微粒群算法在瓦斯突出预测中应用.docVIP

微粒群算法在瓦斯突出预测中应用摘要：如何确定RBF神经网络的隐单元RBF的中心ci直接影响到神经网络的逼近能力。本文通过带惯性权重的微粒群算法和学习训练法相结合的方式来确定RBF神经网络的隐单元RBF的中心ci。首先使用学习训练的方法根据局部信息确定中心ci，然后充分发挥了微粒群算法全局寻优的特点，通过对数据库的更新，使用带惯性权重的微粒群算法对得到的中心ci进行最优化.同时使用MATLAB进行程序设计。最后将RBF神经网络用于瓦斯突出预测中，得出了准确的预测结果。 关键词：瓦斯突出；微粒群算法；RBF神经网络；MATLAB 中国分类号: TP183；文献标识码: A 前言 瓦斯突出的产生机理和预测过程比较复杂， RBF神经网络在瓦斯突出预测中起到了很重要的作用。煤矿瓦斯突出的影响指标很多，并且各个指标与瓦斯突出之间的关系为非线性的关系，因此要求RBF神经网络具有很好的非线性逼近能力。 RBF神经网络是以函数逼近理论为基础构造的一类前向网络，网络结构自适应确定，输入与初始值无关，结构简单，训练简洁，能够逼近任意非线性函数，而且在逼近能力、分类能力和学习速度方面均优于BP网络。RBF神经网络网络的设计包括三部分：神经元功能函数的设计，神经元之间的连接形式的确定以及网络训练方式的确定。在这三部分中隐单元RBF的设计是比较重要的。RBF函数是一种局部分布的对中心点径向对称的非负非线性函数。但是在神经元功能函数的设计中，RBF功能函数的中心ci的确定有很大的难度。 通常使用随机选取固定中心法，中心的自组织选择法等，但是由于这些学习训练方法的局限性，通过这些方法得到的神经网络适用性和泛化能力比较差，不能满足瓦斯突出预测的要求。本文利用微粒群算法来计算出通过学习训练得到的RBF神经网络的隐单元RBF的中心ci的适应度的方法来确定最后的隐单元RBF的中心ci，并且不断的在以后的实践应用中更新学习训练所用的数据库，系统根据数据库的变化，可以优化原有的隐单元RBF的中心ci ，提高了神经网络的逼近能力，有效的客服了RBF神经网络局部最优的缺点。 1、微粒群算法 1.1基本微粒群算法 微粒群算法（particle swarm optimization，PSO）是1995年由美国社会心理学家J.Kennedy和电气工程师R.Heppner共同提出的，其基本思想是受鸟类群体行为研究结果的启发，并利用了生物学家F.Heppner的生物群体模型[2]。算法原理如下： 微粒群算法主要是使用微粒的适应度大小进行寻找全局最优和优化参数。他将种群中的每个个体看作是N维空间的一个没有质量和体积的微粒，并且在搜索空间以一定的速度飞行，在飞行过程中不断根据环境的改变来改变自身的速度和方向，直到找到适应度最好的位置。假设Xi=（xa1，xa2，xa3，……xan为微粒i的当前位置，Vi=（va1，va2，va3，…… van）代表微粒当前的飞行速度，Pi=（pa1，pa2，pa3，……pan）表示微粒经历的适应度最好的位置，这是局部最优位置。 当f(xi(a+1))≥f(Pi(a)) 时Pi(a+1)= Pi(a) 当f(xi(a+1) ＜f(P(a)) 时Pi(a+1)= Xi(a+1) 所以全局最优位置P（a）=min{f(P0(a) ，P1(a)……Pn(a)}。同时可以得出进化方程为：vij (t+1)=vij (t)+c1v1j(t)[pij (t)-xij (t)]+c2r2j(t)[pgj (t)-xij (t)] 为了更好的确定和优化RBF的中心ci，计算每个数据库得到的中心ci的均方误差，计算出每个中心ci的适应度： E（Xp）=[Yk,p(Xp)-tk,p] 有适应度来确定的适应度函数如下： f(x)= 1.2带惯性权重的微粒群算法 在全局搜索过程中，搜索能力和收敛速度是相对立的，如果搜索能力高了，收敛速度就会相对变慢，为了解决这一问题，在速度进化方程中引用了惯性权重，具体公式如下： vij(t+1)=wvij(t)+c1v1j(t)[pij(t)-xij(t)]+c2r2j(t)[pgj(t)-xij(t)] 式中w称为惯性权重。 在全局搜索利过程中，惯性权重w可以根据要求按照一定趋势改变，这样就既能保证搜索能力又能加快收敛速度。 2、RBF神经网络 人工神经网络是对人类大脑系统一阶特性的一种描述，有类似人的神经元的处理单元通过各种连接方式连接起来构成，整个网络同时具有一个或是多个的输入和输出，能够对信息进行并行和分布处理。人工神经网络主要包括三方面的内容：激活函数，神经元之间的连接形式，网络的学习或者是训练。