[发明专利]一种基于RBF神经网络的煤与瓦斯突出预测方法

摘要

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。

主权项

一种基于RBF神经网络的煤与瓦斯突出预测方法，其特征是按如下步骤进行：步骤1：获取一组煤与瓦斯突出的训练样本，所述训练样本是由特征数据X＝{x1,x2,···,xi,···,xN}和分类标签数据Y＝{y1,y2,···,yi,···,yN}组成，其中，N表示所述训练样本的个数，xi表示所述训练样本中的第i条特征数据，并有：xi＝{xi1,xi2,···,xiz,···,xim}，xiz表示所述训练样本中的第i条特征数据第z个特征值，m表示所述特征数据X的维数；yi表示所述训练样本中的第i条特征数据xi对应的分类标签，并有：yi＝{cl|l＝1,2,···,C}，C表示分类标签的个数，cl表示第l个分类标签，i∈[1,N]，z∈[1,m]；步骤2：用主成分分析法对所述特征数据X进行特征维数约简，再对约简后的特征数据进行归一化处理，生成归一化特征数据X′＝{x1′,x′2,···,xi′,···,x′N}，其中，xi′表示所述归一化特征数据X′中的第i条数据，并有：xi′＝{x′i1,x′i2,···,x′iz′,···x′im′}，x′iz′表示所述归一化特征数据X′中的第i条数据xi′的第z′个特征值，m′表示所述归一化特征数据X′的特征维数，且m′≤m，z′∈[1,m′]；步骤3：使用K‑均值算法对所述归一化特征数据X′进行聚类，计算出K个聚类簇及其聚类中心Q1,Q2,···,Qj,···,QK，其中，K表示RBF神经网络隐含层神经元个数，并初始化K为输入层神经元个数M，Qj表示第j个聚类簇的聚类中心，j∈[1,K]；以所述聚类中心Q1,Q2,···,Qj,···,QK作为径向基函数的中心，则表示第j个径向基函数的中心，且表示第j个聚类簇的第e个特征的中心，并有：nj表示第j个聚类簇的数据个数，x′ie表示第i条数据的第e个特征值；e∈[1,m′]；步骤4：在所述归一化特征数据X′上训练RBF神经网络，引入自适应差分进化算法确定所述隐含层神经元个数为K时的RBF神经网络的扩展因子Δ(K)＝{σ1,σ2,···,σK}和权重W(K)＝{ω1,ω2,···,ωK}：步骤4.1：将扩展因子Δ(K)和权重W(K)组合编码成一个种群个体a＝{Δ(K),W(K)}＝{a1,a2,···,aj,···,aK,aK+1,aK+2,···,aK+j,···,a2K}，aj表示个体a的第j个元素值；引入进化代数为g，则第g代的种群为其中，P表示种群个体数，1≤d≤P，表示第g代的第d个个体，表示所述第g代的第d个个体的扩展因子，并有：表示所述第g代的第d个个体的第j个扩展因子；令表示所述第g代的第d个个体的第j个元素值；表示所述第g代的第d个个体的权重，并有：表示所述第g代的第d个个体的第j个权重；令表示所述第g代的第d个个体的第K+j个元素值，则并重新记为其中，表示所述第g代的第d个个体的第h个元素值，1≤h≤2K；初始化g＝1；利用式(1)初始化所述第g代的第d个个体的第h个元素值，从而初始化所述第g代的第d个个体进而初始化P个种群个体Ag：adhg=adhming+rand(0,1)(adhmaxg-adhming)---(1)]]>式(1)中，和分别表示所述第g代的第d个个体的第h个元素的上限值和下限值，rand(0,1)表示随机产生的介于[0，1]之间的数；步骤4.2：将所述第g代的第d个个体的扩展因子和权重作为RBF神经网络的参数，根据RBF神经网络中所述第g代的第d个个体的第j个径向基函数和输出函数在所述归一化特征数据X′上进行训练，得到第g代的训练分类结果其中，表示所述第g代的第d个个体的扩展因子和权重为参数得到的预测分类结果，并有：表示所述预测分类结果中第i条数据的预测分类值；步骤4.3：利用式(2)得到自适应差分进化算法的目标函数值f(y~dg,Y)=Σi=1N||y~dig-yi||2---(2)]]>取使目标函数值最小的个体记为并判断是否小于阈值ε或者达到最大进化代数gmax，如果或g＝gmax，则终止进化，并取隐含层个数为K时的目标函数值为最优扩展因子为最优权重并执行步骤5；否则，执行步骤4.4；步骤4.4：利用式(3)计算第g代变异算子λg：λg=min{λmax,f(y~dbestg,Y)}---(3)]]>式(3)中，λmax是一个常数，表示变异算子的最大值；利用式(4)对所述第g代的第d个个体的第h个元素值进行变异操作，得到所述第g+1代变异种群Vg+1中的第d个变异个体的第h个元素值从而对第g代的第d个个体进行变异操作，得到所述第g+1代变异种群Vg+1中的第d个变异个体并有：表示所述第g+1代变异种群Vg+1中的第d个变异个体的第h个元素值，进而对第g代种群Ag进行变异操作，生成第g+1代变异种群vdhg+1=adhg+λg[(a(best)hg-adhg)+(ar1hg-ar2hg)]---(4)]]>式(4)中，表示所述第g代种群Ag中的最优个体的第h个元素值，和分别表示所述第g代种群Ag中的两个随机个体r1和r2的第h个元素值；步骤4.5：利用式(5)计算第g代交叉算子CRg：CRg=CRmin+ggmax(CRmax-CRmin)---(5)]]>式(5)中，CRmin和CRmax分别表示交叉算子CR的最小值和最大值；利用式(6)对所述第g+1代变异种群Vg+1中的第d个变异个体的第h个元素值和第g代的第d个个体的第h个元素值进行交叉操作，得到所述第g+1代交叉种群Ug+1中的第d个交叉个体的第h个元素值从而对所述第g+1代变异种群Vg+1中的第d个变异个体和第g代的第d个个体进行交叉操作，得到所述第g+1代交叉种群Ug+1中的第d个交叉个体并有进而对所述第g代种群Ag与所述第g+1代变异种群Vg+1进行交叉操作，生成第g+1代交叉种群udhg+1=vdhg+1,rand(0,1)≤CRgadhg,rand(0,1)>CRg---(6)]]>步骤4.6：利用式(7)对所述第g+1代交叉种群Ug+1中的第d个交叉个体和所述第g代的第d个个体进行选择操作，生成所述第g+1代的第d个个体即第g+1代扩展因子和权重，从而对所述第g+1代交叉种群Ug+1和所述第g代种群Ag进行选择操作，生成第g+1代种群Ag+1：adg+1=udg+1,f(udg+1,Y)<f(adg,Y)adg,f(udg+1,Y)≥f(adg,Y)---(7)]]>式(7)中，f(·)为所述自适应差分进化算法的目标函数；步骤4.7：将g+1赋值给g，并返回步骤4.2执行；步骤5：将K+1赋值给K，重复步骤3，直至满足为止，并取则RBF神经网络的全局最优参数为隐含层神经元个数Kbest、扩展因子Δ(Kbest)和权重W(Kbest)，即确定RBF神经网络的输出函数为步骤6：对煤与瓦斯突出的测试样本进行预测；步骤6.1：获取煤与瓦斯突出的测试样本，所述测试样本记为测试特征数据其中Nt表示所述测试特征数据个数，ts表示所述测试特征数据T中的第s条特征数据，并有：ts＝{ts1,ts2,···,tsb,···,tsm}，tsb表示所述测试特征数据T中的第s条特征数据ts的第b个特征值，s∈[1,Nt]，b∈[1,m]；步骤6.2：选取与步骤2中所述训练样本中的归一化特征数据X′相同的特征维度，并对所述测试特征数据T进行归一化处理，得到归一化后的测试特征数据其中，ts′表示所述归一化测试特征数据T′中的第s条数据，并有：ts′＝{t′s1,t′s2,···,t′sb′,···t′sm′}，t′sb′表示所述归一化后的测试特征数据T′中第s条数据ts′的第b′个特征值，b′∈[1,m′]；步骤6.3：根据所述RBF神经网络的输出函数F(xi′)，利用式(8)计算得到所述第s条数据ts′的输出值F(ts′)：步骤6.4：取使所述第s条数据ts′的输出值F(ts′)与分类标签的距离最小的分类标签记为则所述第s条数据ts′对应的预测分类结果为cl′。