一種導(dǎo)水裂隙帶高度預(yù)測(cè)方法
【專利摘要】本發(fā)明屬于地下煤炭開(kāi)采安全生產(chǎn)【技術(shù)領(lǐng)域】，涉及一種導(dǎo)水裂隙帶高度預(yù)測(cè)方法；先統(tǒng)計(jì)導(dǎo)水裂隙帶高度的影響指標(biāo)和高度數(shù)據(jù)，形成樣本數(shù)據(jù)，然后利用主成分分析法對(duì)樣本數(shù)據(jù)降維，建立主成分模型并求取各樣本的主成分值，之后與導(dǎo)水裂隙帶高度組成新的樣本集，再利用小波神經(jīng)網(wǎng)絡(luò)算法模型對(duì)樣本集進(jìn)行訓(xùn)練和檢驗(yàn)，建立導(dǎo)水裂隙帶高度的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，最后根據(jù)建立的預(yù)測(cè)模型對(duì)礦井導(dǎo)水裂隙帶高度進(jìn)行預(yù)測(cè)；其將主成分分析用于導(dǎo)水裂隙帶高度影響指標(biāo)的處理，既可以保證輸入數(shù)據(jù)的精度，又可以大大加快神經(jīng)網(wǎng)絡(luò)的收斂速度，同時(shí)提高模型的預(yù)測(cè)精度，其設(shè)計(jì)原理可靠，預(yù)測(cè)方法簡(jiǎn)單，預(yù)測(cè)環(huán)境友好。
【專利說(shuō)明】一種導(dǎo)水裂隙帶高度預(yù)測(cè)方法

【技術(shù)領(lǐng)域】
:
[0001]本發(fā)明屬于地下煤炭開(kāi)采安全生產(chǎn)【技術(shù)領(lǐng)域】，涉及一種導(dǎo)水裂隙帶高度預(yù)測(cè)方法，特別是一種基于主成分分析和小波神經(jīng)網(wǎng)絡(luò)的導(dǎo)水裂隙帶高度預(yù)測(cè)方法。

【背景技術(shù)】
:
[0002]近年來(lái)隨著煤炭產(chǎn)量的大幅提高，開(kāi)采中的災(zāi)害事故也頻頻發(fā)生，煤礦地下開(kāi)采必然引起采場(chǎng)工作面頂板覆巖顯著運(yùn)動(dòng)，導(dǎo)致巖層產(chǎn)生裂隙和斷裂，一旦這些裂隙和斷裂相互溝通會(huì)形成導(dǎo)水通道，將頂板含水層中的水引入采場(chǎng)，從而增加礦井涌水量或引起頂板突水事故，導(dǎo)水裂隙帶高度數(shù)值的計(jì)算是頂板防治水工作中的重要參數(shù)，其預(yù)測(cè)方法也成為煤炭開(kāi)采安全生產(chǎn)領(lǐng)域重要課題?，F(xiàn)有技術(shù)中，導(dǎo)水裂隙帶高度的預(yù)測(cè)有多種方法，但這些方法都存在自身的缺陷:經(jīng)驗(yàn)公式法沒(méi)有全面考慮多個(gè)因素的影響，只能作為參考；現(xiàn)場(chǎng)實(shí)測(cè)法可直觀準(zhǔn)確的確定導(dǎo)水裂隙帶高度，但現(xiàn)場(chǎng)操作繁瑣，成本較高；相似材料模擬法難以對(duì)巖體的構(gòu)造特征、水體的影響等進(jìn)行模擬，并需投入大量人力、物力；數(shù)值模擬法雖然成本低、易于實(shí)現(xiàn)，但受模型的參數(shù)影響明顯，結(jié)果存在較大的誤差；多元回歸分析法考慮多因素，由于導(dǎo)水裂隙帶高度的非線性使得預(yù)測(cè)精度不夠；支持向量機(jī)可以對(duì)多因素綜合考慮，具有較好的非線性映射能力和泛化能力，收斂速度快，預(yù)測(cè)精度高，然而其預(yù)測(cè)性能的優(yōu)劣與參數(shù)選擇密切相關(guān)，目前對(duì)于參數(shù)的優(yōu)化還沒(méi)得到很好的解決，且多因素之間存在相關(guān)性，使得預(yù)測(cè)精度受限。
[0003]小波神經(jīng)網(wǎng)絡(luò)是基于小波變換而構(gòu)成的神經(jīng)網(wǎng)絡(luò)模型，即用非線性小波基取代通常的神經(jīng)元非線性激勵(lì)函數(shù)，把小波變化與神經(jīng)網(wǎng)絡(luò)有機(jī)地結(jié)合起來(lái)，綜合了小波多尺度分析和神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)的優(yōu)點(diǎn)，具有比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更快的收斂速度和更強(qiáng)的逼近性能，但導(dǎo)水裂隙帶高度的影響因素眾多，且存在相關(guān)性，另外小波神經(jīng)網(wǎng)絡(luò)用于函數(shù)優(yōu)化時(shí)，其輸入層的維數(shù)和小波基函數(shù)都不能太多，否則會(huì)大大增加模型參數(shù)；主成分分析是對(duì)數(shù)據(jù)壓縮和信息提取的有效方法，能消除原始輸入層數(shù)據(jù)的相關(guān)性，提取少數(shù)幾個(gè)主成分；利用主成分分析法對(duì)導(dǎo)水裂隙帶高度進(jìn)行主成分建模，消除原始輸入層數(shù)據(jù)的相關(guān)性，提取新變量作為神經(jīng)網(wǎng)絡(luò)的新輸入變量，形成一種新的導(dǎo)水裂隙帶高度預(yù)測(cè)方法，能提高預(yù)測(cè)速度和精度，至今尚未見(jiàn)有對(duì)此新技術(shù)的相關(guān)報(bào)道。


【發(fā)明內(nèi)容】

:
[0004]本發(fā)明的目的在于克服現(xiàn)有技術(shù)存在的缺陷，設(shè)計(jì)提供一種費(fèi)用低廉、學(xué)習(xí)速度快、預(yù)測(cè)精度高的導(dǎo)水裂隙帶高度預(yù)測(cè)方法，該方法基于主成分分析和小波神經(jīng)網(wǎng)絡(luò)的技術(shù)實(shí)現(xiàn)對(duì)導(dǎo)水裂隙帶高度的檢測(cè)。
[0005]為了實(shí)現(xiàn)上述目的，本發(fā)明涉及的預(yù)測(cè)方法包括以下工藝步驟:
[0006](I)獲取樣本數(shù)據(jù):選取導(dǎo)水裂隙帶高度的影響指標(biāo)5?8個(gè)，統(tǒng)計(jì)部分礦井的導(dǎo)水裂帶隙影響指標(biāo)和高度數(shù)據(jù)，形成樣本數(shù)據(jù)；
[0007](2)影響指標(biāo)的主成分建模:利用主成分分析法對(duì)步驟(I)形成的樣本數(shù)據(jù)中各樣本的影響指標(biāo)數(shù)據(jù)進(jìn)行降維，得到影響導(dǎo)水裂隙帶高度的主成分模型，求取各樣本的主成分值，并與導(dǎo)水裂隙帶高度組成新的樣本集，其具體步驟如下:
[0008]①對(duì)樣本數(shù)據(jù)的各樣本中的影響指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理，得到樣本集矩陣X ；
[0009]②將樣本集矩陣X用下式變換為相關(guān)矩陣，得到主成分矩陣R:
[0010]

【權(quán)利要求】
1.一種導(dǎo)水裂隙帶高度預(yù)測(cè)方法，其特征在于包括以下工藝步驟: (1)獲取樣本數(shù)據(jù):選取導(dǎo)水裂隙帶高度的影響指標(biāo)5?8個(gè)，統(tǒng)計(jì)部分礦井的導(dǎo)水裂帶隙影響指標(biāo)和高度數(shù)據(jù)，形成樣本數(shù)據(jù)； (2)影響指標(biāo)的主成分建模:利用主成分分析法對(duì)步驟(I)形成的樣本數(shù)據(jù)中各樣本的影響指標(biāo)數(shù)據(jù)進(jìn)行降維，得到影響導(dǎo)水裂隙帶高度的主成分模型，求取各樣本的主成分值，并與導(dǎo)水裂隙帶高度組成新的樣本集，其具體步驟如下: ①對(duì)樣本數(shù)據(jù)的各樣本中的影響指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理，得到樣本集矩陣X； ②將樣本集矩陣X用下式變換為相關(guān)矩陣，得到主成分矩陣R:
R = (Aj)pxp
且 η丨=丄 Σ(-^? --〒,)(-'、--〒)，O' = 1,2,...P; j = 1,2,…")

η -- 二 I 其中=Xai為第i個(gè)影響指標(biāo)第a個(gè)樣本的數(shù)值； ^為第i個(gè)影響指標(biāo)所有樣本數(shù)值的平均值； Xaj為第j個(gè)影響指標(biāo)第a個(gè)樣本的數(shù)值； 無(wú),為第j個(gè)影響指標(biāo)所有樣本數(shù)值的平均值； η為樣本個(gè)數(shù)； i為影響指標(biāo)個(gè)數(shù)； 為第i個(gè)影響指標(biāo)與第j個(gè)影響指標(biāo)的相關(guān)系數(shù)； ③根據(jù)主成分矩陣R求出特征值、主成分貢獻(xiàn)率和累計(jì)貢獻(xiàn)率,確定主成分個(gè)數(shù)m，并按下式建立主成分模型:
Fi = BliX^a2iX2+--- +apiXp (i = I, 2，…，m) 其中，F(xiàn)i為第i主成分，每個(gè)方程中的系數(shù)向量(an，a2i，…，api)分別是特征值λ 1;λ 2,..., Xm所對(duì)應(yīng)的單位特征向量，XiQ = 1、2......1)為第i個(gè)影響指標(biāo)的標(biāo)準(zhǔn)化數(shù)據(jù)； ④求取各樣本主成分的數(shù)值，并與導(dǎo)水裂隙帶實(shí)測(cè)高度組成新的樣本集； (3)建立導(dǎo)水裂隙帶高度預(yù)測(cè)的小波神經(jīng)網(wǎng)絡(luò)模型:利用小波神經(jīng)網(wǎng)絡(luò)算法模型進(jìn)行訓(xùn)練，建立導(dǎo)水裂隙帶高度的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，其步驟如下: ①建立網(wǎng)絡(luò)樣本:把步驟(2)中形成的新樣本集劃分為訓(xùn)練樣本和測(cè)試樣本，訓(xùn)練樣本用于訓(xùn)練網(wǎng)絡(luò)，測(cè)試樣本用于測(cè)試網(wǎng)絡(luò)預(yù)測(cè)精度； ②網(wǎng)絡(luò)初始化:隨機(jī)初始小波函數(shù)伸縮因子ak、平移因子bk以及網(wǎng)絡(luò)連接權(quán)值，設(shè)置網(wǎng)絡(luò)學(xué)習(xí)速率Ir1和Ir2，設(shè)定期望誤差e’和最大訓(xùn)練步數(shù)m ; ③網(wǎng)絡(luò)訓(xùn)練:把訓(xùn)練樣本輸入網(wǎng)絡(luò)，計(jì)算網(wǎng)絡(luò)預(yù)測(cè)輸出并計(jì)算網(wǎng)絡(luò)輸出和期望輸出誤差e，根據(jù)誤差e修正網(wǎng)絡(luò)權(quán)值和小波函數(shù)參數(shù)，使網(wǎng)絡(luò)預(yù)測(cè)值逼近期望值； ④判斷算法是否結(jié)束:若誤差e達(dá)到期望誤差值e’或達(dá)到訓(xùn)練步數(shù)m則算法結(jié)束，否則返回步驟③； ⑤網(wǎng)絡(luò)檢驗(yàn):利用測(cè)試樣本測(cè)試網(wǎng)絡(luò)預(yù)測(cè)精度，若預(yù)測(cè)精度>85%則可應(yīng)用，若預(yù)測(cè)精度〈85%則重新主成分建模； (4)根據(jù)步驟(3)建立的預(yù)測(cè)模型對(duì)礦井導(dǎo)水裂隙帶高度進(jìn)行預(yù)測(cè)。
【文檔編號(hào)】G06Q10/04GK104200292SQ201410505095
【公開(kāi)日】2014年12月10日 申請(qǐng)日期:2014年9月28日 優(yōu)先權(quán)日:2014年9月28日
【發(fā)明者】施龍青, 邱梅, 韓進(jìn), 滕超, 牛超 申請(qǐng)人:山東科技大學(xué)