一种基于PCA-EML的煤矿突水预测方法技术

一种基于PCA-EML的煤矿突水预测方法，属于煤矿突水预测方法。包括以下步骤：1.获取煤矿正常开采运行状态下影响煤矿突水的众多数据；2.利用主成分分析法对影响煤矿突水的众多因素进行筛选，得到对煤矿突水起决定性因素的主控因素；3.将仅包含主控因素的样本数据划分为训练集、验证集和测试集，分别对应于模型的训练、验证和测试；4.建立极限学习机网络模型，经过极限学习机算法对该数据进行训练；5.利用验证数据验证煤矿突水预测模型，如果得到的预测结果和其他算法比较，没有明显优势，则从主成分分析开始重新建立模型，若预测结果较为理想，则将其作为预测模型来实际预测煤矿突水情况。

【技术实现步骤摘要】
【专利摘要】一种基于PCA-EML的煤矿突水预测方法，属于煤矿突水预测方法。包括以下步骤：1.获取煤矿正常开采运行状态下影响煤矿突水的众多数据；2.利用主成分分析法对影响煤矿突水的众多因素进行筛选，得到对煤矿突水起决定性因素的主控因素；3.将仅包含主控因素的样本数据划分为训练集、验证集和测试集，分别对应于模型的训练、验证和测试；4.建立极限学习机网络模型，经过极限学习机算法对该数据进行训练；5.利用验证数据验证煤矿突水预测模型，如果得到的预测结果和其他算法比较，没有明显优势，则从主成分分析开始重新建立模型，若预测结果较为理想，则将其作为预测模型来实际预测煤矿突水情况。【专利说明】—种基于PCA-EML的煤矿突水预测方法
本专利技术涉及一种煤矿突水预测方法，特别是一种基于PCA-EML的煤矿突水预测方法。
技术介绍
煤矿突水是煤矿安全生产中的重大隐患之一，及时正确地预测突水，对保障煤炭开采的顺利进行具有重要的意义。影响煤矿突水的因素很多，这些因素多是不定性和模糊相似的，各影响因素间有复杂的非线性关系，难以用经典的数学理论建立预测模型。基于此，专家学者们提出了预测矿井突水的方法，有采用BP算法基于矿井突水样本实例建立突水预报神经网络模型、基于遗传神经网络的煤矿突水预测方法和用支持向量机-粗糙集SVM-RS模型对矿井突水信息进行处理，但是BP神经网络的训练速度慢，易陷入局部极小点，SVM在学习过程中需要人为设置核函数、惩罚系数等参数，且需要消耗大量的时间进行参数调整，因此提出了极限学习机(ELM)算法结合主成分分析(PCA)的煤矿突水预测方法。ELM (极限学习机)算法是一种单隐藏层前馈神经网络学习算法，该算法在训练过程中不需要调整网络的输入权值记忆隐藏层的偏置，只需设置网络的隐藏层节点个数，就能产生唯一的最优解。与传统的算法相比，该算法具有参数选择容易、学习速度快且泛化性能好等优点。PCA (主成分分析)法是一种数据压缩和特征提取的多变量统计技术，能够有效去除数据之间的相关性，降低计算的复杂度。煤矿突水的影响因素作为网络输入变量时，这些影响因素中肯定包含彼此相关的信息，由于网络输入变量之间的不独立性，可能会导致信息重叠，进而增加网络的复杂程度，降低网络性能，影响预测精度。
技术实现思路
本专利技术目的是要提供一种参数选择容易、学习速度快且泛化性能好的基于PCA-EML的煤矿突水预测方法。为了实现上述目的，本专利技术采用以下技术方案:用主成分分析法来优化神经网络的输入参数，首先利用主成分分析法对多种因素数据进行预处理，消除原有数据之间的信息重叠，产生新的相互独立的训练样本，尽可能多地保留原有信息，然后把重构的训练样本作为极限学习机的输入，降低神经网络的结构复杂度，提高收敛速度。具体的步骤如下:(I)获取煤矿正常开采运行状态下影响煤矿突水的众多数据；(2)利用主成分分析法对影响煤矿突水的众多因素进行筛选，得到对煤矿突水起决定性因素的主控因素；用主成分分析法对煤矿突水主控影响因素进行筛选的具体步骤如下:①取煤矿正常开采运行状态下的采样数据矩阵，并对其进行标准化处理得到矩阵X ；②根据标准化处理后的数据矩阵X计算协方差矩阵R ;③根据协方差矩阵R求出特征值、主成分贡献率和累计方差贡献率，确定主成分个数；④由主成分个数确定负载矩阵W，W = XM,即为建立的极限学习机模型的学习样本；(3)将仅包含主控因素的样本数据划分为训练集、验证集和测试集，分别对应于模型的训练、验证和测试；(4)建立极限学习机网络模型；建立极限学习机网络模型，并经过极限学习机算法对该数据进行训练，其步骤如下:①给定N个训练样本IxiJh i = 1,2,…，N;初始隐藏层节点数设为及，激励函数 g (X);②为输入权值％和阈值I3i随机赋值，其中ζ.= 1，2，...，N;③根据激励函数g(x)的SLFN的统一模型公式【权利要求】1.一种基于PCA-EML的煤矿突水预测方法，其特征是:用主成分分析法来优化神经网络的输入参数，首先利用主成分分析法对多种因素数据进行预处理，消除原有数据之间的信息重叠，产生新的相互独立的训练样本，尽可能多地保留原有信息，然后把重构的训练样本作为极限学习机的输入，降低神经网络的结构复杂度，提高收敛速度，具体步骤如下: (1)获取煤矿正常开采运行状态下影响煤矿突水的众多数据； (2)利用主成分分析法对影响煤矿突水的众多因素进行筛选，得到对煤矿突水起决定性因素的主控因素； (3)将仅包含主控因素的样本数据划分为训练集、验证集和测试集，分别对应于模型的训练、验证和测试； (4)建立极限学习机网络模型； (5)利用验证数据验证煤矿突水预测模型，如果得到的预测结果和其他算法比较，没有明显优势，则从主成分分析开始重新建立模型，若预测结果较为理想，则将其作为预测模型来实际预测煤矿突水情况。2.根据权利要求1所述的基于PCA-EML的煤矿突水预测方法，其特征在于:所述的用主成分分析法对煤矿突水主控影响因素进行筛选，其步骤如下: (1)取煤矿正常开采运行状态下的采样数据矩阵，并对其进行标准化处理得到矩阵X ； (2)根据标准化处理后的数据矩阵X计算协方差矩阵R； (3)根据协方差矩 阵R求出特征值、主成分贡献率和累计方差贡献率，确定主成分个数； (4)由主成分个数确定负载矩阵W，W= XM,即为建立的ELM (极限学习机)模型的学习样本。3.根据权利要求1所述的基于PCA-EML的煤矿突水预测方法，其特征在于:建立极限学习机网络模型，并经过极限学习机算法对该数据进行训练，其步骤如下: (1)给定N个训练样本Ixi,tj，i = 1，2，…，N;初始隐藏层节点数设为及，激励函数g(x)； (2)为输入权值Coi和阈值I3i随机赋值，其中i= l，2，...，N.(3)根据激励函数g(X)的SLFN的统一模型公式 【文档编号】G06F19/00GK103745093SQ201310726176【公开日】2014年4月23日 申请日期:2013年12月25日 优先权日:2013年12月25日 【专利技术者】赵作鹏, 宋国娟 申请人:中国矿业大学本文档来自技高网...

【技术保护点】
一种基于PCA?EML的煤矿突水预测方法，其特征是：用主成分分析法来优化神经网络的输入参数，首先利用主成分分析法对多种因素数据进行预处理，消除原有数据之间的信息重叠，产生新的相互独立的训练样本，尽可能多地保留原有信息，然后把重构的训练样本作为极限学习机的输入，降低神经网络的结构复杂度，提高收敛速度，具体步骤如下：（1）获取煤矿正常开采运行状态下影响煤矿突水的众多数据；（2）利用主成分分析法对影响煤矿突水的众多因素进行筛选，得到对煤矿突水起决定性因素的主控因素；（3）将仅包含主控因素的样本数据划分为训练集、验证集和测试集，分别对应于模型的训练、验证和测试；（4）建立极限学习机网络模型；（5）利用验证数据验证煤矿突水预测模型，如果得到的预测结果和其他算法比较，没有明显优势，则从主成分分析开始重新建立模型，若预测结果较为理想，则将其作为预测模型来实际预测煤矿突水情况。

【技术特征摘要】

【专利技术属性】
技术研发人员：赵作鹏，宋国娟，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：