y代替首狼发起号召行动；

23、所述进攻行为的进攻公式如下所示：

24、

25、其中xid(k+1)为凶狼i在第k+1次迭代后d维空间中处于的位置，xidk为凶狼i在第k次迭代后d维空间中处于的位置，stepbd为凶狼游走步长，gdk为第k次迭代后d维空间中头狼位置；

26、步骤3.4:反之继续进攻，直到凶狼与头狼之间小于规定距离；

27、步骤3.5:凶狼在捕捉猎物时，与猎物距离相对近的时候，凶狼召集探狼一起围捕猎物，根据围捕公式进行围捕行为；

28、所述围捕行为的围捕公式如下所示：

29、

30、其中λ为[-1,1]中的随机数字，stepcd为凶狼围攻步长，gdk为经历k次迭代后的头狼位置；

31、步骤3.6:根据头狼产生规律更新头狼位置，按更新规则进行群体更替；

32、步骤3.7:判断优化是否达到精度或迭代次数是否到达tmax，若达到则输出首狼的位置即问题的最优解，否则执行步骤3.1。

33、步骤4:将上述重构因子和最优权值阈值代入bp神经网络模型在matlab软件中进行模拟训练、检验和预测，在软件上编程算法代码，输入参数，参数设为输出节点为1，隐含层节点数设为12，隐含层神经元传递函数选用tansig函数，输出层神经元传递函数用purelin函数，训练函数用traingdm函数，最大训练次数为10000，训练速率为0.01，训练精度为10-4；

34、步骤4.1:构建bp神经网络结构，初始化权值阈值，输入训练样本；

35、步骤4.2:计算输入层中作业单元输入到隐含层的输入值；

36、步骤4.3:计算隐含层中作业单元输入到输出层输入值；

37、步骤4.4:计算各层误差及误差和；

38、步骤4.5:调节输出层、隐含层的权值和阈值；

39、步骤4.6:检查误差是否符合期望误差范围，若符合则输出训练结果，即为瓦斯涌出量预测结果，反之返回步骤4.1继续训练。

40、步骤5：将bp模型、ga-bp模型、wap-bp模型与本发明的模型进行实验数据对比，进而论证本发明的优越性。

41、本发明的优越性能：

42、本发明提出一种基于lle-wap-bp的瓦斯涌出量预测方法，bp神经网络训练简单，运行的步骤清晰明了，可操作性强，但在后期训练时会收敛过慢、易陷入局部最小等问题；因为瓦斯涌出量的影响因素相对较多，并且因素之间存在一些非线性关系，采用局部线性嵌入法进行降维计算，可以丢弃繁杂的数据，得到具有全部数据特性的低维数据；采用狼群算法的全局寻优能力，找寻到最优权值阈值；以上智能算法组合可避免bp神经网络出现的问题，保证了模型的预测准确性及较高的泛化性。