王春曉， 陳開巖， 張 寶

(中國礦業(yè)大學(xué) 安全工程學(xué)院，江蘇 徐州 221116)

基于Elman組合預(yù)測模型的瓦斯涌出量預(yù)測

王春曉， 陳開巖， 張 寶

(中國礦業(yè)大學(xué) 安全工程學(xué)院，江蘇 徐州 221116)

為提高礦井瓦斯涌出量的預(yù)測精度，基于Elman回歸神經(jīng)網(wǎng)絡(luò)原理，以指數(shù)型線性回歸、雙曲線型線性回歸及灰色預(yù)測三種方法得到的瓦斯涌出量預(yù)測值為樣本數(shù)據(jù)，建立Elman組合預(yù)測模型，并利用MATLAB軟件進(jìn)行預(yù)測。結(jié)果表明，Elman組合預(yù)測結(jié)果的擬合曲線更接近實際情況。該模型有效提高了瓦期涌出量的預(yù)測精度，為煤礦安全生產(chǎn)提供了理論支持。

Elman神經(jīng)網(wǎng)絡(luò);組合預(yù)測;瓦斯涌出量

煤炭是我國一次能源的主體，保證煤炭企業(yè)安全、高效生產(chǎn)，是滿足國民經(jīng)濟建設(shè)與發(fā)展的現(xiàn)實需要。我國煤礦事故發(fā)生頻繁，70%以上是由于煤層瓦斯突出、瓦斯積聚超限或瓦斯爆炸等引起的。因此，準(zhǔn)確、快速地進(jìn)行生產(chǎn)前的瓦斯涌出量預(yù)測，對于預(yù)防煤礦惡性事故的發(fā)生具有重要意義。

組合預(yù)測是將各種預(yù)測方法所得的預(yù)測結(jié)果集中后，選取適當(dāng)?shù)臋?quán)重進(jìn)行加權(quán)平均的一種預(yù)測方法。它建立在最大信息利用基礎(chǔ)上，預(yù)測結(jié)果優(yōu)于單一模型的，且能夠有效提高預(yù)測精度，因而，成為國內(nèi)外學(xué)者關(guān)注的熱點。

組合預(yù)測中最重要的部分是權(quán)重確定。具有非線性自組織、自學(xué)習(xí)、自適應(yīng)能力的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，能夠根據(jù)環(huán)境的變化自動調(diào)節(jié)權(quán)值，使其具有很強的動態(tài)適應(yīng)性。BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)是靜態(tài)前饋神經(jīng)網(wǎng)絡(luò)，只能映射輸入和輸出的非線性關(guān)系，而Elman回歸網(wǎng)絡(luò)能直接反映系統(tǒng)的動態(tài)特性，因而具有訓(xùn)練時間短、訓(xùn)練誤差小、聯(lián)想輸出能力良好［1］等優(yōu)點，更適用于樣本數(shù)據(jù)龐大、實時性要求高的預(yù)測。基于此，筆者分析了Elman回歸神經(jīng)網(wǎng)絡(luò)原理，以指數(shù)型線性回歸、雙曲線型線性回歸及灰色預(yù)測三種方法得到的瓦斯涌出量預(yù)測值為樣本數(shù)據(jù)，建立了Elman組合預(yù)測模型，并進(jìn)行預(yù)測分析，為煤礦的安全生產(chǎn)提供了理論支持。

1 Elman回歸神經(jīng)網(wǎng)絡(luò)原理

Elman神經(jīng)網(wǎng)絡(luò)是一種動態(tài)回歸神經(jīng)網(wǎng)絡(luò)［1］，它通過存儲內(nèi)部狀態(tài)，具備了映射動態(tài)特征的功能，從而使系統(tǒng)具有適應(yīng)時變特性的能力。Elman神經(jīng)網(wǎng)絡(luò)能夠在有限時間內(nèi)以任意精度逼近任意函數(shù)，并存儲信息以備未來使用，其模型如圖1所示。

圖1 Elman回歸神經(jīng)網(wǎng)絡(luò)模型Fig.1 Model of Elman recurrent neural network

Elman回歸神經(jīng)網(wǎng)絡(luò)除具有輸入層、隱含層和輸出層外，還具有一個特別的單元，稱為上下文層或狀態(tài)層。輸入層單元起信號傳輸作用;輸出層單元起線性加權(quán)的作用;隱含層單元一般為非線性激活函數(shù);而上下文層單元從隱含層接收反饋信號，記憶隱含層單元前一時刻的輸出值，是一步時延算子。網(wǎng)絡(luò)的輸入不僅包括外部輸入值，還包括隱含層前一時刻的輸出值，此時網(wǎng)絡(luò)可視為一個前饋網(wǎng)絡(luò)，可以用反向傳播算法進(jìn)行訓(xùn)練。訓(xùn)練結(jié)束后，k時刻隱含層的輸出值將通過遞歸連接部分反饋到上下文層單元，并保留到下一個訓(xùn)練k+1時刻。

設(shè)網(wǎng)絡(luò)的外部輸入為u(k－1)、輸出為y(k)，隱含層的輸出為x(k)，則非線性狀態(tài)空間表達(dá)式為

f、g——隱含層和輸出層的傳遞函數(shù)。

由式(1)、(2)、(3)得

又由于

故式(4)可繼續(xù)展開，這說明xc(k)依賴于不同時刻的連接權(quán)…，即xc(k)是一個動態(tài)遞推過程。相應(yīng)的，用于Elman回歸神經(jīng)網(wǎng)絡(luò)訓(xùn)練的反向傳播算法為動態(tài)反向傳播學(xué)習(xí)算法［1－6］。

采用動態(tài)反向傳播算法更新權(quán)矩陣分為三步:第一步，輸入信號加于網(wǎng)絡(luò)，計算輸出信號，并與期望輸出進(jìn)行比較，以產(chǎn)生誤差信號;第二步，誤差信號反向傳播，求出權(quán)矩陣的梯度;第三步，用此梯度更新權(quán)值使誤差減小。如此反復(fù)計算，直至誤差小于設(shè)定值或訓(xùn)練步數(shù)達(dá)到最大設(shè)定步數(shù)為止。

2 瓦斯涌出量預(yù)測

2.1 組合預(yù)測模型

通過以往的分析預(yù)測，分別得到了基于指數(shù)型回歸模型、雙曲線型回歸模型、灰色預(yù)測三組預(yù)測數(shù)據(jù)［7］。應(yīng)用Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行組合預(yù)測，最終確定瓦斯涌出量組合預(yù)測的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu):輸入層節(jié)點三個，分別為以上三種方法的三組預(yù)測結(jié)果;輸出層節(jié)點一個，代表工作面相對瓦斯涌出量組合預(yù)測值;以真實情況作為理想輸出用以調(diào)節(jié)網(wǎng)絡(luò)。該模型通過MATLAB語言實現(xiàn)。

2.2 預(yù)測過程及結(jié)果分析

組合預(yù)測瓦斯相對涌出量的樣本序列P(即基于指數(shù)型線性回歸、雙曲線型線性回歸、灰色預(yù)測方法預(yù)測的瓦斯相對涌出量)、母序列T(即原始瓦斯相對涌出量)以及對應(yīng)的日產(chǎn)量X如下所示:

利用MATLAB軟件［8］進(jìn)行Elman神經(jīng)網(wǎng)絡(luò)組合預(yù)測，算法如下:

net=newelm(minmax(P)，［3，1］，{'tansig'，' logsig'}，'traingdx');

%隱含層神經(jīng)元個數(shù)為3，上下文層神經(jīng)元個數(shù)為1，

Elman組合預(yù)測模型預(yù)測的瓦斯涌出量(Y)及工作面實際瓦斯涌出量如表1所示。

指數(shù)型線性回歸、雙曲線型線性回歸、灰色預(yù)測法及Elman神經(jīng)網(wǎng)絡(luò)組合預(yù)測法的預(yù)測值與實際值的比較結(jié)果見圖2。由比較結(jié)果可以看出，組合預(yù)測結(jié)果的擬合曲線更接近于實際值，且組合預(yù)測模型的預(yù)測精度優(yōu)于單一模型的。

圖2 不同預(yù)測結(jié)果與實際值的比較Fig.2 Comparison of combination predict results and real values

表1 組合預(yù)測母序列及預(yù)測結(jié)果Table 1 Matrix array and result for combination prediction

3 結(jié)束語

組合預(yù)測模型集合了多種單一模型所包含的預(yù)測信息，預(yù)測精度優(yōu)于單一模型。筆者根據(jù)組合預(yù)測理論，以指數(shù)型回歸模型、雙曲線型回歸模型、灰色預(yù)測三組預(yù)測數(shù)據(jù)為樣本數(shù)據(jù)，建立了Elman回歸神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型。對比結(jié)果表明，組合預(yù)測結(jié)果的擬合曲線比上述三種預(yù)測方法更接近于實際情況。該模型有效提高了瓦斯涌出量的預(yù)測精度，為煤礦設(shè)計、礦井配風(fēng)、瓦斯事故預(yù)防提供了理論參考。

［1］曾 勇，吳財芳.礦井瓦斯涌出量預(yù)測的模糊分形神經(jīng)網(wǎng)絡(luò)研究［J］.煤炭科學(xué)技術(shù)，2004(2):62－65.

［2］吳財芳，曾 勇.基于遺傳神經(jīng)網(wǎng)絡(luò)的瓦斯含量預(yù)測研究［J］.地學(xué)前緣，2003，10(1):219－224.

［3］劉玉靜，肖廣智.用人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測采煤工作面的瓦斯涌出量［J］.煤礦安全，2003，34(1):12－13.

［4］楊智懿，熊亞選，楊乾林.工作面瓦斯涌出量的神經(jīng)網(wǎng)絡(luò)模型預(yù)測研究［J］.煤炭工程，2004(10):73－75.

［5］薛鵬騫，吳立鋒，李海軍.基于小波神經(jīng)網(wǎng)絡(luò)的瓦斯涌出量預(yù)測研究［J］.中國安全科學(xué)學(xué)報，2006(2):22－25.

［6］梁新榮，劉智勇，毛宗源.高速公路動態(tài)交通流Elman神經(jīng)網(wǎng)絡(luò)模型［J］.交通運輸工程學(xué)報，2006(3):92－96.

［7］鄭桂水.Mathcad 2000實用教程［M］.北京:國防工業(yè)出版社，2000.

［8］趙紅梅.高瓦斯采煤工作面瓦斯涌出量的預(yù)測研究［D］.徐州:中國礦業(yè)大學(xué)，2007.

Amount of gas emission prediction base on Elman and combination prediction model

WANG Chunxiao， CHEN Kaiyan， ZHANG Bao
(School of Safety Engineering，China University of Mining＆Technology，Xuzhou 221116，China)

Aimed at improving the accuracy of gas emission prediction，this paper introduces an Elman neural network，that is combination prediction，based on the prediction got from hyperbola function，exponent function and grey model as the sample data and according to the fundamental theory of the combination prediction and the Elman neural network and highlights prediction using MATLAB curve fitting tool.The result shows that the combination prediction is in accordance with practical case.This model，marked by an effective improvement in the accuracy of the predictions，provides theoretical support for the coal mine safety.

Elman neural network;combination prediction;gas emission

TD712

A

1671－0118(2011)04－0285－04

2011－06－14

王春曉(1986－)，女，山東省臨沂人，碩士，研究方向:礦井通風(fēng)與安全監(jiān)控，E-mail:haiyaqingzi@126.com。

(編輯荀海鑫)