[发明专利]基于MIV-GP算法优化BP神经网络的概率积分参数预测方法

说明书

本发明提出一种基于遗传算法和粒子群算法的组合算法(GP)优化BP神经网络的概率积分法参数预测模型，并采用平均影响值算法(MIV)来优化BP神经网络的输入层，从而降低网络的复杂程度，达到提高预测精度的目的。以50个工作面的实测资料作为BP神经网络的训练集和测试集建立MIV‑GP‑BP模型，并分析模型预测结果的精度和可靠性，结果表明：在5个参数中，均方根误差均在0.0058～1.1575之间，q、tanβ、b、θ的最大相对误差不超过5.42％，平均相对中误差低于2.81％，s/H相对误差不超过9.66％，平均相对中误差低于4.31％(参数本身较小),优化后的神经网络模型具有更高的预测精度和稳定性。

技术领域

本发明涉及概率积分参数预测领域，尤其涉及一种基于MIV-GP算法优化BP神经网络的概率积分参数预测方法。

背景技术

随着中国经济的快速发展，对煤炭资源的需求量也越来越大。近年来地下煤炭资源被大量开采出来，地下煤炭开采造成一系列环境问题，如：地表沉陷、裂缝、粉尘、固态垃圾等，给矿区的生产生活带来严重的威胁。为最大程度采出煤炭资源并减小地表大面积沉陷，学者们对开采沉陷预计理论展开广泛的研究。其中基于随机介质力学理论的概率积分法是应用较为广泛的开采沉陷预计方法，所以概率积分法参数的获取是预测的关键。概率积分法参数求取的常用方法有:第一种方法是基于实测数据采用智能优化算法拟合求取参数(遗传算法、量子退火法等)；第二种方法是利用机器学习的方法求取参数(神经网络、支持向量机等)；第三种方法是利用相似理论结合覆岩岩性计算，这些算法预测模型在一定的程度提高了概率积分法的求参精度。

自概率积分法在中国盛行以来，多数矿区相继进行了岩移观测，并获取了相应矿区的概率积分法参数，为开采沉陷理论研究提供了宝贵的资料，这些实测资料包括概率积分法基本参数(下沉系数q,水平移动系数b,主要影响角正切tanb,拐点偏移距s，开采影响传播角θ)和地质采矿条件(上覆岩层的岩性f,煤层采深H,开采厚度M,煤层倾角T，采动程度n，松散层厚度W,重复采动X)，概率积分法参数与地质采矿条件之间存在复杂的非线性关系，很难用具体的数学模型描述。上述方法一和方法三均是基于实测变形量求取概率积分法参数的方法，这常常需要建立大量的地表移动观测站，耗费大量的人力、物力，而且观测周期长，无法获取新建矿区的参数。上述的神经网络技术具有较好的自学习、自适应性和强容错性能，能建立复杂的非线性映射关系，被广泛应用于模式分类、聚类分析、回归拟合分析以及优化计算等领域。

为充分利用已有的矿区资料，建立地质采矿条件与概率积分法参数之间的关系，基于神经网络学习的求参方法得以广泛应用。对于BP神经网络来说，其权值和阈值选择具有随机性，从而导致标准的BP神经网络算法收敛速度慢且容易陷入局部最优值。利用智能优化算法优化BP神经网络训练过程中的参数优化过程，可以达到提高训练效率的目的。这些算法包括模拟退火法(SA)、GA算法、PSO算法等，这些优化算法中PSO算法简单、运算效率高，但是它具有精度不高，容易陷入局部最优等缺点。

发明内容

为克服上述技术问题，本发明提出一种基于MIV-GP算法优化BP神经网络的概率积分参数预测方法，目的在于提高神经网络的预测精度，从而应用在概率积分法参数的预测中。

本发明提出了一种基于MIV-GP算法优化BP神经网络的概率积分参数预测方法，所述方法包括如下步骤:

步骤S1、基于MIV算法对BP神经网络的输入变量进行筛选，对影响概率积分法参数的因子进行排序，剔除排序靠后的影响因子；

步骤S2、采用G-P算法优化BP神经网络的权值和阈值，从而建立MIV-GP-BP神经网络预测模型，实现概率积分参数预测。

优选的，所述步骤S1之前还包括构建BP神经网络。

优选的，所述步骤S1具体包括，