基于SDPSO—WNN模型的沖擊地壓危險性預測研究

曲暢

摘 要 在小波神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值進行尋優(yōu)中應(yīng)用粒子群算法并加以隨機擾動，采用預測控制思想建立系統(tǒng)預測模型，與WNN模型對比發(fā)現(xiàn)。研究結(jié)果表明：模型得到了更高的收斂速率、收斂精度、泛化能力更強，可以廣泛應(yīng)用到煤礦沖擊地壓危險性預測工作中。

關(guān)鍵詞 沖擊地壓；小波神經(jīng)網(wǎng)絡(luò)；粒子群算法；預測模型

中圖分類號 TD324 文獻標識碼 A 文章編號 2095-6363（2017）11-0104-01

沖擊地壓是一種復雜、嚴重的非線性動力學現(xiàn)象，是人工活動如煤礦開采、煤礦爆破等誘發(fā)的地質(zhì)災害[1]。現(xiàn)在對于沖擊地壓有許多的研究手段。例如機制分析法、現(xiàn)場試驗法、聲光發(fā)射法、能量強度理論、突變理論等[2]。然而由于沖擊地壓成因復雜，很難對其機理進行深入研究，因此，采用傳統(tǒng)的數(shù)學、物理手段很難對預測模型構(gòu)建，近年來，機器算法在非線性模型的構(gòu)建中得到了廣泛的應(yīng)用。

1 改進的例子群算法

1.1 基本粒子群算法

第i個粒子搜尋至當前最優(yōu)位置是，

全部粒子種群迄今為止搜尋到的最優(yōu)空間位置是，為第i個粒子速度，粒子速率及空間位置按照公式1、公式2進行迭代尋優(yōu)：

（1）

i=1，2，…n d=1，2，…D （2）

1.2 隨機擾動粒子群優(yōu)化算法

由于基本粒子群算法在迭代后期尋優(yōu)能力較差，為了保證粒子的多樣性，特在算法中引入吸引算子，當時，粒子向全局最優(yōu)解進行靠攏，而當時，粒子飛向種群最優(yōu)解相異的方向，當差值d很?。ǎr，證明粒子當前解以接近全局最優(yōu)，應(yīng)該向其遠離，以實現(xiàn)對其他空間尋優(yōu)；而當差值d比較大（）時，證明粒子當前的位置離全局最優(yōu)解距離較遠，說明粒子應(yīng)該靠近它，這樣，算法實現(xiàn)了種群中的每個粒子都是隨機流動的，使得群體尋優(yōu)有更快的速度。則對粒子群算法優(yōu)化如下：

（3）

（4）

2 基于SDPSO-WNN算法的沖擊地壓預測控制模型

2.1 沖擊地壓危險性等級模型原理

模型通過進行不斷校正，控制誤差在理想?yún)^(qū)間，實現(xiàn)時變非線性系統(tǒng)的預測控制。算法模型如圖1所示。

系統(tǒng)的實際輸出值與小波神經(jīng)網(wǎng)絡(luò)預測輸出值做差值得到校正誤差：

（5）

加入補償算法后的閉環(huán)系統(tǒng)的輸出為：

（6）

其中，h取1為反饋系數(shù)。

2.2 沖擊地壓預測控制算法的流程

沖擊地壓危險性預測控制步驟如下。1）設(shè)置系統(tǒng)的起始狀況并及對小波神經(jīng)網(wǎng)絡(luò)函數(shù)、粒子群參數(shù)賦值。2）對樣本進行優(yōu)化篩選用以提高被控對象預測誤報率。3）在選取的樣本中選取一部分為訓練樣本，用以訓練小波神經(jīng)網(wǎng)絡(luò)的參數(shù)，構(gòu)建小波神經(jīng)網(wǎng)絡(luò)預測模型并對系統(tǒng)辨識的輸出和訓練樣本的輸出進行差分得到辨識誤差，利用SDPSO優(yōu)化算法對辨識網(wǎng)絡(luò)進行迭代。4）計算系統(tǒng)預測輸出值。5）對系統(tǒng)進行反饋校正，對系統(tǒng)的預測能力進行評估。

3 沖擊地壓預測的實例仿真分析

3.1 WNN神經(jīng)網(wǎng)絡(luò)與改進粒子群算法的初始參數(shù)

選取

采用隨機擾動粒子群算法算法，小波神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)歸一化處理的方法比例縮放法，評價指標為均方誤差。

粒子群規(guī)模為40，加速因子，最大迭代次數(shù)，目標精度0.000 1。

3.2 沖擊地壓危險性預測仿真結(jié)果

分別利用樣本中1～15組數(shù)據(jù)進行網(wǎng)絡(luò)模型訓練，利用16～19組樣本數(shù)據(jù)對預測模型進行沖擊地壓危險等級測試，利用使用公式（7）進行樣本歸一化處理。

（7）

式中：為數(shù)據(jù)序列中的原始值；，分別為原始數(shù)據(jù)中的最大值和最小值；為變化后的數(shù)據(jù)；，分別為變換后數(shù)據(jù)的最大值和最小值，通過訓練誤差達到設(shè)定范圍0.000 1。

1）隨機擾動粒子群優(yōu)化的WNN模型與WNN模型訓練效率對比。WNN模型模擬運行100次均未達到0.001的學習精度，其訓練精度最好為0.003 79，最差的達到0.015 46，均值為0.008 57。而對本文建立的SDPSO-WNN模型進行迭代100次，其訓練精度60%以上都能迅速到達0.001。

2）SDPSO-WNN模型與WNN模型的預測精度分析。WNN模型的預測精度亦不如SDPSO-WNN優(yōu)化模型，WNN的仿真結(jié)果也與實測結(jié)果偏離較大。相比之下，優(yōu)化后的模型有一個等級的小偏差，預測精度較為理想。

4 結(jié)論

本文在小波神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值進行尋優(yōu)中應(yīng)用粒子群算法并加以隨機擾動，采用預測控制思想建立系統(tǒng)預測模型，與WNN神經(jīng)網(wǎng)絡(luò)預測模型進行比較。研究結(jié)果表明：模型取得了更快的收斂速度、更高的收斂精度、泛化能力較高，可以廣泛應(yīng)用到煤礦沖擊地壓危險性預測工作中。

參考文獻

[1]趙本均，滕學軍.沖擊地壓及其防治[M].北京：煤炭工業(yè)出版社，1995.

[2]司光耀.淺談煤礦沖擊地壓的主要預測手段[J].煤礦現(xiàn)代化，2008（5）：33-34.

[3]馬君，劉小東，孟穎.基于神經(jīng)網(wǎng)絡(luò)的城市交通流預測研究[J].電子學報，2009，37（5）：1092-1093.

[4]趙國榮，王希彬，高青偉.粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)在慣導系統(tǒng)傳遞對準中的應(yīng)用[J].計算機測量與控制，2010，22（3）：670-673.