孟德峰--煤矿安全生产的基础上改进的BP神经网络预警.docx

煤矿安全生产的基础上改进的BP神经网络预警 王营 卢翠杰 左翠平 中国矿业大学管理学院，北京100083 关键词：粒子群优化算法 神经网络 煤矿安全生产 早期预警 摘要： 首先，预警指标体系为矿井安全生产等四个方面给出了每—相应的管理。然后，这是额外的改进措施动量,学习率、粒子群优化算法，变权用于优化BP神经网络方法和异步学习。将模型应用于煤矿安全预警实例的对比研究，结果表明对网络模型的识别精度高于英镑和PSO-BP模型和改进的—BP模型不仅可以有地减少网络陷入局部最小的可能性得还具有收敛速度快、高精度将为提供科学依据煤矿安全生产预警管理。 @ 201 5由Elsevier B.V. 代表中国矿业＆科技大学出版。 1．介绍 采矿业是一种高利率的高风险行业，安全生产事故的预警管理机制是非常重要的，以加强事前的控制—煤矿安全事故控制领域中许多研究。煤矿安全生产的早期预警近年来【1-5】如煤与瓦斯突出预警地理信息系统和神经网络的基础 上提出的。【4】理论和实践的监控—与煤矿事故他就会提出预警。 【5】.火警模型主要采用主成分分析。集群方法论，粗糙集，人工神经网络 与其他研究方法。人工神经网络和其他有哪些信誉好的足球投注网站方法。不同的研究方法有不同的局限性。例如：粗糙集在知识性原因，预测和自学上没有优势。对预警指标的线性关系。人工神经—神经网络具有收敛速度慢和局部问题现有的目标函数最小点【6】。 最早的煤矿安全生产预警管理具有复杂性、非线性和不确定性。神经网络具有并行分布处理的特点，非线性映射，自我适应能力和自我学习能力，适用于处理非线性问题【7】粒子群优化算法可以优化收敛速度BP神经网络的问题，最小点在目标函数中存在的【8】本文提出了改进粒子群-基于BP神经网络模型 以上，并适用于煤矿的早期预警管理安全生产。接着估计和确定煤矿安全生产预警等级以提供对企业预警管理的科学基础。 2. 神经网络与粒子群优化算法的理论与改进 2.1神经网络基本原理 神经网络是一种多层前馈反馈神经网络，通过优化梯度下降算法对误差函数梯度的相对方向单独使用，以连续校正网络权值和阈值，直到网络输出误差和理想值，输出满足要求的性能指标【9】BP神经网络由输入层和输出层构成，没有耦合在同层节点和节点输出各层只影响下一层节点的输出，每个节点的激活函数通常神经网络广泛应用于函数逼近。模式识别与分类和数据压缩等。 2.2粒子群优化算法的基本原理 粒子群优化算法是进化的基于群智能算法，其基本思想是，粒子群优化算法初始化一组随机粒子（随机解）来查找协作基础上的最优解和个人之间的信息共享【11】在每次迭代过程中粒子更新其中一个是自流最优解的极值 （个体极值）和其他集团当前最适解（全局极值）【7】. 假设有m维有哪些信誉好的足球投注网站空间在每个位置都提供Xi=(Xi1,Xi2…,Xid ),该速度是Vi=（Vi1，Vi2，…，Vi d ），I = 1,2，…，那些历史上的最佳位置已经被有哪些信誉好的足球投注网站 的记忆本 =（Pi1、Pi2…，），整个粒子群最佳位置已被有哪些信誉好的足球投注网站最优=（PG1，PG2 ......，PGD）. v(t+1)=(c)×v(t)+ct×r t x(记忆体(t)一x(c))+c2 x r2 x(记忆体（t)一x(c) x(t+1)=x(t)+v(t+1) 其中w是惯性权重；c1.c2学习因素；R1、R2为 随机数从0到1。 2.3改进的神经网络方法 有许多改进的BP神经网络算法，提出以下改进方案结合煤矿安全生产预警的要求. 传统的改进算法 附加动量法 不仅要对梯度的影响，而且还影响对曲面误差变化趋势时应考虑修正权重。它允许忽略网络上的[12]的小变化调节公式包括附加动量因子: 条件如下： 自适应学习率 自适应学习率函数的设计依赖于BP神经网络的训练过程的收敛性，从而减少冲击学习过程的同时提高网络学习率[ 13 ]学习率的改进公式： （2）粒子群优化的BP 粒子群算法优化BP神经网络的方法，粒子群的迭代以BP算法中的梯度修正的地方。粒子群算法的有哪些信誉好的足球投注网站过程是速度和不同尺寸的变化，但神经网络的学习过程是更新过程的权值和阈值[ 14 ]。因此，该位置矢量每个粒子在粒子群对应的重量和BP神经网络的粒子尺寸阈值等于总数量的权值和阈值的神经网络[ 15 ]. 将神经网络的输出误差作为适应度函数，以最小的误差所产生的每一次迭代粒子群算法的粒子是当前全局最优粒子。该算法将停止并得到最优集训练时满足误差要求或预设数量的迭代权重和阈值。算法的步骤如图1所示: (3)改进粒子群算法的BP 虽然PSO算法易于操作且收敛速度这也如有哪些信誉好的足球投注网站精度低、易陷入局部最优解[ 14 ]的问题。因此，有必要进一步提高粒子群优化算法。这样减少了线性时变权重结合异步时变因素的学习有更好的在改进方法[ 16 ]的影响. 时变权重的方法 一般来说，粒子群算法具有更