[发明专利]一种基于PCA-EML的煤矿突水预测方法

权利要求书

1.一种基于PCA-EML的煤矿突水预测方法，其特征是：用主成分分析法来优化神经网络的输入参数，首先利用主成分分析法对多种因素数据进行预处理，消除原有数据之间的信息重叠，产生新的相互独立的训练样本，尽可能多地保留原有信息，然后把重构的训练样本作为极限学习机的输入，降低神经网络的结构复杂度，提高收敛速度，具体步骤如下：

（1）获取煤矿正常开采运行状态下影响煤矿突水的众多数据；

（2）利用主成分分析法对影响煤矿突水的众多因素进行筛选，得到对煤矿突水起决定性因素的主控因素；

（3）将仅包含主控因素的样本数据划分为训练集、验证集和测试集，分别对应于模型的训练、验证和测试；

（4）建立极限学习机网络模型；

（5）利用验证数据验证煤矿突水预测模型，如果得到的预测结果和其他算法比较，没有明显优势，则从主成分分析开始重新建立模型，若预测结果较为理想，则将其作为预测模型来实际预测煤矿突水情况。

2.根据权利要求1所述的基于PCA-EML的煤矿突水预测方法，其特征在于：所述的用主成分分析法对煤矿突水主控影响因素进行筛选，其步骤如下：

（1）取煤矿正常开采运行状态下的采样数据矩阵，并对其进行标准化处理得到矩阵Χ；

（2）根据标准化处理后的数据矩阵Χ计算协方差矩阵R；

（3）根据协方差矩阵R求出特征值、主成分贡献率和累计方差贡献率，确定主成分个数；

（4）由主成分个数确定负载矩阵W，W＝XM，即为建立的ELM（极限学习机）模型的学习样本。

3.根据权利要求1所述的基于PCA-EML的煤矿突水预测方法，其特征在于：建立极限学习机网络模型，并经过极限学习机算法对该数据进行训练，其步骤如下：

（1）给定N个训练样本{x_i,t_i}，i＝1，2，…，N；初始隐藏层节点数设为激励函数g(x)；

（2）为输入权值ω_i和阈值b_i随机赋值，其中

（3）根据激励函数g(x)的SLFN的统一模型公式

Σi=1N~βig(xj)=Σi=1N~βig(wi·xj+bi)=oj,j=1,...,N,]]>

用矩阵表示为

：Hβ=T,H(w1,...,wN~,b1,...,bN~,x1,...,xN~)=|g(w1·x1+b1)...g(wN~·x1+bN~).........g(w1·xN+b1)...g(wN~·xN~+bN~)|N×N~,]]>

β=|βT1...βN~T|N~×m,T=|t1T...tNT|N×m]]>计算输出矩阵H；其中H称为神经网络的隐藏层输出矩阵；x_i＝[x_i1，x_i2，…x_in]^T∈Rⁿ，t_i＝[t_i1，t_i2，…t_im]^T∈R^m，ω_i为连接第i个隐藏层节点的输入权值；β_i为连接第i个隐藏节点和输出节点的输出权值；b_i为第i个隐藏节点的偏差；w_i·x_j表示w_i和x_j的内积；激励函数g(x)可以是“Sigmiod”、“Sine”或RBF；

（4）计算输出权值β：β＝H⁺Y，其中H⁺为隐藏层输出矩阵H的Moore-Penrose广义逆。