[发明专利]一种基于PCA-EML的煤矿突水预测方法

说明书

技术领域

本发明涉及一种煤矿突水预测方法，特别是一种基于PCA-EML的煤矿突水预测方法。

背景技术

煤矿突水是煤矿安全生产中的重大隐患之一，及时正确地预测突水，对保障煤炭开采的顺利进行具有重要的意义。

影响煤矿突水的因素很多，这些因素多是不定性和模糊相似的，各影响因素间有复杂的非线性关系，难以用经典的数学理论建立预测模型。基于此，专家学者们提出了预测矿井突水的方法，有采用BP算法基于矿井突水样本实例建立突水预报神经网络模型、基于遗传神经网络的煤矿突水预测方法和用支持向量机-粗糙集SVM-RS模型对矿井突水信息进行处理，但是BP神经网络的训练速度慢，易陷入局部极小点，SVM在学习过程中需要人为设置核函数、惩罚系数等参数，且需要消耗大量的时间进行参数调整，因此提出了极限学习机(ELM)算法结合主成分分析(PCA)的煤矿突水预测方法。

ELM（极限学习机）算法是一种单隐藏层前馈神经网络学习算法，该算法在训练过程中不需要调整网络的输入权值记忆隐藏层的偏置，只需设置网络的隐藏层节点个数，就能产生唯一的最优解。与传统的算法相比，该算法具有参数选择容易、学习速度快且泛化性能好等优点。

PCA（主成分分析）法是一种数据压缩和特征提取的多变量统计技术，能够有效去除数据之间的相关性，降低计算的复杂度。煤矿突水的影响因素作为网络输入变量时，这些影响因素中肯定包含彼此相关的信息，由于网络输入变量之间的不独立性，可能会导致信息重叠，进而增加网络的复杂程度，降低网络性能，影响预测精度。

发明内容

本发明目的是要提供一种参数选择容易、学习速度快且泛化性能好的基于PCA-EML的煤矿突水预测方法。

为了实现上述目的，本发明采用以下技术方案：

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。

具体的步骤如下：

（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；

用主成分分析法对煤矿突水主控影响因素进行筛选的具体步骤如下：

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，即为建立的极限学习机模型的学习样本；

（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；

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