[发明专利]一种巷道围岩变形实时预测方法

权利要求书

1.一种巷道围岩变形实时预测方法，其特征在于包括以下步骤：

1)位移传感器实时采集巷道围岩监测点的变形数据，并将实时采集的围岩变形数据存入历史数据库中；

2)将历史数据库中存储的围岩变形数据作为时间序列进行处理并提取需要进行预测的某些监测点的围岩变形时间序列数据，其中，时间为通过位移传感器采集到围岩变形数据的实际时间，围岩变形监测值作为时间的因变量；

3)利用混沌理论对从历史数据库中提取的围岩变形时间序列数据进行相空间重构，得到在m维空间的若干不同序列数据；具体过程为：

假定有一序列数据X_i,i＝1,2,…,n，n是序列长度，通过Takens定理获知，可以找到一个合适的嵌入维m，m≥2d+1，d为混沌吸引子的关联维数，可以用时间延迟τ对相空间R^m重构如下，重构后相空间为：

{Y_i}＝(X_i,X_i+τ,X_i+2τ,…,X_i+(m-1)τ),i＝1,2,…,n-(m-1)τ (1)

式中，X_i为相空间的点，m作为嵌入维数，τ为延迟时间，相空间总共点数为n-(m-1)；

根据Takens定理得知，肯定存在一个光滑映射F:R^m→R^m，则：

X_i+1＝F(X_i),i＝1,2,…,n (2)

式中，F为重构函数；

对于一个混沌时间序列X_i,i＝1,2,…,n，通过Takens得知，肯定存在一个重构函数f，使得下式成立：

X_i+1＝f(X_i),i＝1,2,…,n-(m-1)τ (3)；

4)利用粒子群支持向量机进行学习得到回归分类估计函数，并通过回归分类估计函数对步骤3)获得不同序列数据分别进行预测，具体过程为：

假定给定训练数据{(x_i,y_i),i＝1,2,…,l}，其中x_i∈R^d是第i个学习样本的输入值，且为d维向量x_i＝(x_i¹,x_i²,…,x_i^d)，y_i∈R为对应的目标输出值，定义ε不敏感损失函数为：

考虑所讨论问题的非线性特征，通过定义适当的核函数k(x_i,x_j)＝φ(x_i)·φ(x_j)将输入样本空间非线性变换到另一特征空间进行线性回归估计，因此假定非线性回归估计函数为：

f(x)＝w·φ(x)+b (5)

式中，w∈R^d为权值向量，b∈R为阈值，“·”表示内积运算，φ(x)为某一非线性函数；

引入松弛变量ξ_i,ξ_i^*，最优化问题为：

(w·φ(x_i)+b)-y_i≤ε+ξ_i^*,ξ_i,ξ_i^*≥0,i＝1,2,…,l (7)

进行拉格朗日变换，可得其对偶最优化问题：

式中，C为惩罚参数；

求解上述优化问题，对应于(a_i-a_i^*)≠0的训练样本即为支持向量，可得可学习获得回归分类估计函数为：

5)判断是否还需对其他相关监测点进行变形预测，若需要，返回步骤1)，否则结束预测，并将各个预测值进行累加获得围岩变形预测结果。

2.如权利要求1所述的一种巷道围岩变形实时预测方法，其特征在于，由于惩罚系数C、松弛变量ξ_i,ξ_i^*均是包括一系列值，因此将每一惩罚系数、松弛变量分别输入到混沌粒子群算法中，通过调整粒子的搜索能力ω和学习能力c₁,c₂，使粒子跳出局部最优，寻找惩罚数C、松弛变量ξ_i,ξ_i^*的全局最优解，其中，混沌粒子群算法的基本原理为：

混沌粒子群算法将粒子按适应度值区分为两部分：

式中，ω、ω₀代表随机数，c₁₀、c₂₀代表学习能力，k₁，k₂，k₃为0～1的常量，μ＝4，x为0～1的随机数分别代表惩罚系数或松弛变量的输入值，如果输入值不在0～1，需要将输入值先进行归一化后输入，f是第iter代的第i粒子适应度值，f_avg作为第iter代全部粒子的平均适应度；

当f>f_avg时，粒子质量较差，公式(11)通过增强粒子的全局搜索能力ω和社会学习能力c₂，减小自我学习能力c₁，使粒子迅速向最优解方向“飞行”；

当f<f_avg时，粒子质量较好，公式(12)通过增强粒子的局部搜索能力ω和自我学习能c₁，减小社会学习能力c₂，减少陷入局部最优的可能。