论文部分内容阅读
摘 要 在小波神经网络的权值与阈值进行寻优中应用粒子群算法并加以随机扰动，采用预测控制思想建立系统预测模型，与WNN模型对比发现。研究结果表明：模型得到了更高的收敛速率、收敛精度、泛化能力更强，可以广泛应用到煤矿冲击地压危险性预测工作中。
关键词 冲击地压；小波神经网络；粒子群算法；预测模型
中图分类号 TD324 文献标识码 A 文章编号 2095-6363（2017）11-0104-01
沖击地压是一种复杂、严重的非线性动力学现象，是人工活动如煤矿开采、煤矿爆破等诱发的地质灾害[1]。现在对于冲击地压有许多的研究手段。例如机制分析法、现场试验法、声光发射法、能量强度理论、突变理论等[2]。然而由于冲击地压成因复杂，很难对其机理进行深入研究，因此，采用传统的数学、物理手段很难对预测模型构建，近年来，机器算法在非线性模型的构建中得到了广泛的应用。
1 改进的例子群算法
1.1 基本粒子群算法
第i个粒子搜寻至当前最优位置是，
全部粒子种群迄今为止搜寻到的最优空间位置是，为第i个粒子速度，粒子速率及空间位置按照公式1、公式2进行迭代寻优：
（1）
i=1，2，…n d=1，2，…D （2）
1.2 随机扰动粒子群优化算法
由于基本粒子群算法在迭代后期寻优能力较差，为了保证粒子的多样性，特在算法中引入吸引算子，当时，粒子向全局最优解进行靠拢，而当时，粒子飞向种群最优解相异的方向，当差值d很小（）时，证明粒子当前解以接近全局最优，应该向其远离，以实现对其他空间寻优；而当差值d比较大（）时，证明粒子当前的位置离全局最优解距离较远，说明粒子应该靠近它，这样，算法实现了种群中的每个粒子都是随机流动的，使得群体寻优有更快的速度。则对粒子群算法优化如下：
（3）
（4）
2 基于SDPSO-WNN算法的冲击地压预测控制模型
2.1 冲击地压危险性等级模型原理
模型通过进行不断校正，控制误差在理想区间，实现时变非线性系统的预测控制。算法模型如图1所示。
系统的实际输出值与小波神经网络预测输出值做差值得到校正误差：
（5）
加入补偿算法后的闭环系统的输出为：
（6）
其中，h取1为反馈系数。
2.2 冲击地压预测控制算法的流程
冲击地压危险性预测控制步骤如下。1）设置系统的起始状况并及对小波神经网络函数、粒子群参数赋值。2）对样本进行优化筛选用以提高被控对象预测误报率。3）在选取的样本中选取一部分为训练样本，用以训练小波神经网络的参数，构建小波神经网络预测模型并对系统辨识的输出和训练样本的输出进行差分得到辨识误差，利用SDPSO优化算法对辨识网络进行迭代。4）计算系统预测输出值。5）对系统进行反馈校正，对系统的预测能力进行评估。
3 冲击地压预测的实例仿真分析
3.1 WNN神经网络与改进粒子群算法的初始参数
选取
采用随机扰动粒子群算法算法，小波神经网络数据归一化处理的方法比例缩放法，评价指标为均方误差。
粒子群规模为40，加速因子，最大迭代次数，目标精度0.000 1。
3.2 冲击地压危险性预测仿真结果
分别利用样本中1～15组数据进行网络模型训练，利用16～19组样本数据对预测模型进行冲击地压危险等级测试，利用使用公式（7）进行样本归一化处理。
（7）
式中：为数据序列中的原始值；，分别为原始数据中的最大值和最小值；为变化后的数据；，分别为变换后数据的最大值和最小值，通过训练误差达到设定范围0.000 1。
1）随机扰动粒子群优化的WNN模型与WNN模型训练效率对比。WNN模型模拟运行100次均未达到0.001的学习精度，其训练精度最好为0.003 79，最差的达到0.015 46，均值为0.008 57。而对本文建立的SDPSO-WNN模型进行迭代100次，其训练精度60%以上都能迅速到达0.001。
2）SDPSO-WNN模型与WNN模型的预测精度分析。WNN模型的预测精度亦不如SDPSO-WNN优化模型，WNN的仿真结果也与实测结果偏离较大。相比之下，优化后的模型有一个等级的小偏差，预测精度较为理想。
4 结论
本文在小波神经网络的权值与阈值进行寻优中应用粒子群算法并加以随机扰动，采用预测控制思想建立系统预测模型，与WNN神经网络预测模型进行比较。研究结果表明：模型取得了更快的收敛速度、更高的收敛精度、泛化能力较高，可以广泛应用到煤矿冲击地压危险性预测工作中。
参考文献
[1]赵本均，滕学军.冲击地压及其防治[M].北京：煤炭工业出版社，1995.
[2]司光耀.浅谈煤矿冲击地压的主要预测手段[J].煤矿现代化，2008（5）：33-34.
[3]马君，刘小东，孟颖.基于神经网络的城市交通流预测研究[J].电子学报，2009，37（5）：1092-1093.
[4]赵国荣，王希彬，高青伟.粒子群优化小波神经网络在惯导系统传递对准中的应用[J].计算机测量与控制，2010，22（3）：670-673.
关键词 冲击地压；小波神经网络；粒子群算法；预测模型
中图分类号 TD324 文献标识码 A 文章编号 2095-6363（2017）11-0104-01
沖击地压是一种复杂、严重的非线性动力学现象，是人工活动如煤矿开采、煤矿爆破等诱发的地质灾害[1]。现在对于冲击地压有许多的研究手段。例如机制分析法、现场试验法、声光发射法、能量强度理论、突变理论等[2]。然而由于冲击地压成因复杂，很难对其机理进行深入研究，因此，采用传统的数学、物理手段很难对预测模型构建，近年来，机器算法在非线性模型的构建中得到了广泛的应用。
1 改进的例子群算法
1.1 基本粒子群算法
第i个粒子搜寻至当前最优位置是，
全部粒子种群迄今为止搜寻到的最优空间位置是，为第i个粒子速度，粒子速率及空间位置按照公式1、公式2进行迭代寻优：
（1）
i=1，2，…n d=1，2，…D （2）
1.2 随机扰动粒子群优化算法
由于基本粒子群算法在迭代后期寻优能力较差，为了保证粒子的多样性，特在算法中引入吸引算子，当时，粒子向全局最优解进行靠拢，而当时，粒子飞向种群最优解相异的方向，当差值d很小（）时，证明粒子当前解以接近全局最优，应该向其远离，以实现对其他空间寻优；而当差值d比较大（）时，证明粒子当前的位置离全局最优解距离较远，说明粒子应该靠近它，这样，算法实现了种群中的每个粒子都是随机流动的，使得群体寻优有更快的速度。则对粒子群算法优化如下：
（3）
（4）
2 基于SDPSO-WNN算法的冲击地压预测控制模型
2.1 冲击地压危险性等级模型原理
模型通过进行不断校正，控制误差在理想区间，实现时变非线性系统的预测控制。算法模型如图1所示。
系统的实际输出值与小波神经网络预测输出值做差值得到校正误差：
（5）
加入补偿算法后的闭环系统的输出为：
（6）
其中，h取1为反馈系数。
2.2 冲击地压预测控制算法的流程
冲击地压危险性预测控制步骤如下。1）设置系统的起始状况并及对小波神经网络函数、粒子群参数赋值。2）对样本进行优化筛选用以提高被控对象预测误报率。3）在选取的样本中选取一部分为训练样本，用以训练小波神经网络的参数，构建小波神经网络预测模型并对系统辨识的输出和训练样本的输出进行差分得到辨识误差，利用SDPSO优化算法对辨识网络进行迭代。4）计算系统预测输出值。5）对系统进行反馈校正，对系统的预测能力进行评估。
3 冲击地压预测的实例仿真分析
3.1 WNN神经网络与改进粒子群算法的初始参数
选取
采用随机扰动粒子群算法算法，小波神经网络数据归一化处理的方法比例缩放法，评价指标为均方误差。
粒子群规模为40，加速因子，最大迭代次数，目标精度0.000 1。
3.2 冲击地压危险性预测仿真结果
分别利用样本中1～15组数据进行网络模型训练，利用16～19组样本数据对预测模型进行冲击地压危险等级测试，利用使用公式（7）进行样本归一化处理。
（7）
式中：为数据序列中的原始值；，分别为原始数据中的最大值和最小值；为变化后的数据；，分别为变换后数据的最大值和最小值，通过训练误差达到设定范围0.000 1。
1）随机扰动粒子群优化的WNN模型与WNN模型训练效率对比。WNN模型模拟运行100次均未达到0.001的学习精度，其训练精度最好为0.003 79，最差的达到0.015 46，均值为0.008 57。而对本文建立的SDPSO-WNN模型进行迭代100次，其训练精度60%以上都能迅速到达0.001。
2）SDPSO-WNN模型与WNN模型的预测精度分析。WNN模型的预测精度亦不如SDPSO-WNN优化模型，WNN的仿真结果也与实测结果偏离较大。相比之下，优化后的模型有一个等级的小偏差，预测精度较为理想。
4 结论
本文在小波神经网络的权值与阈值进行寻优中应用粒子群算法并加以随机扰动，采用预测控制思想建立系统预测模型，与WNN神经网络预测模型进行比较。研究结果表明：模型取得了更快的收敛速度、更高的收敛精度、泛化能力较高，可以广泛应用到煤矿冲击地压危险性预测工作中。
参考文献
[1]赵本均，滕学军.冲击地压及其防治[M].北京：煤炭工业出版社，1995.
[2]司光耀.浅谈煤矿冲击地压的主要预测手段[J].煤矿现代化，2008（5）：33-34.
[3]马君，刘小东，孟颖.基于神经网络的城市交通流预测研究[J].电子学报，2009，37（5）：1092-1093.
[4]赵国荣，王希彬，高青伟.粒子群优化小波神经网络在惯导系统传递对准中的应用[J].计算机测量与控制，2010，22（3）：670-673.