基于SOM-RBF算法的瓦斯涌出量動(dòng)態(tài)預(yù)測(cè)模型研究*

付 華，劉 汀，張勝?gòu)?qiáng)，趙東紅

（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.國(guó)網(wǎng)遼寧省電力有限公司遼陽(yáng)供電公司，遼寧遼陽(yáng)11100）

基于SOM-RBF算法的瓦斯涌出量動(dòng)態(tài)預(yù)測(cè)模型研究*

付 華*，劉 汀，張勝?gòu)?qiáng)，趙東紅

（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.國(guó)網(wǎng)遼寧省電力有限公司遼陽(yáng)供電公司，遼寧遼陽(yáng)11100）

針對(duì)煤礦瓦斯涌出量的多影響因素預(yù)測(cè)問(wèn)題，以多傳感器的瓦斯監(jiān)測(cè)系統(tǒng)采集處理后的數(shù)據(jù)作為樣本，提出了一種自組織特征映射神經(jīng)網(wǎng)絡(luò)（Self-organizing Feature Maps，SOM）與多變量的徑向基函數(shù)(Radial Basis Function，RBF)結(jié)合的組合人工神經(jīng)網(wǎng)絡(luò)的模型動(dòng)態(tài)預(yù)測(cè)新方法。采用先聚類、再分類建模和預(yù)測(cè)的方法，解決了由于訓(xùn)練樣本有限和訓(xùn)練樣本點(diǎn)分散所導(dǎo)致的預(yù)測(cè)精度降低的問(wèn)題，并通過(guò)礦井監(jiān)測(cè)到的各項(xiàng)歷史數(shù)據(jù)進(jìn)行試驗(yàn)。結(jié)果表明，與其他預(yù)測(cè)模型相比較，該模型的預(yù)測(cè)精度更高，泛化能力更強(qiáng)。預(yù)測(cè)平均相對(duì)誤差為2.16%，均相對(duì)變動(dòng)值A(chǔ)RV為0.005 9，均方根誤差RMSE為0.131 1，有效地實(shí)現(xiàn)了對(duì)煤礦絕對(duì)瓦斯涌出量的動(dòng)態(tài)預(yù)測(cè)，有較高的實(shí)用價(jià)值。

多傳感器；瓦斯涌出量；自組織特征映射神經(jīng)網(wǎng)絡(luò)；徑向基函數(shù)；動(dòng)態(tài)預(yù)測(cè)

瓦斯災(zāi)害是一種極其復(fù)雜而含瓦斯煤巖動(dòng)力災(zāi)害現(xiàn)象［1-2］，嚴(yán)重制約了煤礦生產(chǎn)和經(jīng)濟(jì)效益，并且給煤礦安全生產(chǎn)特別是井下工作人員的生命財(cái)產(chǎn)造成了極其嚴(yán)重的威脅及其心理上的巨大壓力。在空氣中，瓦斯?jié)舛仍?%～16%范圍內(nèi)遇火能引起爆炸；當(dāng)其濃度大于43%的時(shí)候，人就會(huì)因缺氧而造成窒息死亡。對(duì)煤礦井下絕對(duì)瓦斯涌出量精準(zhǔn)的預(yù)測(cè)是防止瓦斯災(zāi)害的關(guān)鍵，也可以幫助人們及時(shí)采取有效措施，以降低經(jīng)濟(jì)損失和人員傷亡。截止目前，許多國(guó)內(nèi)外的專家學(xué)者針對(duì)于瓦斯涌出量的預(yù)測(cè)研究提出了很多方法。如，支持向量機(jī)［3］、遺傳算法［4］、灰色理論［5］、粗糙集理論［6］等。以上這些方法各有各的特點(diǎn)，均在煤礦安全生產(chǎn)中發(fā)揮了一定的作用，但是這些方法的瓦斯涌出量的預(yù)測(cè)誤差比較大，存在一定的局限性。同時(shí)，瓦斯涌出量受多種因素影響［7］，如：煤層厚度、煤層傾角、開(kāi)采強(qiáng)度、層間巖性等，所以，瓦斯涌出量預(yù)測(cè)被認(rèn)為是一項(xiàng)隨時(shí)間動(dòng)態(tài)發(fā)展的、比較復(fù)雜的系統(tǒng)工程，若采用固定的網(wǎng)絡(luò)及參數(shù)訓(xùn)練，模型會(huì)缺乏時(shí)效性，進(jìn)而很難做出準(zhǔn)確的預(yù)測(cè)和描述。

人工神經(jīng)網(wǎng)絡(luò)ANN（Artificial Neural Network）［8］是對(duì)人腦和其他動(dòng)物大腦神經(jīng)網(wǎng)絡(luò)的一種抽象和建模，它可以通過(guò)大量樣本的學(xué)習(xí)來(lái)抽取出隱含在樣本中的因果關(guān)系，能分析較為復(fù)雜的非線性系統(tǒng)和解決智能控制問(wèn)題。因此，將神經(jīng)網(wǎng)絡(luò)方法用于煤與瓦斯突出預(yù)測(cè)將是十分有效的。BP神經(jīng)網(wǎng)絡(luò)BP(Back-Propagation)是人工神經(jīng)網(wǎng)絡(luò)中的一個(gè)重要分支，已經(jīng)在煤與瓦斯突出預(yù)測(cè)研究中取得了廣泛應(yīng)用。然而，要獲得較高的預(yù)測(cè)精度，利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)時(shí)需要大量的訓(xùn)練樣本，但是，在實(shí)際應(yīng)用中，往往是訓(xùn)練樣本有限，而且訓(xùn)練樣本點(diǎn)不均勻。針對(duì)上述問(wèn)題，引入SOM神經(jīng)網(wǎng)絡(luò)(Self-Organizing Feature Map，SOM)［9-10］先對(duì)評(píng)測(cè)樣本進(jìn)行自動(dòng)聚類，再根據(jù)聚類結(jié)果分別對(duì)每一類樣本進(jìn)行建模和預(yù)測(cè)。RBF(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)相比，具有預(yù)算速度更快，而且不易陷入局部最小點(diǎn)優(yōu)點(diǎn)，所以選用RBF神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行建模和預(yù)測(cè)。

為了避免由于訓(xùn)練樣本點(diǎn)分散所導(dǎo)致的預(yù)測(cè)精度降低，采用先聚類、再分類建模和預(yù)測(cè)的方法。將SOM和RBF結(jié)合起來(lái)，構(gòu)成組合人工神經(jīng)網(wǎng)絡(luò)，在評(píng)測(cè)樣本有限且訓(xùn)練樣本點(diǎn)分布不均勻的情況下，得到更高的預(yù)測(cè)精度，實(shí)現(xiàn)對(duì)絕對(duì)瓦斯涌出量的動(dòng)態(tài)預(yù)測(cè)。

1 基于多傳感器網(wǎng)絡(luò)的礦井瓦斯監(jiān)測(cè)系統(tǒng)

由于被測(cè)量對(duì)象多為具有不同特征的非電量，因此，首先要經(jīng)過(guò)傳感器轉(zhuǎn)換電路將這些非電信號(hào)轉(zhuǎn)換成電信號(hào)，然后通過(guò)A/D轉(zhuǎn)換將它們轉(zhuǎn)換成能由計(jì)算機(jī)處理的數(shù)字量。由于環(huán)境等隨機(jī)因素的影響，數(shù)字化后的電信號(hào)不可避免地存在一些噪音信號(hào)和干擾，通過(guò)預(yù)處理，采用濾波等方法濾除數(shù)據(jù)采集過(guò)程中的噪音信號(hào)和干擾，經(jīng)過(guò)特征提取，得到有用信號(hào)。各個(gè)井下分站用于實(shí)現(xiàn)對(duì)井下?tīng)顟B(tài)的直接監(jiān)控，同時(shí)，將經(jīng)過(guò)預(yù)處理的有用信號(hào)傳送給地面中心站。地面中心站由計(jì)算機(jī)和信號(hào)傳輸接口組成。信號(hào)傳輸接口將井下傳來(lái)的信號(hào)解調(diào)送入計(jì)算機(jī)，根據(jù)多傳感器網(wǎng)絡(luò)瓦斯監(jiān)測(cè)系統(tǒng)采集到的信息數(shù)據(jù)，提出在井上監(jiān)控計(jì)算機(jī)建立基于SOM-RBF的組合人工神經(jīng)網(wǎng)絡(luò)瓦斯涌出量動(dòng)態(tài)預(yù)測(cè)模型，以實(shí)現(xiàn)一種可靠、精確且具備連續(xù)非接觸式預(yù)測(cè)能力的瓦斯涌出量預(yù)測(cè)新方法。

礦井瓦斯監(jiān)測(cè)［11］系統(tǒng)結(jié)構(gòu)圖如圖1所示。

圖1 礦井瓦斯監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)框圖

礦井瓦斯監(jiān)測(cè)系統(tǒng)的感知部分是檢測(cè)傳感器，它用來(lái)測(cè)量影響礦井安全的各種參量或者判斷設(shè)備、機(jī)器的運(yùn)行狀態(tài)。多傳感器的模型示意圖如圖2所示。

圖2 多傳感器的數(shù)學(xué)模型示意圖

2 組合人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)

2.1 RBF和SOM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和工作原理

2.1.1 RBF神經(jīng)網(wǎng)絡(luò)

多變量插值的徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)(Radial Basis Function，RBF)［12-13］與BP神經(jīng)網(wǎng)絡(luò)類似，同樣具有函數(shù)逼近和預(yù)測(cè)功能，并且它的非線性逼近能力更強(qiáng)，還有網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單以及學(xué)習(xí)速度快等特點(diǎn)，在模式識(shí)別、函數(shù)逼近、系統(tǒng)建模和控制等領(lǐng)域具有更廣泛的應(yīng)用。其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3所示為v-n-w結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡(luò)，即網(wǎng)絡(luò)具有v個(gè)輸入、n個(gè)隱節(jié)點(diǎn)和w個(gè)輸出。其中a=(a1,a2,…,av)h∈Rv為網(wǎng)絡(luò)輸入矢量，T∈Rn×v為輸出權(quán)矩陣，b1,b2,…,bw為輸出單元偏移，y=(y1,y2,…,yw)h為網(wǎng)絡(luò)輸出，為第i個(gè)隱節(jié)點(diǎn)的激活函數(shù)。圖3中輸出層節(jié)點(diǎn)中的Σ表示輸出層神經(jīng)元采用線性激活函數(shù)。

圖3 RBF神經(jīng)網(wǎng)絡(luò)示意圖

建立一個(gè)RBF神經(jīng)網(wǎng)絡(luò)的步驟：

（1）向網(wǎng)絡(luò)提供訓(xùn)練所需的輸入矢量、對(duì)應(yīng)的目標(biāo)矢量以及擴(kuò)展參數(shù)。

（2）按照已確定的算法進(jìn)行訓(xùn)練，當(dāng)達(dá)到給定誤差要求時(shí)，確定最終網(wǎng)絡(luò)各層的權(quán)值和閾值，進(jìn)而確定網(wǎng)絡(luò)結(jié)構(gòu)用以完成訓(xùn)練。

2.1.2 SOM神經(jīng)網(wǎng)絡(luò)

SOM神經(jīng)網(wǎng)絡(luò)（Self-organizing Feature Maps）全稱自組織特征映射神經(jīng)網(wǎng)絡(luò)，是1981年由芬蘭赫爾辛基大學(xué)神經(jīng)網(wǎng)絡(luò)專家Teuvo Kohonen教授提出的。這種網(wǎng)絡(luò)模擬大腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)自組織特征映射的功能，是一種競(jìng)爭(zhēng)式網(wǎng)絡(luò)，并且在學(xué)習(xí)中能進(jìn)行無(wú)導(dǎo)師自組織學(xué)習(xí)。它能通過(guò)自身的訓(xùn)練，可以對(duì)輸入模式自動(dòng)進(jìn)行聚類。聚類即在無(wú)先驗(yàn)知識(shí)的情況下，輸入未標(biāo)記的原始數(shù)據(jù)集，自動(dòng)找出輸入數(shù)據(jù)之間的類似度，將相思的模式樣本劃歸為一類，分離開(kāi)不相似的對(duì)象。其網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 SOM神經(jīng)網(wǎng)絡(luò)示意圖

圖4所示的SOM神經(jīng)網(wǎng)絡(luò)由輸入層和映射層(輸出層)雙層組成。輸入層有v個(gè)神經(jīng)元，映射層有w個(gè)神經(jīng)元，每個(gè)神經(jīng)元都是一個(gè)向量，輸入層的維數(shù)與輸入樣本向量維數(shù)相同，映射層節(jié)點(diǎn)通常呈現(xiàn)二維陣列分布，一個(gè)映射點(diǎn)代表一個(gè)神經(jīng)元。輸入層用于接收外界信息，將輸入模式向映射層傳遞；映射層負(fù)責(zé)尋找規(guī)律并歸類，輸出結(jié)果。映射層中的神經(jīng)元相互連接，并且每個(gè)輸出神經(jīng)元連接至所有輸入神經(jīng)元，共同完成模式聚類功能。

在網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中：

（1）把輸入向量X=(X1,X2,X3,…,Xm)T輸入給輸入層。

（2）在映射層，計(jì)算各神經(jīng)元的權(quán)值向量和輸入向量的歐氏距離。映射層的第i個(gè)神經(jīng)元和輸入向量的距離公式：

公式（1）中wji為輸入層的j神經(jīng)元和映射層的i神經(jīng)元之間的權(quán)值。

（3）計(jì)算并選擇使輸入向量和權(quán)值向量的距離最短的神經(jīng)元，如di為最短，則di被稱為勝出神經(jīng)元，記為i*，并給出其相鄰神經(jīng)元集合。

（4）勝出的神經(jīng)元和位于其相鄰神經(jīng)元的權(quán)值，按照下面公式更新：

公式（3）中，σ2會(huì)隨著學(xué)習(xí)的進(jìn)行而減小。所以，的范圍在學(xué)習(xí)初期很寬，隨著學(xué)習(xí)的進(jìn)行而逐漸變窄。即隨著學(xué)習(xí)的進(jìn)行從粗調(diào)整向微調(diào)整變化。這樣，鄰域函數(shù)h(i,i*)會(huì)起到產(chǎn)生有效映射的作用。

（5）達(dá)到要求運(yùn)算結(jié)束，否則返回進(jìn)行下一輪的學(xué)習(xí)。

2.2 組合人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)原理

瓦斯涌出量預(yù)測(cè)是一個(gè)高度非線性問(wèn)題，人們通過(guò)對(duì)某些特征的觀察來(lái)獲取預(yù)測(cè)因子的信息。然而，這些預(yù)測(cè)因子的信息之間可能存在著非常復(fù)雜的相互作用，因此，在訓(xùn)練時(shí)，傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)過(guò)擬合現(xiàn)象，這樣預(yù)測(cè)可能會(huì)不夠準(zhǔn)確。尤其在像瓦斯涌出量預(yù)測(cè)這樣訓(xùn)練樣本有限的問(wèn)題中，傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)模型的建立更加困難。

實(shí)際中，當(dāng)系統(tǒng)的某些影響因素越相似時(shí)，系統(tǒng)遵循的規(guī)律越類似。因此，根據(jù)輸入樣本點(diǎn)較相似、密度大時(shí)，領(lǐng)域預(yù)測(cè)精度更高的網(wǎng)絡(luò)特性，組合人工神經(jīng)網(wǎng)絡(luò)應(yīng)該是一種提高預(yù)測(cè)精度的有效方法，它對(duì)訓(xùn)練樣本先進(jìn)行聚類、再分別訓(xùn)練和建模，最后進(jìn)行預(yù)測(cè)。因此，按訓(xùn)練樣本的內(nèi)在規(guī)律，利用SOM神經(jīng)網(wǎng)絡(luò)自動(dòng)將其分為若干類。針對(duì)每一類樣本，再分別輸入RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行建模和預(yù)測(cè)。這樣，由于每類RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本都遵循相類似的內(nèi)在規(guī)律，可以將原來(lái)分布不均勻的各樣本點(diǎn)集中到各自相鄰的領(lǐng)域，從而預(yù)測(cè)精度將會(huì)大大提高。

2.3 組合人工神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)

基于SOM和RBF的組合人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)的工作流程如圖5所示。

圖5 組合人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)工作流程

如圖5所示，組合人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的實(shí)現(xiàn)步驟如下：

（1)給出一定數(shù)量的瓦斯涌出量預(yù)測(cè)樣本點(diǎn)，其中包括用于訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本點(diǎn)，以及用于預(yù)測(cè)檢驗(yàn)的測(cè)試樣本點(diǎn)。根據(jù)樣本點(diǎn)個(gè)數(shù)以及樣本點(diǎn)維度選擇構(gòu)建合適大小的SOM神經(jīng)網(wǎng)絡(luò)。

（2)把全部數(shù)據(jù)先進(jìn)行歸一化處理，其自變量定義域?yàn)椋?，1］。歸一化公式為：

公式（4）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；為變化后的數(shù)據(jù)。規(guī)定SOM神經(jīng)網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)，并開(kāi)始自動(dòng)訓(xùn)練，SOM神經(jīng)網(wǎng)絡(luò)將自動(dòng)把輸入的樣本點(diǎn)分為若干樣本類，每個(gè)樣本類內(nèi)的樣本點(diǎn)都有較高的內(nèi)在相似規(guī)律。

（3)在SOM神經(jīng)網(wǎng)絡(luò)分出的每一種樣本類內(nèi)各自構(gòu)建一個(gè)RBF神經(jīng)網(wǎng)絡(luò)，并分別用各種樣本類內(nèi)的訓(xùn)練樣本來(lái)訓(xùn)練該類的RBF神經(jīng)網(wǎng)絡(luò)。

（4)訓(xùn)練結(jié)束后，對(duì)測(cè)試結(jié)果進(jìn)行反歸一化處理，公式為：

這樣，每種樣本類中的RBF神經(jīng)網(wǎng)絡(luò)都能夠?qū)υ擃愔械臏y(cè)試樣本進(jìn)行預(yù)測(cè)，進(jìn)而得到預(yù)測(cè)結(jié)果。由于每種RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本及測(cè)試樣本事先都經(jīng)過(guò)SOM神經(jīng)網(wǎng)絡(luò)的分類，所以具有高度的內(nèi)在相似性，可以得到較高的預(yù)測(cè)精度。

3 絕對(duì)瓦斯涌出量動(dòng)態(tài)預(yù)測(cè)仿真與分析

3.1 影響絕對(duì)瓦斯涌出量幾個(gè)重要因素的選取

瓦斯涌出量的影響因素很多，選取13個(gè)主要影響因素［14］：煤層埋藏深度(K1)、開(kāi)采層原始瓦斯含量(K2)、煤層厚度(K3)、煤層傾角(K4)、工作面長(zhǎng)度(K5)、日工作進(jìn)度(K6)、工作面采出率(K7)、采高(K8)、開(kāi)采強(qiáng)度(K9)、鄰近層瓦斯含量（K10）、鄰近層厚度(K11)、鄰近層間距(K12)、層間巖性(K13)。這13個(gè)主要影響因素和實(shí)際瓦斯涌出量均經(jīng)歸一化處理，作為輸入和目標(biāo)向量。

用于瓦斯涌出量預(yù)測(cè)模型的試驗(yàn)數(shù)據(jù)來(lái)自開(kāi)灤礦業(yè)集團(tuán)錢(qián)家營(yíng)礦區(qū)的煤礦安全綜合監(jiān)測(cè)系統(tǒng)。截取2014年1月至2014年9月的回采工作面絕對(duì)瓦斯涌出量的監(jiān)測(cè)數(shù)據(jù)。按主要影響因素的不同進(jìn)行統(tǒng)計(jì)和分析，選取具有代表性的樣本，剔除不可靠的數(shù)據(jù)，最終篩選出了18組數(shù)據(jù)，其中，前12組作為網(wǎng)絡(luò)的訓(xùn)練樣本，后6組作為用來(lái)檢驗(yàn)網(wǎng)絡(luò)性能的測(cè)試樣本，如表1所示。

表1 絕對(duì)瓦斯涌出量與影響因素的數(shù)據(jù)統(tǒng)計(jì)

續(xù)表1

由于樣本數(shù)據(jù)向量中各個(gè)指標(biāo)有所不同，為了防止部分神經(jīng)元達(dá)到過(guò)飽和狀態(tài)以及方便計(jì)算，先對(duì)樣本的輸入數(shù)據(jù)按公式（4）進(jìn)行預(yù)處理。

3.2 瓦斯涌出量預(yù)測(cè)步驟

①先用SOM神經(jīng)網(wǎng)絡(luò)對(duì)18組樣本進(jìn)行分類。調(diào)用Matlab［15］神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)命令：net= newsom(minmax(P)，［1，a］)；net.trainParam.epochs=b；對(duì)樣本進(jìn)行分類。其中，a為分類數(shù)目，b為訓(xùn)練次數(shù)。由訓(xùn)練結(jié)果可知，當(dāng)訓(xùn)練次數(shù)大于300次的時(shí)候，誤差就很小了，所以，選擇訓(xùn)練500次。分別取a=2，3，4，如表2～表4所示。

表2 SOM神經(jīng)網(wǎng)絡(luò)分成兩類結(jié)果

表3 SOM神經(jīng)網(wǎng)絡(luò)分成三類結(jié)果

表4 SOM神經(jīng)網(wǎng)絡(luò)分成四類結(jié)果

由實(shí)際情況分析和上面三個(gè)表格的分類比較可以看出，將18組數(shù)據(jù)自適應(yīng)分成三類比較合適。

②分別針對(duì)已經(jīng)分好的每一類樣本采用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行建模。根據(jù)影響煤礦絕對(duì)瓦斯涌出量的動(dòng)態(tài)影響因素、實(shí)際數(shù)據(jù)和其網(wǎng)絡(luò)自身的特點(diǎn)，確定RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，選取如下：輸入層神經(jīng)元數(shù)目：S1=13；隱含神經(jīng)元數(shù)目通過(guò)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程自動(dòng)調(diào)整（H）；輸出層神經(jīng)元數(shù)目：S3=1。

通過(guò)調(diào)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中newrbe函數(shù)創(chuàng)建一個(gè)三層的RBF神經(jīng)網(wǎng)絡(luò)。通過(guò)迭代的方法設(shè)計(jì)隱含層，即每迭代1次就增加1個(gè)隱含層神經(jīng)元，直到平方和誤差下降到目標(biāo)誤差以下，或者神經(jīng)元數(shù)目達(dá)到最大值的時(shí)候停止。函數(shù)格式為：

公式中：P表示輸入向量；T表示目標(biāo)向量；GOAL為均方誤差，設(shè)為10-4，SPREAD為徑向基函數(shù)的分布密度，取不同的spread值，分別對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行多次嘗試性訓(xùn)練后，選取最佳值0.49；MN為神經(jīng)元的最大數(shù)目，取值為40；DF為兩次顯示之間所添加的神經(jīng)元數(shù)目。

構(gòu)建了一個(gè)由13個(gè)輸入單元、16個(gè)隱含單元層和以瓦斯涌出量為1個(gè)單元輸出的RBF神經(jīng)網(wǎng)絡(luò)模型，如圖6所示。

圖6 瓦斯涌出量預(yù)測(cè)RBF神經(jīng)網(wǎng)絡(luò)示意圖

③樣本訓(xùn)練過(guò)程就是RBF神經(jīng)網(wǎng)絡(luò)的建立過(guò)程。訓(xùn)練完之后，即可用于對(duì)測(cè)試樣本的預(yù)測(cè)。

3.3 預(yù)測(cè)仿真結(jié)果分析

根據(jù)上述瓦斯涌出量預(yù)測(cè)步驟，通過(guò)Matlab結(jié)合表1數(shù)據(jù)對(duì)瓦斯涌出量預(yù)測(cè)模型進(jìn)行仿真試驗(yàn)，可以得到基于SOM和RBF的組合人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果。表1中1組～12組數(shù)據(jù)用來(lái)訓(xùn)練，13組～18組數(shù)據(jù)用來(lái)檢驗(yàn)預(yù)測(cè)模型的精確程度。圖7為瓦斯涌出量實(shí)際值與預(yù)測(cè)值的對(duì)比。由圖7可知，該預(yù)測(cè)模型對(duì)當(dāng)下影響因素的變化有著良好的跟蹤能力，預(yù)測(cè)效果較好，并且對(duì)絕對(duì)瓦斯涌出量擬合精度較高。

圖7 瓦斯涌出量實(shí)際值與預(yù)測(cè)值對(duì)比

預(yù)測(cè)模型的實(shí)質(zhì)就是利用已經(jīng)獲取的瓦斯涌出量的信息，通過(guò)動(dòng)態(tài)反饋功能的RBF在線學(xué)習(xí)，從而擬合出瓦斯涌出非線性系統(tǒng)來(lái)預(yù)測(cè)近期開(kāi)采工作面的瓦斯涌出量。在建模時(shí)將表征時(shí)變系統(tǒng)的動(dòng)態(tài)特性引入到模型中，以達(dá)到準(zhǔn)確地反映非線性時(shí)變系統(tǒng)輸出與輸入的關(guān)系的目的，行之有效的方法就是把系統(tǒng)的歷史的輸出量與輸入量作為輸入的一部分再次引入到預(yù)測(cè)模型中。由于考慮到預(yù)測(cè)的實(shí)時(shí)性，選取最新的m個(gè)數(shù)據(jù)作為樣本對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化以達(dá)到動(dòng)態(tài)預(yù)測(cè)的目的。

為了突出動(dòng)態(tài)預(yù)測(cè)的優(yōu)越性，取前10組數(shù)據(jù)來(lái)分別模擬固定樣本和動(dòng)態(tài)預(yù)測(cè)的預(yù)測(cè)模式，預(yù)測(cè)的相對(duì)誤差比較如圖8所示。

由圖8可以看出：基于固定訓(xùn)練樣本在預(yù)測(cè)過(guò)程的后半段，預(yù)測(cè)精度產(chǎn)生了明顯的偏差，最大相對(duì)誤差達(dá)到了6.58%，說(shuō)明固定樣本的模型時(shí)效性有限，動(dòng)態(tài)預(yù)測(cè)具有很強(qiáng)的優(yōu)越性。

圖8 兩種模式預(yù)測(cè)相對(duì)誤差比較

圖9 三種方法誤差比較

采用平均相對(duì)變動(dòng)值(Average Relative Variance，ARV)為指標(biāo)來(lái)衡量預(yù)測(cè)模型的泛化能力，ARV值越小表明預(yù)測(cè)模型泛化能力越強(qiáng)。

用均方根誤差(Root Mean Square Error，RMSE)為指標(biāo)來(lái)衡量預(yù)測(cè)模型的預(yù)測(cè)精確程度。

公式（6）和公式（7）中，xi為實(shí)際值；為預(yù)測(cè)值；為預(yù)測(cè)平均值。

分別利用BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)采用表1數(shù)據(jù)建模，并且對(duì)13組～18組數(shù)據(jù)作出預(yù)測(cè)，進(jìn)而與SOM-RBF組合人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)效果對(duì)比。結(jié)果如表5所示。

表5 三種預(yù)測(cè)模型預(yù)測(cè)效果對(duì)比分析

由表2可以看出，SOM-RBF組合人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)最小相對(duì)誤差為1.22%，最大相對(duì)誤差為3.01%，平均相對(duì)誤差為2.16%，均顯低于其他兩種方法的誤差，且泛化能力明顯突出，預(yù)測(cè)效果較好，這充分體現(xiàn)了將評(píng)測(cè)樣本進(jìn)行先聚類、再分類建模和預(yù)測(cè)的優(yōu)化效果，能夠準(zhǔn)確地對(duì)煤礦瓦斯涌出量進(jìn)行預(yù)測(cè)，達(dá)到理想的預(yù)測(cè)效果。ARV為0.000 387，RMSE為0.103 4，滿足實(shí)際煤礦安全生產(chǎn)的精度需求。

4 結(jié)束語(yǔ)

瓦斯涌出量預(yù)測(cè)的困難在于瓦斯涌出量預(yù)測(cè)因子信息往往是高度非線性的，神經(jīng)網(wǎng)絡(luò)本身雖然具有強(qiáng)大的非線性處理能力，但是要提高網(wǎng)絡(luò)的預(yù)測(cè)精度，往往需要大量的訓(xùn)練樣本來(lái)訓(xùn)練網(wǎng)絡(luò)。像在瓦斯涌出量預(yù)測(cè)這樣訓(xùn)練樣本有限且樣本點(diǎn)分布不均的情況下，把SOM神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)結(jié)合在一起形成SOM-RBF組合人工神經(jīng)網(wǎng)絡(luò)，使其各自發(fā)揮自身特點(diǎn)，是一種提高預(yù)測(cè)精度的有效方法。實(shí)驗(yàn)結(jié)果表明，該方法較常用的BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)相比，具有更高的擬合精度與更強(qiáng)的泛化能力，并且預(yù)測(cè)的相對(duì)誤差明顯低于其他算法。說(shuō)明該方法可行、可靠，而且過(guò)程簡(jiǎn)便、快捷，可以有效地實(shí)現(xiàn)瓦斯涌出量趨勢(shì)演化的在線動(dòng)態(tài)預(yù)測(cè)，取得了良好的預(yù)測(cè)效果和較高的識(shí)別能力，其對(duì)于今后瓦斯涌出量預(yù)測(cè)具備一定的應(yīng)用價(jià)值。

［1］Liu Shuanhong，Shao liangshan，Lu Lin.Research on Forecast Method of Coal Mine Emergencies Base on Rough Sets-Neural Network and Case-based Reasoning［C］//2013 Third International Conference on Intelligent System Design and Engineering Applications(ISDEA)，IEEE，2013，1：1171-1174.

［2］崔麗珍，員曼曼，李璋.面向煤礦井下WSN低功耗雙向時(shí)間同步算法研究與實(shí)現(xiàn)［J］.傳感技術(shù)學(xué)報(bào)，2014，27(9)：1253-1259.

［3］施式亮，李潤(rùn)求，羅文柯.基于EMD-PSO-SVM的煤礦瓦斯涌出量預(yù)測(cè)方法及應(yīng)用［J］.中國(guó)安全科學(xué)學(xué)報(bào)，2014，24(7)：43-49.

［4］王江榮.基于遺傳算法模糊多元線性回歸分析的瓦斯涌出量預(yù)測(cè)模型［J］.工礦自動(dòng)化，2013，39(12)：34-38.

［5］賈花萍.灰色Elman神經(jīng)網(wǎng)絡(luò)的礦井瓦斯涌出量預(yù)測(cè)［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2014，24(6)：236-239.

［6］Jing Hong，Yi Zhao.The Study of the Gas Emission Prediction Model Based on Fuzzy-rough Set Neural Network［C］//2010 Second International Conference onMachine Learning and Computing (ICMLC)，IEEE，2010，2：313-316.

［7］趙保平，趙紅星，王保峰.馬堡煤礦綜采工作面瓦斯涌出規(guī)律分析［J］.煤礦安全，2014，45(12)：189-192.

［8］毛健，趙紅東，姚婧婧.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用［J］.電子設(shè)計(jì)程序，2011，24(19)：62-65.

［9］Lanzarini L，Ronchetti F，Estrebou C.More Authors Face Recognition Based on Fuzzy Probabilistic SOM［C］//Intelligent System Design and Engineering Applications(ISDEA)，2013 Joint.IEEE，2013，6：310-314.

［10］Jacobs S，Rios-Gutierrez F.Self Organizing Maps for Monitoring Parameter Deterioration of DC and AC Motors［C］//Southeastcon，2013 Proceedings of IEEE.IEEE，2013，4：1-6.

［11］李紀(jì)榕，李福進(jìn)，吳艷微.基于無(wú)線傳感網(wǎng)絡(luò)的煤礦安全監(jiān)測(cè)系統(tǒng)設(shè)計(jì)［J］.傳感技術(shù)學(xué)報(bào)，2011，24(9)：1336-1340.

［12］Ding Shifei，Jia Weikuan，Su Chunyang.Research of Neural Network Algorithm Based on FA and RBF［C］//2010 2nd International Conference on Computer Engineering and Technology(ICCET)，IEEE，2010，4：16-18.

［13］王濤，王洋洋，郭長(zhǎng)娜，等.QGA-RBF神經(jīng)網(wǎng)絡(luò)在礦井瓦斯涌出量預(yù)測(cè)中的應(yīng)用［J］.傳感技術(shù)學(xué)報(bào)，2012，25(1)：119-123.

［14］柏樹(shù)森.礦井瓦斯涌出量影響因素分析［J］.企業(yè)技術(shù)開(kāi)發(fā)，2014，33(14)：179-180.

［15］Zhang Caiqing，Qi Ruonan，Qiu Zhiwen.Comparing BP and RBF Neural Network for Forecasting the Resident Consumer Level by MATLAB［C］//Computer and Electrical Engineering，2008.ICC-EE 2008.InternationalConferenceon.IEEE，2008，12：169-172.

付 華(1962-)，女，遼寧阜新人，教授，博士生導(dǎo)師，博士(后)，主要研究方向?yàn)槊旱V瓦斯檢測(cè)、智能檢測(cè)和數(shù)據(jù)融合技術(shù)。支持國(guó)家自然科學(xué)基金2項(xiàng)、支持及參與國(guó)家863和省部級(jí)項(xiàng)目30余項(xiàng)，發(fā)表學(xué)術(shù)論文40余篇，申請(qǐng)專利24項(xiàng)，fxfuhua@163.com；

劉 汀(1989-)，女，遼寧阜新人，遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院碩士研究生，主要研究方向現(xiàn)代傳感技術(shù)與智能儀表，t6571212@126.com。

Gas Emission Quantity Dynamic Prediction Model of Coal Mine Based on SOM-RBF Algorithm*

FU Hua1*，LIU Ting1，ZHANG Shengqiang1，ZHAO Donghong1，DING Guanxi2
(1.Faculty of Electrical and Control Engineering，Liaoning Technical University，Huludao Liaoning 125105，China；2.Liaoyang Power Supply Company of Liaoyang Electrical Power Company of State Grid，Liaoyang Liaoning 11100，China)

A new model dynamic prediction method of combined artificial neural network combining self-organizing feature maps and multi-variable radial basis function is presented，which adopts collecting and processing data by multi-sensor gas monitoring system as samples，as a solution of the multi-factor prediction problem of coal mine gas emission.The modeling and prediction method are utilized as clustering firstly，and then it is utilized as classification to solve prediction accuracy loss，which is caused by the number limitation of training samples and their dispersion.The presented method is tested on the historical data monitored in the mine，and simulation results show that，the presented model has a higher prediction accuracy and a better performance of generalization with average prediction error 2.16%in comparison with other prediction models，and then average relation variance is 0.005 9 and root-meansquare error is 0.131 1.Therefore，it can be approved that the presented model realizes the dynamic prediction of absolute emission quantity of coal mine gas effectively and has a relatively high practicality.

multisensor；gas emission；self-organizing feature maps；Radial Basis Function；dynamic prediction

TP391；TP212

A

1004-1699(2015)08-1255-07

??

10.3969/j.issn.1004-1699.2015.08.026

項(xiàng)目來(lái)源：國(guó)家自然科學(xué)基金項(xiàng)目（51274118）；遼寧省教育廳基金項(xiàng)目（L2012119）；遼寧省科技攻關(guān)項(xiàng)目（2011229011）

2015-01-23 修改日期：2015-03-18