灰色神经网络算法的煤矿瓦斯涌出量预测模型研究.docVIP

基于灰色神经网络算法的煤矿瓦斯涌出量预测模型研究 宋强1, 王爱民2 (1.安阳工学院机械工程系，河南省安阳市，455000;2. 安阳师范学院计算机与信息工程学院，河南省安阳市，455000) 摘 要 本文提出了灰色神经网络对进行预测，并在此基础上构造了灰色神经网络模型，该模型有效地灰色理论弱化数据序列波动性和神经网络特有的非线性适应性信息处理能力相融合，研究结果证明，本模型能在小样本贫信息的条件下对做出比较准确的预测，此种模型具有预测精度高、所需样本少、计算简便等优点，取得了比较满意的结果。和算法相比，灰色神经网络算法有很大的应用前景和推广价值。 关 键 词灰色神经网络预测灰色GM(1,1)Abstract: A grey neural network model was proposed on the basis of the models.The fluctuation of data sequence is weakened by the grey theory and the neural network is capable of processing non-linear adaptable information, and the GNN is a combination of those advantages. The results reveal, the Mine gas gushing can be accurately predicted through this model by reference to small sample and information. It was concluded that the GNN model is effective with the advantages of high precision, less samples required and simple calculation. Key words: Mine Gas gushing,grey neural network,prediction,grey model. 1．引言 矿井瓦斯是煤矿生产过程中的主要不安全因素之一,瓦斯涌出量对矿井设计、建设和开采都有重要影响。随着开采深度和产量的增加,瓦斯潜在的影响更加显著。瓦斯涌出量是决定矿井通风的主要指标, 因此，预测结果的正确与否,将直接影响矿井的技术经济指标。若预测的涌出量偏低,矿井投产不久就需要进行通风改造,或者被迫降低产量,从而造成很大的经济损失;若预测的涌出量偏高,势必增加不必要的投资,造成很大的浪费。因此, 对瓦斯涌出量的准确预测是指导矿井设计和安全生产的前提。 众所周知，瓦斯涌出量受煤层深度，煤层厚度，煤层瓦斯含量，煤层间距，日进度，日产量等因素的影响，具有高度的非线性，而人工神经网络具有自学习、非线性映射和并行分布处理的能力，这些能力无疑都非常适合于对瓦斯涌出量的建模，在多次对瓦斯涌出量的历史数据序列单纯使用灰色GM(1,1)灰色GM(1,1)模型的建模 灰色预测方法和传统的统计预测方法有着较多的优点，它不需要确定预测变量是否服从正态分布，不需要大的样本统计量，不需要根据输入变量的改变而随时改变预测模型，通过累加生成技术，建立统一的微分方程模型，累加还原后得出预测结果，微分方程模型具有更高的预测精度。建立GM(1,1)模型的实质是对原始数据作一次累加生成，使生成数列呈现一定规律，通过建立微分方程模型，求得拟和曲线，用以对系统进行预测。 设有时间序列作一阶累加生成1-AGO： （1） 构造一阶线性微分方程后，可得该方程的白化微分方程为： （2） 利用最小二乘法求解a,u有 (3) 式中 的灰色预测模型为 （4） 的灰色预测模型为 （5）X(0)： X(0)={x(0)(1),x(0)(2),x(0)(3),…,x(0)(n)} 数列为GM(1，1)=； 残差数列： == {x(0)(1)-} (6) 相对残差数列Δ： Δ=={Δk} =, k=1,2,…,n (7) 2.3 灰色神经网络组合模型 灰色神经网络模型是灰色方法和神经网络的完全融合，因此该模型同时具有灰色