[发明专利]一种基于BP神经网络建模的冲击地压动态预测方法

权利要求书

1.一种基于BP神经网络建模的冲击地压动态预测方法，其特征在于：所述预测方法包括以下步骤：

1)根据矿井实际情况，确定冲击地压影响因素，并采集这些影响因素的特征数据；

2)对步骤1)中的影响因素指标中定性描述部分进行定量化处理，获得初始种群，将冲击地压分为四个危险级别：无明显冲击、微弱冲击、较强冲击和强烈冲击；

3)将采集到的八项影响因素的全部数据存储到数据库中，并分别进行BP神经网络训练，获得BP神经网络模型参数和输入层和隐藏层之间的连接权重W_ij、隐藏层和输出层之间的连接权重W_jk；

4)利用遗传算法对神经元个数h、算法学习率η及动量因子α寻优，获得最优隐含层节点数目；

5)利用步骤3)及步骤4)训练得到BP神经网络算法模型对矿井的冲击地压进行预测，获得矿井冲击地压的危险级别。

2.如权利要求1所述的一种基于BP神经网络建模的冲击地压动态预测方法，其特征在于：所述步骤1)中，所述影响因素包括矿体厚度、矿体倾角、埋深、地质构造情况、倾角的变化程度、矿体厚度变化情况、顶板管理情况和采前卸压情况。

3.如权利要求1或2所述的一种基于BP神经网络建模的冲击地压动态预测方法，其特征在于：所述步骤2)中，所述量化方法为：

地质构造：Ⅰ表示简单地质构造，Ⅱ表示地质构造一般，Ⅲ表示地质构造较为复杂，Ⅳ表示地质构造极为复杂；

矿体间倾角变化：Ⅰ表示无明显变化，Ⅱ表示有较小变化，Ⅲ表示有较大变化；

矿体厚度变化：Ⅰ表示无明显变化，Ⅱ表示有较小变化，Ⅲ表示有较大变化；

顶板管理情况：Ⅰ表示支护差，Ⅱ表示支护一般，Ⅲ表示支护较好；

采前卸压情况：Ⅰ表示无卸压措施，Ⅱ表示卸压情况一般，Ⅲ表示卸压情况较好，Ⅳ表示卸压情况很好。

4.如权利要求1或2所述的一种基于BP神经网络建模的冲击地压动态预测方法，其特征在于：所述步骤3)中，所述BP神经网络训练算法如下：

(1)随机给各输入层和隐藏层之间的连接权重W_ij和隐藏层和输出层之间的连接权重W_jk赋一个初始权值，要求各连接权重值互不相等，且都为一较小的非零数，在(-1.0,1.0)之间取值；

(2)对样本集中每一个样本(X_p,Y_p)确定网络的实际输出值O_p；其中，p＝1、2、…i；

(3)计算实际输出O_p和相应的理想输出Y_p之间的差；

(4)按网络结构的极小误差方式调整权值矩阵；

(5)判断最大迭次数N是否大于预先给定的大数，大于则判断网络结构的误差是否小于较小的值ε；反之将网络结构误差反向传播，修正各个连接权重，返回步骤(1)。

5.如权利要求1或2所述的一种基于BP神经网络建模的冲击地压动态预测方法，其特征在于：所述步骤4)中，所述寻优方法为：

(1)采用十进制整数编码；

(2)根据矿井实际情况确定初始种群染色体数目，生成初始种群；

(3)计算每个染色体的适应度值g(x_i)，x_i为种群中第i个染色体；

(4)累加所有染色体的适应度值sum＝∑g(x_i)，同时记录对于每一个染色体的中间累加值S-mid,其中S为总数目；并生成一个随机数M，0<M<sum；选择其对应的中间累加值S-mid≥M的第一个染色体进入交换集；

(5)重复步骤(4)，直到交换集中包含足够多的染色体为止；

(6)任意选择步骤(5)中产生的两个染色体进行单点杂交和两点杂交，得到新的两个染色体；

(7)利用各种偶然因素引起的基因突变进行变异运算，以给定的概率随机地改变遗传基因的值；

(8)通过步骤(1)至步骤(7)获得BP神经网络算法神经元个数h、算法学习率η及动量因子α，得到最优隐含层节点数目。