母麗華，張?zhí)l(fā)，李焱

(黑龍江科技學(xué)院理學(xué)院，哈爾濱150027)

改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法在瓦斯涌出量預(yù)測(cè)中的應(yīng)用

母麗華，張?zhí)l(fā)，李焱

(黑龍江科技學(xué)院理學(xué)院，哈爾濱150027)

針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)存在的收斂速度慢、容易陷入局部最小等缺陷，采用改良的BP算法——雙權(quán)值迭代優(yōu)化法，提高神經(jīng)網(wǎng)絡(luò)傳統(tǒng)BP算法的訓(xùn)練速度。以三層神經(jīng)網(wǎng)絡(luò)為例，對(duì)權(quán)值進(jìn)行優(yōu)化。實(shí)驗(yàn)對(duì)比表明:雙權(quán)值迭代優(yōu)化法應(yīng)用于瓦斯涌出量的預(yù)測(cè)，比一般BP網(wǎng)絡(luò)有更高的預(yù)測(cè)精度和程序運(yùn)行速度。

BP神經(jīng)網(wǎng)絡(luò);礦井瓦斯;涌出量

Abstract:This paper is aimed at an alternative to conventional neural network which suffers from a lower convergence rate and higher tendency to fall into partially smallest，by developing the improved BP algorithm，namely double weight iteration optimization method，to enhance the training speed of the neural conventional BP algorithm network．The method consists of taking three layer neural networks as the example，and，through the analysis and the optimization for weight value，applying the algorithm into predicting the mine gas emission．The experimental comparison shows that the double weight iteration optimization method gives a greater forecast accuracy and faster program operation than conventional BP algorithm network in predicting the mine gas emission．

Key words:BP neural network;mine gas;emission

0 引言

礦井瓦斯是煤礦井下以甲烷(CH4)為主的有毒有害氣體的總稱。如果井下的通風(fēng)效果不理想，瓦斯涌出量大的區(qū)域會(huì)因?yàn)橥咚贵w積分?jǐn)?shù)過(guò)大，導(dǎo)致井下工作人員窒息。瓦斯在一定條件下亦可發(fā)生爆炸，產(chǎn)生的高溫可達(dá)1 850～2 650℃。瓦斯爆炸不僅燒傷職工、燒壞設(shè)備，還可能點(diǎn)燃木支架和煤壁，引發(fā)瓦斯連續(xù)爆炸、煤塵爆炸和井下火災(zāi)，從而加重災(zāi)害程度，擴(kuò)大災(zāi)害面積［1－2］。為避免這些事故的發(fā)生，開采瓦斯含量高的煤層必須事先對(duì)礦井瓦斯涌出情況進(jìn)行預(yù)測(cè)。

隨著各種理論和技術(shù)手段的發(fā)展及其交叉應(yīng)用，科研工作者提出了許多評(píng)估和劃分方法［3－5］。神經(jīng)網(wǎng)絡(luò)可通過(guò)大量神經(jīng)元簡(jiǎn)單處理單元構(gòu)成非線性動(dòng)力學(xué)系統(tǒng)，實(shí)現(xiàn)與人腦相似的學(xué)習(xí)、識(shí)別、記憶等信息處理能力，并具有很強(qiáng)的自學(xué)習(xí)性等。但傳統(tǒng)的BP算法因存在收斂速度慢、容易陷入局部最小等缺陷，在瓦斯災(zāi)害的預(yù)測(cè)中準(zhǔn)確性不高。筆者采用一種改進(jìn)的BP算法［6－7］，即雙權(quán)值迭代優(yōu)化算法，可以有效地提高運(yùn)算的效率與精度，達(dá)到更好的預(yù)測(cè)效果，并將其應(yīng)用到礦井瓦斯預(yù)測(cè)中。

1 算法簡(jiǎn)介

考慮該網(wǎng)絡(luò)經(jīng)t次迭代與t+1次迭代節(jié)點(diǎn)權(quán)值的關(guān)系，則網(wǎng)絡(luò)的誤差函數(shù)為

由于轉(zhuǎn)移函數(shù)是連續(xù)可微的，用梯度下降法求得優(yōu)化的權(quán)值。根據(jù)梯度下降法，由隱層至輸出層的連接的加權(quán)調(diào)節(jié)量為

則t+1次迭代隱層至輸出層的連接的權(quán)值為

利用鏈?zhǔn)角髮?dǎo)法可得

則t+1次迭代輸入層到隱層節(jié)點(diǎn)的權(quán)值為

現(xiàn)把網(wǎng)絡(luò)推廣為m層，則t+1次迭代與t次迭代相鄰層間連接的權(quán)值為

通過(guò)對(duì)上述算法的研究發(fā)現(xiàn)，在t次迭代后，隱層到輸出層的t+1次迭代的連接權(quán)值已經(jīng)求出，而由式(1)可以看出在計(jì)算輸入層到隱層在t次迭代的連接權(quán)值的改變量時(shí)，所利用依然是由隱層到輸出層的t次連接權(quán)值，因而從迭代的角度分析，標(biāo)準(zhǔn)的BP算法屬于單權(quán)值迭代法。通過(guò)梯度下降法得到的隱層到輸出層的t+1次迭代連接權(quán)值Whj(t+1)在對(duì)網(wǎng)絡(luò)權(quán)值的優(yōu)化過(guò)程中所起的效果要優(yōu)于Whj(t)。也可以理解為，Whj(t+1)在網(wǎng)絡(luò)權(quán)值的收斂過(guò)程中比Whj(t)更接近于目標(biāo)值。因而，考慮在計(jì)算輸入層到隱層的t次迭代的連接權(quán)值的改變量時(shí)，利用已得到的t+1次連接權(quán)值Whj(t+1)代替t次迭代的連接權(quán)值Whj(t)，可以得出，網(wǎng)絡(luò)在t+1次迭代中節(jié)點(diǎn)間的連接權(quán)值，輸入層到隱層的連接權(quán)值的改變量是利用了t次迭代所得到隱層到輸出層的連接權(quán)值Whj(t+1)，而隱層到輸出層的連接權(quán)值Whj(t+1)是利用了t次迭代的連接權(quán)值Whj(t)，這樣就出現(xiàn)了在同次迭代中使用了新舊兩個(gè)權(quán)值，因而稱這種新的訓(xùn)練方法為雙權(quán)值迭代優(yōu)化法。

對(duì)于三層前向神經(jīng)網(wǎng)絡(luò)的雙權(quán)值迭代法，可表示為

通過(guò)梯度下降法，輸入層到隱層經(jīng)過(guò)t次迭代所得的權(quán)值的增量ΔW'ih(t+1)在對(duì)網(wǎng)絡(luò)權(quán)值的優(yōu)化過(guò)程中所起的效果要優(yōu)于由同步迭代所得的ΔWih(t)，它一方面提高網(wǎng)絡(luò)的訓(xùn)練速度，另一方面起到了緩沖平滑的作用，使網(wǎng)絡(luò)盡快脫離飽和區(qū)，避免使網(wǎng)絡(luò)訓(xùn)練陷入局部極小值，從而達(dá)到算法優(yōu)化的目的。

2 應(yīng)用舉例

2．1 數(shù)據(jù)的采集與處理

瓦斯涌出量VW與很多因素有關(guān)，例如煤層瓦斯含量、煤層傾角、煤層埋藏深度、煤層厚度、開采厚度、工作面長(zhǎng)度、推進(jìn)速度、采出率、頂板砂泥巖比、底板砂泥巖比、開采強(qiáng)度等［8－9］，這些因素中有的對(duì)瓦斯涌出量的大小影響較大，有的影響較小。在保證預(yù)測(cè)準(zhǔn)確性的前提下，對(duì)聚類過(guò)程進(jìn)行簡(jiǎn)化，根據(jù)文獻(xiàn)［4］利用灰色關(guān)聯(lián)度對(duì)這些指標(biāo)進(jìn)行優(yōu)選，選出對(duì)瓦斯涌出影響最大的四個(gè)因素進(jìn)行分析。這四個(gè)因素分別為:煤層瓦斯體積分?jǐn)?shù)Vf、煤層傾角θ、工作面長(zhǎng)度LG、推進(jìn)速度v。具體數(shù)據(jù)見表1［5］。

表1 回采工作面瓦斯涌出量與影響因素統(tǒng)計(jì)數(shù)據(jù)Table 1Gas emission quantity and data on influence factors statistics in working face

由于各影響因素(即原始輸入樣本)之間具有不同的量綱和數(shù)量級(jí)，使得數(shù)據(jù)之間的差異性比較大，又因?yàn)锽P神經(jīng)網(wǎng)絡(luò)模型要求數(shù)據(jù)在某一區(qū)間范圍內(nèi)，為此在進(jìn)行主成分分析之前要對(duì)原始輸入樣本進(jìn)行歸一化，這里運(yùn)用MATLAB軟件自帶的Premnmx函數(shù)進(jìn)行輸入樣本的預(yù)處理。

2.2 算法的比較

用經(jīng)過(guò)歸一化處理得到的新樣本對(duì)瓦斯涌出量進(jìn)行神經(jīng)網(wǎng)絡(luò)建模，分別稱為傳統(tǒng)算法和改進(jìn)算法。輸入層節(jié)點(diǎn)選擇為四個(gè)，隱層節(jié)點(diǎn)為五個(gè)，輸出層節(jié)點(diǎn)為一個(gè)，表1中序號(hào)1～14的數(shù)據(jù)是訓(xùn)練用樣本，序號(hào)15～18的數(shù)據(jù)用來(lái)檢驗(yàn)該預(yù)測(cè)模型的預(yù)測(cè)效果。分別運(yùn)用兩種算法對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練后，對(duì)檢驗(yàn)樣本進(jìn)行預(yù)測(cè)，比對(duì)結(jié)果見表2，相對(duì)誤差分析見表3。

表2 兩種方法預(yù)測(cè)結(jié)果對(duì)比Table 2Comparison of prediction results between two models

表3 相對(duì)誤差分析Table 3Analysis of relative errors

從表2可以看到，傳統(tǒng)算法的預(yù)測(cè)值的相對(duì)誤差的平均值為5.171%，而改進(jìn)算法的預(yù)測(cè)值的相對(duì)誤差的平均值為0.412%，這表明改進(jìn)算法比傳統(tǒng)算法在預(yù)測(cè)精度上有很大的提高。從表3可直觀地看到:傳統(tǒng)算法的預(yù)測(cè)值中有一個(gè)預(yù)測(cè)值的誤差為11.1%，最小值為－3.9%，誤差及誤差的波動(dòng)幅度均較大;而改進(jìn)算法的誤差都在3.2%以下，且誤差的波動(dòng)幅度較小，說(shuō)明改進(jìn)算法預(yù)測(cè)值的穩(wěn)定性較好。迭代中權(quán)值的優(yōu)化使得程序運(yùn)行的速度明顯加快，平均預(yù)測(cè)時(shí)間從173 s減少到73 s，可見神經(jīng)網(wǎng)絡(luò)的執(zhí)行效率有了很大的提高。

3 結(jié)論

(1)利用雙權(quán)值迭代算法進(jìn)行算法的優(yōu)化，縮短了訓(xùn)練時(shí)間，提高了預(yù)測(cè)的精度，同時(shí)有效地抑制了網(wǎng)絡(luò)陷入局部極小點(diǎn)。通過(guò)實(shí)驗(yàn)對(duì)比，在某礦瓦斯涌出量的預(yù)測(cè)中，雙權(quán)值迭代算法比一般BP網(wǎng)絡(luò)有更高的預(yù)測(cè)精度和更優(yōu)的程序執(zhí)行效率。

(2)在預(yù)測(cè)瓦斯涌出量時(shí)，文中考慮了四個(gè)主要因素的影響，在今后的研究中，尚須進(jìn)一步探索影響煤礦瓦斯涌出量的其他因素，以進(jìn)一步提高預(yù)測(cè)的準(zhǔn)確性。

(3)改進(jìn)的神經(jīng)網(wǎng)絡(luò)BP方法可以應(yīng)用于煤礦瓦斯涌出量的預(yù)測(cè)實(shí)際中。但是其精確度受多方面因素的影響，應(yīng)用該方法時(shí)，最好采用其他方法或者實(shí)踐對(duì)其結(jié)果進(jìn)行檢驗(yàn)，以確保安全生產(chǎn)。

［1］吳中立．礦井通風(fēng)與安全［M］．徐州:中國(guó)礦業(yè)大學(xué)出版社，1989．

［2］謝仁海．煤礦地質(zhì)「M］．北京:煤炭工業(yè)出版社，1987．

［3］章立清，秦玉金，姜文忠，等．我國(guó)礦井瓦斯涌出量預(yù)測(cè)方法研究現(xiàn)狀及展望［J］．煤礦安全，2007(8):58－60．

［4］曾勇，吳財(cái)芳．礦井瓦斯涌出量預(yù)測(cè)的模糊分形神經(jīng)網(wǎng)絡(luò)研究［J］．煤炭科學(xué)技術(shù)，2004，32(2):62－65．

［5］朱紅青，常文杰，張彬．回采工作面瓦斯涌出PB神經(jīng)網(wǎng)絡(luò)分源預(yù)測(cè)模型及應(yīng)用［J］．煤炭學(xué)報(bào)，2007，32(5): 504－508．

［6］李焱．一種BP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法的研究［J］．齊齊哈爾大學(xué)學(xué)報(bào):自然科學(xué)版，2010，26(4):11－15．

［7］郭嗣忠，陳剛．軟計(jì)算方法［M］．沈陽(yáng):東北大學(xué)出版社，2001．

［8］伍愛友，姚建，肖紅飛．基于灰色關(guān)聯(lián)分析的煤與瓦斯突出預(yù)測(cè)指標(biāo)優(yōu)選［J］．煤炭科學(xué)技術(shù)，2005，33(4):55－58．

［9］王華，王連華，葛嶺梅．主成分分析與BP神經(jīng)網(wǎng)絡(luò)在煤耗氧速度預(yù)測(cè)中的應(yīng)用［J］．煤炭學(xué)報(bào)，2008，33(8): 920－926．

［10］李喜盼，劉新俠，張安兵，等．遺傳神經(jīng)網(wǎng)絡(luò)在滑塊災(zāi)害預(yù)報(bào)中的應(yīng)用研究［J］．河北工程大學(xué)學(xué)報(bào):自然科學(xué)版，2009，26(1):69－71．

(編輯 徐巖)

Application of estimation based on improved BP algorithm

MU Lihua，ZHANG Taifa，LI Yan
(College of Sciences，Heilongjiang Institute of Science＆Technology，Harbin 150027，China)

TP183;TD712

A

1671－0118(2011)03－0240－04

2011－04－21

黑龍江省教育廳科學(xué)技術(shù)研究項(xiàng)目(11541323)

母麗華(1966－)，女，遼寧省開原人，博士，教授，研究方向:復(fù)雜系統(tǒng)建模與預(yù)測(cè)，E-mail:mu_lihua2004@163．com。