[发明专利]一种导水裂隙带高度预测方法

摘要

本发明属于地下煤炭开采安全生产技术领域，涉及一种导水裂隙带高度预测方法；先统计导水裂隙带高度的影响指标和高度数据，形成样本数据，然后利用主成分分析法对样本数据降维，建立主成分模型并求取各样本的主成分值，之后与导水裂隙带高度组成新的样本集，再利用小波神经网络算法模型对样本集进行训练和检验，建立导水裂隙带高度的小波神经网络预测模型，最后根据建立的预测模型对矿井导水裂隙带高度进行预测；其将主成分分析用于导水裂隙带高度影响指标的处理，既可以保证输入数据的精度，又可以大大加快神经网络的收敛速度，同时提高模型的预测精度，其设计原理可靠，预测方法简单，预测环境友好。

主权项

一种导水裂隙带高度预测方法，其特征在于包括以下工艺步骤：(1)获取样本数据：选取导水裂隙带高度的影响指标5～8个，统计部分矿井的导水裂带隙影响指标和高度数据，形成样本数据；(2)影响指标的主成分建模：利用主成分分析法对步骤(1)形成的样本数据中各样本的影响指标数据进行降维，得到影响导水裂隙带高度的主成分模型，求取各样本的主成分值，并与导水裂隙带高度组成新的样本集，其具体步骤如下：①对样本数据的各样本中的影响指标数据进行归一化处理，得到样本集矩阵X；②将样本集矩阵X用下式变换为相关矩阵，得到主成分矩阵R：R＝(rij)p×p且rij=1nΣa=1n(xai-x‾i)(xaj-x‾j),(i=1,2,···p;j=1,2,···p)]]>其中：xai为第i个影响指标第a个样本的数值；为第i个影响指标所有样本数值的平均值；xaj为第j个影响指标第a个样本的数值；为第j个影响指标所有样本数值的平均值；n为样本个数；i为影响指标个数；rij为第i个影响指标与第j个影响指标的相关系数；③根据主成分矩阵R求出特征值、主成分贡献率和累计贡献率，确定主成分个数m，并按下式建立主成分模型：Fi＝a1iX1+a2iX2+…+apiXp   (i＝1,2,…,m)其中，Fi为第i主成分，每个方程中的系数向量(a1i,a2i,…,api)分别是特征值λ1，λ2，…，λm所对应的单位特征向量，Xi(i＝1、2……i)为第i个影响指标的标准化数据；④求取各样本主成分的数值，并与导水裂隙带实测高度组成新的样本集；(3)建立导水裂隙带高度预测的小波神经网络模型：利用小波神经网络算法模型进行训练，建立导水裂隙带高度的小波神经网络预测模型，其步骤如下：①建立网络样本：把步骤(2)中形成的新样本集划分为训练样本和测试样本，训练样本用于训练网络，测试样本用于测试网络预测精度；②网络初始化：随机初始小波函数伸缩因子ak、平移因子bk以及网络连接权值，设置网络学习速率lr1和lr2，设定期望误差e’和最大训练步数m；③网络训练：把训练样本输入网络，计算网络预测输出并计算网络输出和期望输出误差e，根据误差e修正网络权值和小波函数参数，使网络预测值逼近期望值；④判断算法是否结束：若误差e达到期望误差值e’或达到训练步数m则算法结束，否则返回步骤③；⑤网络检验：利用测试样本测试网络预测精度，若预测精度≥85％则可应用，若预测精度<85％则重新主成分建模；(4)根据步骤(3)建立的预测模型对矿井导水裂隙带高度进行预测。