[发明专利]一种基于RBF神经网络的煤与瓦斯突出预测方法

说明书

本发明公开了一种基于RBF神经网络的煤与瓦斯突出预测方法，包括：1、对煤与瓦斯突出的特征数据进行维数约简，并对约简后的特征数据进行归一化处理，得到归一化特征数据；2、使用K‑均值算法对归一化特征数据进行聚类，计算出径向基函数的中心；3、在归一化特征数据上训练RBF神经网络，引入自适应差分进化算法确定隐含层神经元个数时的最优扩展因子和最优权重；4、增加隐含层神经元个数，重复步骤2‑3，得到RBF神经网络的全局最优参数，从而确定RBF神经网络的预测模型；5、使用RBF神经网络预测模型对测试数据进行预测。本发明能解决RBF神经网络的最优参数自适应问题，从而快速、准确地预测煤与瓦斯突出。

技术领域

本发明涉及煤矿安全生产领域，具体是一种基于RBF神经网络的煤与瓦斯突出预测方法。

背景技术

煤炭是我国国民经济发展中的主体能源和重要原料，然而至今我国煤炭生产的安全形势却依然十分严峻。矿井的瓦斯、煤尘、火灾、水灾和顶板事故是煤矿的五大自然灾害，其中瓦斯是煤矿的头号“杀手”，而煤与瓦斯突出又是瓦斯灾害事故中发生频率高，伤害人数较多的典型动力灾害之一。因此，能够快速、准确的预测煤与瓦斯突出，不仅能提高煤矿生产的安全，而且也会产生巨大的经济效益和社会效益，具有重大的现实意义。

传统的对煤与瓦斯突出预测的方法主要包括：单项指标法、综合指标法、钻屑瓦斯解吸指标法、R指标法等，这些预测方法仅仅考虑了影响煤与瓦斯突出的某个因素，而且预测指标的临界值的大小会随着不同地区不同矿井而有所不同，这些因素造成煤与瓦斯突出预测结果准确度不高。

近几年，先进的理论方法如计算机模拟、模糊数学理论、灰色系统理论、专家系统、分形理论、非线性理论、流变理论以及人工神经网络等已开始应用于煤与瓦斯突出的分析中，并取得了一定的研究成果。比如应用BP神经网络模型预测煤与瓦斯突出，然而，不足之处是BP神经网络存在收敛速度慢、训练时间长、容易陷入局部极小值。

RBF神经网络的思想是用隐含层神经元将非线性可分的输入空间映射到线性可分的特征空间，然后再在特征空间用线性模型来做回归或者分类。RBF神经网络可以以任意准确率逼近任意连续函数，目前广泛应用于非线性函数逼近、数据处理、模式识别、图像分类、系统建模等。已有一些工作将RBF神经网络用于预测煤与瓦斯突出问题，但是由于RBF神经网络的最优参数很难确定，并且不同地区不同矿井的煤与瓦斯突出数据的差异，导致最优参数也会有所不同。

因此，针对RBF神经网络的最优参数难以确定，以及不同地区不同矿井的煤与瓦斯突出数据的差异导致最优参数不同的问题，需要一种最优参数自适应的RBF神经网络模型能够快速、准确地预测煤与瓦斯突出。

发明内容

本发明为克服现有技术存在的不足之处，提供一种基于RBF神经网络的煤与瓦斯突出预测方法，以期能解决RBF神经网络的最优参数自适应问题，从而能快速、准确地预测煤与瓦斯突出问题。

为了达到上述目的，本发明所采用的技术方案为：

本发明一种基于RBF神经网络的煤与瓦斯突出预测方法的特点是按如下步骤进行：