微粒群算法在瓦斯突出預(yù)測中應(yīng)用

《微粒群算法在瓦斯突出預(yù)測中應(yīng)用》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。

1、微粒群算法在瓦斯突出預(yù)測中應(yīng)用摘要：如何確定RBF神經(jīng)網(wǎng)絡(luò)的隱單元RBF的中心ci直接影響到神經(jīng)網(wǎng)絡(luò)的逼近能力。本文通過帶慣性權(quán)重的微粒群算法和學(xué)習(xí)訓(xùn)練法相結(jié)合的方式來確定RBF神經(jīng)網(wǎng)絡(luò)的隱單元RBF的中心ci。首先使用學(xué)習(xí)訓(xùn)練的方法根據(jù)局部信息確定中心ci，然后充分發(fā)揮了微粒群算法全局尋優(yōu)的特點(diǎn)，通過對數(shù)據(jù)庫的更新，使用帶慣性權(quán)重的微粒群算法對得到的中心ci進(jìn)行最優(yōu)化.同時(shí)使用MATLAB進(jìn)行程序設(shè)計(jì)。最后將RBF神經(jīng)網(wǎng)絡(luò)用于瓦斯突出預(yù)測中，得出了準(zhǔn)確的預(yù)測結(jié)果。關(guān)鍵詞：瓦斯突出；微粒群算法；RBF神經(jīng)網(wǎng)絡(luò)；MATLAB中國分類號:TP183；文

2、獻(xiàn)標(biāo)識(shí)碼:A前言瓦斯突出的產(chǎn)生機(jī)理和預(yù)測過程比較復(fù)雜，RBF神經(jīng)網(wǎng)絡(luò)在瓦斯突出預(yù)測中起到了很重要的作用。煤礦瓦斯突出的影響指標(biāo)很多，并且各個(gè)指標(biāo)與瓦斯突出之間的關(guān)系為非線性的關(guān)系，因此要求RBF神經(jīng)網(wǎng)絡(luò)具有很好的非線性逼近能力。8RBF神經(jīng)網(wǎng)絡(luò)是以函數(shù)逼近理論為基礎(chǔ)構(gòu)造的一類前向網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)自適應(yīng)確定，輸入與初始值無關(guān)，結(jié)構(gòu)簡單，訓(xùn)練簡潔，能夠逼近任意非線性函數(shù)，而且在逼近能力、分類能力和學(xué)習(xí)速度方面均優(yōu)于BP網(wǎng)絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的設(shè)計(jì)包括三部分：神經(jīng)元功能函數(shù)的設(shè)計(jì)，神經(jīng)元之間的連接形式的確定以及網(wǎng)絡(luò)訓(xùn)練方式的確定。在這三部分中隱單元RBF

3、的設(shè)計(jì)是比較重要的。RBF函數(shù)是一種局部分布的對中心點(diǎn)徑向?qū)ΨQ的非負(fù)非線性函數(shù)。但是在神經(jīng)元功能函數(shù)的設(shè)計(jì)中，RBF功能函數(shù)的中心ci的確定有很大的難度。通常使用隨機(jī)選取固定中心法，中心的自組織選擇法等，但是由于這些學(xué)習(xí)訓(xùn)練方法的局限性，通過這些方法得到的神經(jīng)網(wǎng)絡(luò)適用性和泛化能力比較差，不能滿足瓦斯突出預(yù)測的要求。本文利用微粒群算法來計(jì)算出通過學(xué)習(xí)訓(xùn)練得到的RBF神經(jīng)網(wǎng)絡(luò)的隱單元RBF的中心ci的適應(yīng)度的方法來確定最后的隱單元RBF的中心ci，并且不斷的在以后的實(shí)踐應(yīng)用中更新學(xué)習(xí)訓(xùn)練所用的數(shù)據(jù)庫，系統(tǒng)根據(jù)數(shù)據(jù)庫的變化，可以優(yōu)化原有的隱單元RBF的中

4、心ci，提高了神經(jīng)網(wǎng)絡(luò)的逼近能力，有效的客服了RBF神經(jīng)網(wǎng)絡(luò)局部最優(yōu)的缺點(diǎn)。1、微粒群算法1.1基本微粒群算法微粒群算法（particleswarmoptimization，PSO）是1995年由美國社會(huì)心理學(xué)家J.Kennedy和電氣工程師R.Heppner共同提出的，其基本思想是受鳥類群體行為研究結(jié)果的啟發(fā)，并利用了生物學(xué)家F.Heppner的生物群體模型[2]。算法原理如下：8微粒群算法主要是使用微粒的適應(yīng)度大小進(jìn)行尋找全局最優(yōu)和優(yōu)化參數(shù)。他將種群中的每個(gè)個(gè)體看作是N維空間的一個(gè)沒有質(zhì)量和體積的微粒，并且在搜索空間以一定的速度飛行，在飛行過程

5、中不斷根據(jù)環(huán)境的改變來改變自身的速度和方向，直到找到適應(yīng)度最好的位置。假設(shè)Xi=（xa1，xa2，xa3，……xan為微粒i的當(dāng)前位置，Vi=（va1，va2，va3，……van）代表微粒當(dāng)前的飛行速度，Pi=（pa1，pa2，pa3，……pan）表示微粒經(jīng)歷的適應(yīng)度最好的位置，這是局部最優(yōu)位置。當(dāng)f(xi(a+1))≥f(Pi(a))時(shí)Pi(a+1)=Pi(a)當(dāng)f(xi(a+1)＜f(P(a))時(shí)Pi(a+1)=Xi(a+1)所以全局最優(yōu)位置P（a）=min{f(P0(a)，P1(a)……Pn(a)}。同時(shí)可以得出進(jìn)化方程為：vij(t+1)=

6、vij(t)+c1v1j(t)[pij(t)-xij(t)]+c2r2j(t)[pgj(t)-xij(t)]為了更好的確定和優(yōu)化RBF的中心ci，計(jì)算每個(gè)數(shù)據(jù)庫得到的中心ci的均方誤差，計(jì)算出每個(gè)中心ci的適應(yīng)度：E（Xp）=[Yk,p(Xp)-tk,p]有適應(yīng)度來確定的適應(yīng)度函數(shù)如下：f(x)=1.2帶慣性權(quán)重的微粒群算法8在全局搜索過程中，搜索能力和收斂速度是相對立的，如果搜索能力高了，收斂速度就會(huì)相對變慢，為了解決這一問題，在速度進(jìn)化方程中引用了慣性權(quán)重，具體公式如下：vij(t+1)=wvij(t)+c1v1j(t)[pij(t)-xij(

7、t)]+c2r2j(t)[pgj(t)-xij(t)]式中w稱為慣性權(quán)重。在全局搜索利過程中，慣性權(quán)重w可以根據(jù)要求按照一定趨勢改變，這樣就既能保證搜索能力又能加快收斂速度。2、RBF神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)是對人類大腦系統(tǒng)一階特性的一種描述，有類似人的神經(jīng)元的處理單元通過各種連接方式連接起來構(gòu)成，整個(gè)網(wǎng)絡(luò)同時(shí)具有一個(gè)或是多個(gè)的輸入和輸出，能夠?qū)π畔⑦M(jìn)行并行和分布處理。人工神經(jīng)網(wǎng)絡(luò)主要包括三方面的內(nèi)容：激活函數(shù)，神經(jīng)元之間的連接形式，網(wǎng)絡(luò)的學(xué)習(xí)或者是訓(xùn)練。激活函數(shù)為徑向基函數(shù)（RBF）的神經(jīng)網(wǎng)絡(luò)為RBF神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)是一個(gè)單隱層的三層前饋網(wǎng)絡(luò)

8、，分別為輸入層，隱含層，輸出層。隱含層的傳遞函數(shù)為radbas。徑向基網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。實(shí)驗(yàn)已經(jīng)證明：徑向基網(wǎng)絡(luò)能夠以任