[发明专利]一种导水裂隙带高度预测方法、系统、设备及终端

权利要求书

1.一种导水裂隙带高度预测方法，其特征在于，所述导水裂隙带高度预测方法包括以下步骤：

步骤一，进行原始数据的标准化处理；

步骤二，进行因子分析，并构建FA-RBF神经网络模型；

步骤三，基于FA-RBF神经网络进行导水裂隙带高度预测模型的构建。

2.如权利要求1所述的导水裂隙带高度预测方法，其特征在于，步骤一中，所述原始数据标准化处理，包括：

根据研究数据信息，建立影响因素矩阵X：

X＝(x_ij)_n*p；

其中，n为导水裂隙带高度实测样本组数；p为影响导水裂隙带发育高度主控因素个数；

对各指标的原始数据进行标准化处理，消除各个指标不同量纲的影响及各指标自身变异或者数值相差较大所引起的误差，所述标准化公式如下式所示：

其中，为第j个评价指标的平均值；为第j个评价指标的标准差。

3.如权利要求1所述的导水裂隙带高度预测方法，其特征在于，步骤二中，所述因子分析，包括：

因子分析是主成分分析方法的推广和深化，是用少量几个因子来描述许多指标或因素之间的联系，以较少的几个因子反应原数据的大部分信息的统计方法；根据变量X的相关矩阵，将原来的p个变量表示为m个新变量的线性组合的形式，m＜p，所述数学模型为：

用矩阵形式表示为：

X＝AF+aε；

其中，f_j为两两正交的公共因子；e_i为特殊因子；a_ij为公共因子的负载，A为公共因子的负载矩阵。

4.如权利要求3所述的导水裂隙带高度预测方法，其特征在于，所述因子分析的步骤如下：

(1)依据矩阵X计算其协方差矩阵，即相关矩阵R，R＝(r_ij)_p*p；

(2)依据协方差矩阵，计算其特征根λ_i及其对应的特征向量；

(3)以前q个特征值的方差累计百分数大于85％作为判断原则，确定公共因子的个数q；

(4)进行因子旋转并计算因子载荷矩阵A；

(5)建立因子得分模型并求解。

5.如权利要求1所述的导水裂隙带高度预测方法，其特征在于，步骤二中，所述构建FA-RBF神经网络模型，包括：

(1)RBF神经网络

RBF神经网络共3层，分别为输入层、隐含层和输出层；输入层与隐含层之间为非线性变换，从隐含层到输出层为线性变换；在RBF神经网络中，输入层仅作为通道传输信号，隐含层中神经元的变换函数为径向基函数，通过非线性变换可将信号从输入层传递到隐含层，输出层是对输入信号的响应；与BP神经网络性能依赖于最优参数的选择、收敛速度慢且容易陷入局部极小不同，单隐含层的RBF神经网络，其隐含层神经元数目在训练阶段自适应地调整，因此可以得到连续函数的最佳逼近；

RBF神经网络的训练过程分为两步，首先进行无监督学习，计算输入层与隐含层之间的和，常用的RBF函数为高斯函数，输出值由以下激活函数得到：

其中，||x_p-c_i||为欧式范数，c_i为聚类中心，σ_i为基函数标准差；

求隐含层与输出层之间的权值ω_i，最终得到RBF神经网络的输出：

其中，ω_i为隐含层到输出层的连接权值；y_p为第p个样本对应模型的输出；

(2)FA-RBF神经网络模型的构建

所述FA-RBF神经网络模型是由因子分析和RBF神经网络结合而成，用于集合两种方法各自的独特优势，采用因子分析对原始变量进行降维处理，消除原始变量之间的相关性，提取出累计贡献率大于85％的新综合变量作为RBF神经网络的新输入；通过RBF神经网络对样本进行仿真训练，最后通过测试样本对其预测结果进行。