[发明专利]一种基于有导师学习神经网络算法的导水裂隙带预测方法

权利要求书

1.一种基于有导师学习神经网络算法的导水裂隙带预测方法，其特征在于：结合煤矿具体煤炭开采方法和煤层上覆岩层结构和力学特性，确定影响导水裂隙带高度的因素指标，收集整理较为完善的各因素指标下的样本数据；采用归一化方法处理收集到的样本数据，消除各指标量纲对预测模型的影响；将归一化后的样本数据分配为训练样本和检验样本；选取所有训练样本数据，利用MATLAB RBF神经网络工具，得到各因素指标与导水裂隙带高度之间的关系，建立导水裂隙带高度预测模型；将检验样本数据代入导水裂隙带高度预测模型，求得各检验数据对应导水裂隙带高度的预测值；对比检验样本的预测值与实际值，通过数据相对误差和决定系数判断预测模型是否有效；若有效，则建立的导水裂隙带高度预测模型能够准确的预测导水裂隙带高度；若无效，则重新选取影响因素指标，重复上述步骤，直至寻求到高预测精度的导水裂隙带高度预测模型。

2.根据权利要求1所述的一种基于有导师学习神经网络算法的导水裂隙带预测方法，其特征在于：具体包括如下步骤：

S1：收集数据：结合煤矿具体煤炭开采方法和煤层上覆岩层结构和力学特性，确定影响导水裂隙带高度的因素指标，收集单一矿井或多个矿井导水裂隙带高度的影响因素指标数据与对应的导水裂隙带高度，形成样本数据集；

S2：数据归一化处理：采用归一化方法处理收集到的样本数据集，消除各指标量纲对预测模型的影响；

S3：数据分类：将归一化后的样本数据分配为训练样本和检验样本，其中，训练样本数据占全部数据的2/3~9/10，其余为检验样本；

S4：建立预测模型：选取所有训练样本数据，利用MATLAB RBF神经网络工具，编制程序对训练样本数据进行有导师学习的训练，得到各因素指标与导水裂隙带高度之间的关系，建立导水裂隙带高度预测模型；

S5：预测值计算：将检验样本数据代入导水裂隙带高度预测模型，求得各检验数据对应导水裂隙带高度的预测值；

S6：评价分析：对比检验样本的预测值与实际值，计算预测值与实际值之间的相对误差和决定系数，从而判断预测模型是否有效；若预测值与实际值的相对误差≤5%且决定系数≥95%有效，则模型有效，说明建立的导水裂隙带高度预测模型能够准确的预测导水裂隙带高度；若预测值与实际值的相对误差＞5%或决定系数＜95%，则模型无效，说明建立的导水裂隙带高度预测模型不能准确的预测导水裂隙带高度，则需重新选取影响因素指标，重复上述S1~S6步骤，直至寻求到有效的导水裂隙带高度预测模型。

3.根据权利要求2所述的一种基于有导师学习神经网络算法的导水裂隙带预测方法，其特征在于：步骤S1中导水裂隙带的影响因素指标包括采高、硬岩岩性比例系数、工作面斜长、采深和推进速度。

4.根据权利要求2所述的一种基于有导师学习神经网络算法的导水裂隙带预测方法，其特征在于：步骤S2采用的归一化处理公式为：

式中，为归一化处理后的数据，取值范围在（0,1）之间；为收集的原始样本数据，表示第组样本数据，表示第个影响因素指标，n表示收集到的样本组数。

5.根据权利要求2所述的一种基于有导师学习神经网络算法的导水裂隙带预测方法，其特征在于：步骤S4有导师学习的训练是通过调节神经网络中的spread值改变数据的平均相对误差，来表征数据输入与输出之间的复杂关系，进而实现利用数据平均相对误差对模型进行自动修正，当平均相对误差取最小值时，预测模型的稳定性最好；spread值取值区间常为[0,1]。

6.根据权利要求2所述的一种基于有导师学习神经网络算法的导水裂隙带预测方法，其特征在于：步骤S6采用的两个评价指标为相对误差和决定系数，其计算公式分别如下：

其中，为第i组样本的预测值；为第i组样本的实际值；n为样本收集到的组数。