[发明专利]基于神经网络模型的矿井涌水量预测方法

摘要

本发明公开了一种基于神经网络模型的矿井涌水量预测方法，它包括以下步骤：获取矿井涌水量历史数据并转化为时间序列模式，构建BP神经网络预测模型和学习方法模型，训练预测模型，检验及预报输出，其特征是所述的学习方法模型为泛化性学习方法模型，并用泛化性学习方法对预测模型进行训练时由于本预测模型采用了泛化性学习算法进行训练，所以学习效率高，泛化性能好，预测准确，从而实现了对未来趋势发展的准确预见，较准确的把握现有数据的发展趋势。

主权项

1、一种基于神经网络模型的矿井涌水量预测方法，它包括以下步骤：获取矿井涌水量历史数据并转化为时间序列模式，构建BP神经网络预测模型和学习方法模型、训练预测模型、检验及预报输出，其特征是；(1)所述的学习方法模型为泛化性学习方法模型，其构建过程如下：基于信赖域的基本方法，将最优脑外科过程的权值衰减条件作为网络代价函数的惩罚项，实现在网络训练过程中同时进行权值的衰减，并得到泛化性学习方法的模型为：$\min \Delta w^T{H}_k\mathrm{\Delta w}/2+g_k^T\mathrm{\Delta w}$ ○s.t.ΔwTuq+ηwq＝0 ②$\Delta w^T\mathrm{\Delta w}{\le \gamma }_k^2$ ○其中，式①为神经网络预测模型代价函数的权值增量形式，Hk为网络的Hessian矩阵，gk为网络梯度，Δw为权值增量，式②为权值衰减条件，Δwq为权值第q个元素wq的增量，η为衰减因子；式③为信赖域条件；γk为信赖域半径；(2)训练BP预测模型时采用泛化性学习方法，具体训练过程如下：①对BP网络预测模型进行权值w与控制参数(许用误差ε，衰减因子η，迭代序数k＝1及迭代总数K)的初始化；②将时序样本对引入网络模型，采用BP算法计算当前权值状态下的梯度gk和网络输出误差ξk，以及近似二阶矩阵Hk*(基于LM方法)；③设置终止条件：||gk||≤ε或|ξk|≤ε或k＞K，如果满足条件则训练结束，退出；④计算传统训练方法的权值更新量：${\mathrm{\Delta w}}_1=-H_k^{*-1}{g}_k;$ ⑤计算每个权值元素的显著性Si：$S_i=\frac{{\eta }^2{w}_i^2-2\eta w_i{\left[H_k^{*-1}{g}_k\right]}_i}{2{\left[H_k^{*-1}\right]}_{i,i}}$ 其中，[·]i取向量的第i个元素，[·]i，i取矩阵的第(i，i)个元素，wi为权值的第i个元素；⑥确定显著性的最小指标q，使得Sq＝min Si，然后计算删剪过程下的权值更新量：${\mathrm{\Delta w}}_2=\frac{{\left[H_k^{*-1}{g}_k\right]}_q-{\mathrm{\eta w}}_q}{{\left[H_k^{*-1}\right]}_{q,q}}{H}_k^{*-1}{u}_q$ 其中，uq为仅第q个元素为1的单位向量，wq为权值的第q个元素；⑦计算在wmew＝wk+Δw1+Δw2下的误差指标ξnew，如果ξnew＜ξk，表明衰减过程有效，设置下一轮的权值状态wk+1＝wnew；⑧否则，令wk+1＝wk+Δw1，k＝k+1，返回②继续迭代。