付 華,謝 森,徐耀松,陳子春
(1.遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院,遼寧葫蘆島 125105;2.開灤(集團(tuán))有限責(zé)任公司,河北唐山 063018)
基于ACC-ENN算法的煤礦瓦斯涌出量動態(tài)預(yù)測模型研究
付 華1,謝 森1,徐耀松1,陳子春2
(1.遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院,遼寧葫蘆島 125105;2.開灤(集團(tuán))有限責(zé)任公司,河北唐山 063018)
為了對煤礦瓦斯監(jiān)測數(shù)據(jù)進(jìn)行有效分析,以實(shí)現(xiàn)準(zhǔn)確、可靠的回采工作面絕對瓦斯涌出量預(yù)測,提出了蟻群聚類算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的絕對瓦斯涌出量動態(tài)預(yù)測方法。算法通過對Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值尋優(yōu),建立了基于ACC-ENN算法的絕對瓦斯涌出量預(yù)測模型,并結(jié)合礦井監(jiān)測到的歷史數(shù)據(jù)進(jìn)行實(shí)例分析。試驗結(jié)果表明:經(jīng)蟻群聚類優(yōu)化后的Elman神經(jīng)網(wǎng)絡(luò)絕對瓦斯涌出量預(yù)測模型較其他預(yù)測模型具有更好的泛化能力和更高的預(yù)測精度,有效地實(shí)現(xiàn)了煤礦絕對瓦斯涌出量動態(tài)預(yù)測。
絕對瓦斯涌出量;蟻群聚類;Elman神經(jīng)網(wǎng)絡(luò);動態(tài)預(yù)測
瓦斯災(zāi)害是制約煤礦安全生產(chǎn)的重要因素之一,對煤礦井下絕對瓦斯涌出量進(jìn)行精準(zhǔn)預(yù)測是防治煤礦瓦斯災(zāi)害的有力措施[1]。目前國內(nèi)外眾多專家學(xué)者對絕對瓦斯涌出量預(yù)測進(jìn)行研究,提出了許多有用的預(yù)測模型和方法。呂伏等針對絕對瓦斯涌出量提出了主成分回歸分析方法[2]。白云霄、朱紅青等提出了用人工神經(jīng)網(wǎng)絡(luò)[3-4]構(gòu)建絕對瓦斯涌出量預(yù)測模型。李國禎、谷松等運(yùn)用灰色理論[5-6]模型,進(jìn)一步對煤礦絕對瓦斯涌出量進(jìn)行預(yù)測,得到的實(shí)驗效果較好。王曉路等將卡爾曼濾波[7]算法運(yùn)用于絕對瓦斯涌出量預(yù)測問題上。王其軍等綜合了免疫算法和神經(jīng)網(wǎng)絡(luò)[8],實(shí)現(xiàn)對絕對瓦斯涌出量的綜合預(yù)測。上述方法各有特點(diǎn),為推動我國煤礦安全生產(chǎn)做出了貢獻(xiàn),但這些方法的瓦斯涌出量預(yù)測誤差比較大,且需要的樣本較多,存在一定的局限性。瓦斯涌出量的預(yù)測是一個隨時間動態(tài)發(fā)展變化的復(fù)雜過程,回采工作面絕對瓦斯涌出量受自然因素和開采技術(shù)因素的綜合影響[9],通常很難精確預(yù)測和描述。
為解決這類問題,筆者在以上研究成果的基礎(chǔ)上,建立蟻群聚類-Elman神經(jīng)網(wǎng)絡(luò)的絕對瓦斯涌出量預(yù)測模型,將蟻群聚類(ACC,ant colony clustering)算法和Elman神經(jīng)網(wǎng)絡(luò)[10](ENN,Elman neural network algorithm)結(jié)合起來,充分利用蟻群聚類算法得到Elman神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值,提高Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測精度和收斂速度,并用實(shí)例驗證了該模型的有效性,實(shí)現(xiàn)對絕對瓦斯涌出量的動態(tài)預(yù)測。
在煤礦絕對瓦斯涌出量預(yù)測系統(tǒng)中,Elman神經(jīng)網(wǎng)絡(luò)由于其特殊的動態(tài)特性和遞歸作用,較前向神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的計算能力和網(wǎng)絡(luò)穩(wěn)定性等優(yōu)點(diǎn)。但是由于Elman神經(jīng)網(wǎng)絡(luò)復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)和其收斂速度慢、易于局部收斂、精度低等缺點(diǎn),使Elman神經(jīng)網(wǎng)絡(luò)應(yīng)用在絕對瓦斯涌出量預(yù)測中,辨識誤差過大,無法實(shí)現(xiàn)快速、精準(zhǔn)預(yù)測[11]。所以筆者將Elman神經(jīng)網(wǎng)絡(luò)與能夠?qū)崿F(xiàn)智能搜索、全局優(yōu)化的蟻群聚類算法結(jié)合起來,構(gòu)造蟻群聚類-Elman神經(jīng)網(wǎng)絡(luò)絕對瓦斯涌出量動態(tài)預(yù)測模型。ACC算法全局優(yōu)化能力強(qiáng),有效改善Elman神經(jīng)網(wǎng)絡(luò)收斂速度,提高了絕對瓦斯涌出量預(yù)測精度。
1.1 ENN算法
Elman神經(jīng)網(wǎng)絡(luò)(ENN)是一種動態(tài)遞歸性人工神經(jīng)網(wǎng)絡(luò),不但能解決靜態(tài)系統(tǒng)的建模問題,還能實(shí)現(xiàn)動態(tài)系統(tǒng)的映射,更加直接地反映系統(tǒng)的動態(tài)特性。
設(shè)網(wǎng)絡(luò)輸入為x(t),網(wǎng)絡(luò)輸出為y(t),隱含層輸出為S(t),反饋層輸出為O(t),則Elman神經(jīng)網(wǎng)絡(luò)描述為
式中,φ(·)和g(·)分別為隱含層和輸出層傳遞函數(shù);w,σ和β分別為輸入層到隱層、隱層到輸出層、反饋層到隱層的權(quán)值;b1和b2分別為隱含層和輸出層閾值。
1.2 適應(yīng)度函數(shù)的確定
根據(jù)絕對瓦斯涌出量系統(tǒng)參數(shù)辨識[12]的需求,假設(shè)e(t)為t時刻的期望輸出y~(t)和Elman神經(jīng)網(wǎng)絡(luò)實(shí)際輸出y(t)的誤差值。
設(shè)n個數(shù)據(jù)樣本,則絕對瓦斯涌出量預(yù)測系統(tǒng)的目標(biāo)函數(shù)采用誤差平方和
Elman神經(jīng)網(wǎng)絡(luò)采用動態(tài)反向傳播學(xué)習(xí)算法進(jìn)行訓(xùn)練,訓(xùn)練的目標(biāo)就是通過對ENN各層權(quán)值調(diào)節(jié),使E(t)達(dá)到最小。
針對絕對瓦斯涌出量預(yù)測的非線性問題,采用蟻群聚類算法對Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行尋優(yōu),使得Elman神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出與期望輸出的誤差平方和取最小值,則適應(yīng)度函數(shù)為
1.3 蟻群聚類理論
ACC算法是一種模擬進(jìn)化算法,在聚類的基礎(chǔ)上,實(shí)現(xiàn)智能搜索、全局優(yōu)化,且具有魯棒性、正反饋、分布式計算等特點(diǎn),更注重收斂速度的提高[13-14]。
對于給定的訓(xùn)練樣本X={x1,x2,x3,…,xN},c個聚類中心Q={q1,q2,q3,…,qc},以每個樣本到聚類中心距離之和達(dá)到最小作為目標(biāo)函數(shù),數(shù)學(xué)模型表示為
其中,W為相似分類矩陣;m為權(quán)重指數(shù);wij表示樣本集合中第i個樣本隸屬于第j類的程度,同時,聚類中心Q為
假定M個待優(yōu)化的參數(shù),記為p1,p2,…,pM,對于其中任一pi(1≤i≤M)。根據(jù)每個元素中的信息素狀態(tài),螞蟻的狀態(tài)轉(zhuǎn)移概率定義為
式中,Tk為螞蟻k下一步允許選擇的狀態(tài)集合;τij(t)為t時刻路線上遺留的信息素;ηij為啟發(fā)因子;α,β分別表示螞蟻在尋求最優(yōu)解的過程中τij和ηij的相對重要程度。
當(dāng)螞蟻在各個區(qū)域完成元素的選擇后,應(yīng)對信息素τij進(jìn)行更新:
式中,0≤ρ<1為解空間信息素的持久性;給定參數(shù)D為螞蟻組釋放的信息素密度;Lk為本次循環(huán)中螞蟻k搜索的路徑長度。
反復(fù)執(zhí)行這一過程后,直到達(dá)到最大迭代次數(shù)就停止搜索,返回最優(yōu)解為聚類結(jié)果。
蟻群聚類具體步驟如圖1所示。
圖1 蟻群聚類算法操作流程Fig.1 The algorithm of ant colony clustering operating procedures
1.4 ACC-ENN的具體算法預(yù)測過程
Elman神經(jīng)網(wǎng)絡(luò)的激活函數(shù)為Sigmoid函數(shù),激勵函數(shù)自變量定義域為[0,0.1],[0.9,1]時,兩個值域內(nèi)曲線變化比較平坦,本文歸一區(qū)間為[0.1, 0.9]。其數(shù)據(jù)歸一化公式為
其中,X為原始數(shù)據(jù);Xmin為原始數(shù)據(jù)的最小值;Xmax為原始數(shù)據(jù)的最大值;Z為變換后的數(shù)據(jù)。預(yù)測運(yùn)算完成后,對結(jié)果數(shù)據(jù)進(jìn)行反歸一化處理,反歸一化公式為
ACC-ENN算法預(yù)測過程:
(1)Elman神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)按式(10)進(jìn)行預(yù)處理。
(2)根據(jù)預(yù)測模型,對蟻群各個參數(shù)進(jìn)行初始化設(shè)置。
(3)輸入訓(xùn)練樣本到蟻群聚類-Elman神經(jīng)網(wǎng)絡(luò)模型中,計算Elman神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出y(t)和訓(xùn)練樣本的期望輸出(t),并得到訓(xùn)練誤差e(t),計算相應(yīng)的適應(yīng)度函數(shù),采用蟻群聚類算法對瓦斯涌出量樣本進(jìn)行聚類分析,更新蟻群的信息素并計算轉(zhuǎn)移概率,記錄當(dāng)前最優(yōu)解。若滿足適應(yīng)度函數(shù)的精度或者到達(dá)迭代最大次數(shù),則搜索得到最優(yōu)Elman聚類中心,并根據(jù)聚類結(jié)果選取Elman神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本集。
(4)用ACC優(yōu)化算法對Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后,求得最優(yōu)蟻群聚類結(jié)果,即作為最優(yōu)Elman神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值。
(5)經(jīng)過多次迭代訓(xùn)練后,最終得到蟻群聚類-Elman神經(jīng)網(wǎng)絡(luò)模型。再對測試集進(jìn)行預(yù)測,Elman神經(jīng)網(wǎng)絡(luò)輸出端同時輸出預(yù)測結(jié)果。
(6)對預(yù)測結(jié)果采用式(11)作反歸一化處理,根據(jù)Elman神經(jīng)網(wǎng)絡(luò)得到的模型輸出和測試集輸出得到系統(tǒng)預(yù)測誤差。
2.1 絕對瓦斯涌出量影響因素選取
回采工作面絕對瓦斯涌出量影響因素很多[15],經(jīng)過與現(xiàn)場工程技術(shù)人員溝通以及參考相關(guān)資料,選取回采工作面絕對瓦斯涌出量的14個主要影響因素:煤層瓦斯含量(X1)、煤層埋藏深度(X2)、煤層厚度(X3)、煤層傾角(X4)、采高(X5)、日工作進(jìn)度(X6)、工作面長度(X7)、工作面采出率(X8)、鄰近層瓦斯含量(X9)、鄰近層厚度(X10)、鄰近層間距(X11)、頂板管理方式(X12)、開采強(qiáng)度(X13)、層間巖性(X14)。將這14個主要影響因素作為Elman神經(jīng)網(wǎng)絡(luò)的輸入樣本,實(shí)時對瓦斯涌出量Y進(jìn)行預(yù)測。
2.2 瓦斯涌出量ACC-ENN動態(tài)預(yù)測模型的建立
根據(jù)分析的14個絕對瓦斯涌出量影響因素,通過煤礦絕對瓦斯涌出量的實(shí)際測試數(shù)據(jù),選取16組數(shù)據(jù)用作Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練(具體數(shù)據(jù)見表1的 1~16組),選取4組瓦斯涌出量數(shù)據(jù)用來檢驗預(yù)測模型的精確程度(具體數(shù)據(jù)見表1的17~20組),建立絕對瓦斯涌出量的ACC-ENN預(yù)測模型。預(yù)測模型結(jié)構(gòu)如圖2所示。
表1 回采工作面絕對瓦斯涌出量與影響因素數(shù)據(jù)統(tǒng)計Table 1 The statistical data of coalface gas em ission and influencing factors
圖2 絕對瓦斯涌出量預(yù)測模型結(jié)構(gòu)Fig.2 The structure of absolute gas emission prediction model
在瓦斯涌出量預(yù)測系統(tǒng)建模中,采用蟻群聚類優(yōu)化算法通過最優(yōu)聚類中心對以Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值為向量值的蟻群聚類搜索空間進(jìn)行尋優(yōu),得到最好的適應(yīng)度函數(shù),并將其最優(yōu)結(jié)果反饋給模型(圖2),經(jīng)過多次迭代,y~(t)-y(t)=e(t)→0,最終得到ACC-ENN動態(tài)預(yù)測模型。
2.3 絕對瓦斯涌出量預(yù)測模型檢驗及實(shí)例分析
本文選取開灤礦業(yè)集團(tuán)錢家營礦區(qū)2009年5月至2010年12月的回采工作面絕對瓦斯涌出量歷史監(jiān)測數(shù)據(jù)進(jìn)行建模分析和預(yù)測,選取了幾個對瓦斯涌出量影響較大的因素的歷史數(shù)據(jù)作為預(yù)測模型的訓(xùn)練、測試樣本集。根據(jù)煤礦絕對瓦斯涌出量的影響因素,確定Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和蟻群聚類算法的初始參數(shù)如下。輸入層節(jié)點(diǎn)數(shù)為14+1=15;Elman神經(jīng)網(wǎng)絡(luò)的隱層中心值取蟻群聚類的中心值,所以隱層節(jié)點(diǎn)數(shù)=反饋層節(jié)點(diǎn)數(shù)=聚類個數(shù)=6;輸出層節(jié)點(diǎn)數(shù)為1。蟻群為100組,每組有3只螞蟻,α=0.9,β= 1.5,螞蟻釋放的信息素密度D=1。最大迭代次數(shù)Tmax=1 000。
通過Matlab2009結(jié)合表1數(shù)據(jù)對回采工作面絕對瓦斯涌出量預(yù)測模型進(jìn)行仿真試驗,將表1中前16個回采工作面的數(shù)據(jù)用來訓(xùn)練,后4個回采工作面的數(shù)據(jù)用來檢驗預(yù)測模型的精確程度。圖3為瓦斯涌出量實(shí)際值與預(yù)測值的對比。由圖3可知,該預(yù)測模型預(yù)測效果好,擬合精度高。
圖3 瓦斯涌出量預(yù)測值與實(shí)際值對比Fig.3 The contrastof gas emission prediction and practical values
圖4為蟻群聚類-Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型的收斂過程圖,通過收斂曲線可以看出蟻群聚類優(yōu)化算法能將誤差降至允許的誤差范圍。
圖4 收斂過程Fig.4 The diagram of convergence
表2為ACC-ENN瓦斯涌出量預(yù)測模型與RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型、Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行比較。表2中的試驗數(shù)據(jù)可以看出運(yùn)用ACC-ENN預(yù)測算法的相對誤差明顯低于其他2種預(yù)測算法。預(yù)測結(jié)果表明ACC-ENN預(yù)測算法具有較高的預(yù)測精度和較好的泛化能力,能夠準(zhǔn)確地對煤礦瓦斯涌出量進(jìn)行預(yù)測,達(dá)到理想的預(yù)測效果。
表2 3種預(yù)測模型預(yù)測效果對比分析Table 2 The different p rediction model prediction effects contrast and analysis
(1)煤礦瓦斯涌出量的影響因素較多,提出了ACC-ENN瓦斯涌出量預(yù)測模型,可以對瓦斯涌出量與其影響因素之間的非線性關(guān)系進(jìn)行逼近,非線性學(xué)習(xí)能力強(qiáng)。
(2)由于Elman神經(jīng)網(wǎng)絡(luò)算法本身存在學(xué)習(xí)速度慢、精度低、魯棒性差等缺陷,使得將其應(yīng)用到煤礦瓦斯涌出量預(yù)測模型中,容易影響瓦斯涌出量預(yù)測精度,所以采用蟻群聚類算法對Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值進(jìn)行尋優(yōu)。
(3)通過礦井絕對瓦斯涌出量預(yù)測試驗,結(jié)果表明:基于ACC-ENN的瓦斯涌出量預(yù)測模型與RBF神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)兩種預(yù)測方法相比,具有更快的收斂速度和更高的預(yù)測精度,相對誤差明顯低于其他預(yù)測模型,有效地實(shí)現(xiàn)了煤礦瓦斯涌出量動態(tài)預(yù)測。
[1] 石 琨.綜放工作面瓦斯綜合治理技術(shù)[J].煤炭科學(xué)技術(shù), 2012,40(5):63-66.Shi Kun.Gas comprehensive control technology of fully mechanized top coal cavingmining face[J].Coal Science and Technology,2012, 40(5):63-66.
[2] 呂 伏,梁 冰,孫維吉,等.基于主成分回歸分析法的回采工作面瓦斯涌出量預(yù)測[J].煤炭學(xué)報,2012,37(1):113-116.
LüFu,Liang Bing,Sun Weiji,etal.Gas emission quantity prediction of working face based on principal component regression analysis method[J].Journal of China Coal Society,2012,37(1):113-116.
[3] 白云霄.基于神經(jīng)網(wǎng)絡(luò)算法的煤礦瓦斯涌出量預(yù)測模型研究[J].煤炭技術(shù),2012,31(11):104-105.
Bai Yunxiao.Research on coalmine gas emission forecastingmodel based on neural network algorithm[J].Coal Technology,2012,31 (11):104-105.
[4] 朱紅青,常文杰,張 彬.回采工作面瓦斯涌出BP神經(jīng)網(wǎng)絡(luò)分源預(yù)測模型及應(yīng)用[J].煤炭學(xué)報,2007,32(5):504-508.
Zhu Hongqing,Chang Wenjie,Zhang Bin.Different-source gasemis-sion prediction model of working face basedon BP artificialneural network and its app lication[J].Journal of China Coal Society,2007, 32(5):504-508.
[5] 李國禎,李希建,孟昭君,等.基于灰色理論的礦井未開采區(qū)瓦斯涌出量預(yù)測[J].煤炭工程,2010,29(9):85-87.
Li Guozhen,Li Xijian,Meng Zhaojun,et al.Prediction on gas emission value from unmined block ofmine base on grey theory[J].Coal Engineering,2010,29(9):85-87.
[6] 谷 松,崔洪慶,馮文麗.基于灰色理論的小波神經(jīng)網(wǎng)絡(luò)對瓦斯涌出量的預(yù)測[J].煤炭學(xué)報,2007,32(9):964-966.
Gu Song,Cui Hongqing,Feng Wenli.Mine gas gushing forecasting based on greymodeland waveletneural network[J].Journal of China Coal Society,2007,32(9):964-966.
[7] 王曉路,劉 健,盧建軍.基于虛擬狀態(tài)變量的卡爾曼濾波瓦斯涌出量預(yù)測[J].煤炭學(xué)報,2011,36(1):80-85.
Wang Xiaolu,Liu Jian,Lu Jianjun.Gas emission quantity forecasting based on virtual state variables and Kalmanfilter[J].Journal of China Coal Society,2011,36(1):80-85.
[8] 王其軍,程久龍.基于免疫神經(jīng)網(wǎng)絡(luò)模型的瓦斯?jié)舛戎悄茴A(yù)測[J].煤炭學(xué)報,2008,33(6):666-668.
Wang Qijun,Cheng Jiulong.Forecast of coalmine gas concentration based on the immune neural network model[J].Journal of China Coal Society,2008,33(6):666-668.
[9] 崔鴻偉.長壁采煤工作面瓦斯涌出量影響因素實(shí)測研究[J].煤炭科學(xué)技術(shù),2011,39(11):70-72.
Cui Hongwei.Site measurement study on influence factors of gas emission value from mechanized longwall coalmining face[J].Coal Science and Technology,2011,39(11):70-72.
[10] 王春曉,陳開巖,張 寶.基于Elman組合預(yù)測模型的瓦斯涌出量預(yù)測[J].黑龍江科技學(xué)院學(xué)報,2011,21(4):285-288.
Wang Chunxiao,Chen Kaiyan,Zhang Bao.Amount of gas emission prediction base on Elman and combination prediction model[J].Journal of Heilongjiang of Science and Technology,2011,21(4): 285-288.
[11] 付 華,姜 偉,單欣欣.基于耦合算法的煤礦瓦斯涌出量預(yù)測模型研究[J].煤炭學(xué)報,2012,37(4):654-658.
Fu Hua,Jiang Wei,Shan Xinxin.Study on coupling algorithm on coalmine gas emission forecast model[J].Journal of China Coal Society,2012,37(4):654-658.
[12] Shao Liangshan,Fu Guixiang.Disaster prediction of coalmine gas based on datamining[J].Journal of Coal Science&Engineering (China),2008,14(3):458-463.
[13] 王曉路.基于蟻群算法優(yōu)化SVM的瓦斯涌出量預(yù)測[J].煤炭技術(shù),2011,30(5):81-82.
Wang Xiaolu.Forecasting ofgasemission quantity based on ant colony optimization SVM[J].Coal Technology,2011,30(5):81-82.
[14] 華 臻,王振鐘.蟻群優(yōu)化算法在礦井中的應(yīng)用[J].煤炭學(xué)報,2008,33(3):353-356.
Hua Zhen,Wang Zhenzhong.App lication of ant colony algorithm to mine[J].Journal of China Coal Society,2008,33(3):353-356.
[15] 孫 林,楊世元.基于LS-SVM的回采工作面瓦斯涌出量預(yù)測[J].煤炭學(xué)報,2008,33(12):1376-1380.
Sun Lin,Yang Shiyuan.Prediction for gas emission quantity of the working face based on LS-SVM[J].Journalof China Coal Society, 2008,33(12):1376-1380.
Gas em ission dynam ic prediction model of coalm ine based on ACC-ENN algorithm
FU Hua1,XIE Sen1,XU Yao-song1,CHEN Zi-chun2
(1.Faculty of Electrical&Control Engineering,Liaoning Technical University,Huludao 125105,China;2.Kailuan Group Co.,Ltd.,Tangshan 063018, China)
For the purpose ofachievingmore accurate and reliable gas emission dynamic prediction through effective analysis of gasmeasuring data in mines,this paper put forward amethod that use ant colony clustering to optimize Elman neural network.Ant colony clustering algorithm wasmerged with Elman neural network to optimize weight and threshold.Themodel of gas emission quantity prediction was established by ACC-ENN algorithm,with the historical data ofmine actualmonitoring to experimentand analysis.The results show that the Elman neuralnetworkmodel optimized by ant colony clustering than other predictionmodel has better generalization ability and higher precision of prediction,to realize the dynamic forecast of gas emission effectively.
absolute gas emission quantity;ant colony clustering;Elman neural network;dynamic prediction
TD712
A
0253-9993(2014)07-1296-06
付 華,謝 森,徐耀松,等.基于ACC-ENN算法的煤礦瓦斯涌出量動態(tài)預(yù)測模型研究[J].煤炭學(xué)報,2014,39(7):1296-1301.
10.13225/j.cnki.jccs.2013.0773
Fu Hua,Xie Sen,Xu Yaosong,et al.Gas emission dynamic prediction model of coal mine based on ACC-ENN algorithm[J].Journal of China Coal Society,2014,39(7):1296-1301.doi:10.13225/j.cnki.jccs.2013.0773
2013-07-01 責(zé)任編輯:畢永華
國家自然科學(xué)基金資助項目(51274118);遼寧省科技攻關(guān)資助項目(2011229011)
付 華(1962—),女,遼寧阜新人,教授,博士生導(dǎo)師。E-mail:fxfuhua@163.com