基于差值灰色径向基函数神经网络的瓦斯涌出量预测

瓦斯爆炸、煤与瓦斯突出和瓦斯窒息是困扰我国煤矿企业安全生产的重大灾害事故,瓦斯浓度超限则是导致瓦斯灾难事故发生的直接原因,因此,煤矿瓦斯的预测精度的高低对煤矿企业的安全起着至关重要的作用。 众所周知,瓦斯涌出量受地质条件、煤层赋存状态、煤和围岩瓦斯含量、开采规模、开采工艺、矿井结构等众多复杂因素的影响,并且这些因素之间呈现高度的非线性,而近年来迅速发展起来的神经网络具有较高的非线性映射和并行处理能力,特别像BP神经网络,径向基函数神经网络等等,这些方法无疑都非常适合瓦斯涌出量的建模。但是,神经网络样本数据的随机性对神经网络的精度有着直接的影响。由于噪声的存在,瓦斯涌出量的历史数据一般呈现离乱的状态,这正好符合灰色理论,可以用来解决神经网络样本数据随机性的问题。同时又考虑到径向基函数神经网络比BP神经网络在瓦斯涌出量预测上有优势以及径向基函数神经网络训练简洁,收敛速度快,能无限逼近任意形式的函数的特点,所以将灰色理论和径向基函数神经网络结合起来。 灰色径向基函数神经网络模型的预测精度主要受两个因素影响,一个是灰色理论和径向基函数神经网络的结合方法,另一个是所选择的灰色模型和径向基函数神经网络模型各自本身的预测性能。从这两点出发,本文提出了差值灰色径向基函数神经网络模型,并主要做了以下几个方面的工作： (1)在灰色理论和径向基函数神经网络的结合方法上,本文依据灰色理论弱化样本随机性的优点和径向基函数神经网络训练简洁,收敛速度快,能无限逼近任意形式的函数的特点,提出了一种较为有效的差值结合方法,在一定程度上提高了预测精度。 (2)考虑到近些年来,在瓦斯预测领域,虽然不少研究人员将灰色理论和神经网络结合起来,方法各有不同,并在一定程度上确实提高了瓦斯预测精度,但多数仅仅是将两者的传统模型结合,将两者其中之一或两者都改进后再结合的较少,特别是将两者都改进后再结合的更少,这也正是灰色神经网络混合模型的瓶颈之一。而以往的研究人员对灰色理论和径向基函数神经网络有比较好的改进,所以,将改进的灰色GM(1,1)模型和改进的径向基函数神经网络模型引入进来,用(1)中提到的差值结合法将两个改进模型结合起来,建立了差值灰色径向基函数神经网络模型,以便使模型能够从更大程度上提高预测精度。因此,在灰色模型和径向基函数神经网络模型各自本身的预测性能上,本文选择了两个改进了的具有良好预测性能的模型。 (3)考虑到MATLAB强大的数据处理功能,方便好用的神经网络工具箱函数以及良好的可视化环境,编写代码分别对径向基函数神经网络模型,灰色径向基函数神经网络模型以及差值灰色径向基函数神经网络模型进行了仿真实验,实验结果表明,这三个模型的精度依次提高,差值灰色径向基函数神经网络模型的相对误差也控制在一个较为理想的范围之内,说明,本文所提出的差值灰色径向基函数神经网络模型在预测精度上有了一定的提高,达到了较为理想的效果。