基于LVQ‑CPSO‑BP算法的煤体瓦斯渗透率预测方法

摘要

基于LVQ‑CPSO‑BP算法的煤体瓦斯渗透率预测方法，提出基于学习向量量化神经网络(LVQ)分类、混沌粒子群算法(CPSO)优化、BP神经网络预测的LVQ‑CPSO‑BP煤体瓦斯渗透率预测方法。确定临界值将煤层埋深划分为两层；基于有效应力与瓦斯渗透率之间存在拐点关系，确定拐点值将有效应力划分为两段；采用LVQ将4个微观样本参数依据拐点特征进行分类识别，采用BP神经网络进行学习训练并输出预测结果,并用CPSO对BP神经网络的权值和阈值进行优化；最后，基于样本案例对本发明构建的LVQ‑CPSO‑BP算法进行了预测结果验证，并与BP算法、GA‑BP算法及PSO‑BP算法预测的结果进行了对比分析。

说明书

技术领域

本发明涉及煤体瓦斯渗透率预测领域，特别涉及基于LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法。

背景技术

煤矿瓦斯灾害是煤矿开采过程中的主要灾害之一，受地质条件的影响，使得矿井瓦斯在煤层中多以失稳状态渗流运动。由于瓦斯渗透率与地应力、温度和瓦斯压力等所处的地球时间空间特性息息相关，致使瓦斯渗透率呈现出时变性、非线性、模糊性等特点，如何精确预测煤体瓦斯渗透率的动态变化，对预防矿山开采中煤矿瓦斯灾害的发生有重要意义。

国内外研究人员针对煤体瓦斯渗透率的变化进行了研究，吕闰生等研究了不同结构下煤体瓦斯渗透率的差异性，揭示了煤体结构差异性对瓦斯渗透率的影响；魏建平等研究了水分和受载条件下含瓦斯煤的渗透性影响因素；尹光志，蒋长宝等研究了瓦斯压力、地应力与渗透率的关系；王登科等研究了瓦斯的渗流特性,得出了渗透率新的计算方法；许江等研究了温度、低孔隙压力和不同瓦斯压力的环境下对煤体瓦斯渗透率特性的影响；Perera等研究了煤体瓦斯气体在非零横向应变条件下的渗透率；赵阳升等研究了三维应力下吸附作用对煤岩体气体渗流规律。由于开采过程中煤体瓦斯渗透率的不确定性以及模糊性特征，国内外学者建立的理论模型和经验公式是不适用于煤体瓦斯渗透率预测的。因此，以智能算法为主的预测方法开始得到了应用，其中BP神经网络(back propagation neural network)是用于煤体瓦斯渗透率预测的主要方法之一，一定程度上解决了矿山安全预测问题。但是以BP神经网络为主的单个预测模型算法只能针对特定问题进行解答，因此以组合算法为主架构的混合预测模型研究得到迅速发展，即考虑单一预测模型的优缺点及适用性，通过构建智能优化算法结合神经网络分析煤体瓦斯渗透率在不同条件下的变化特点,建立一种优化算法与神经网络结合的双组合算法，提高了预测精度，然而，获得更高精度的煤体瓦斯渗透率预测在算法上需要更多的组合和改进。

综上所述，本发明提出采用学习向量量化神经网络算法(Learning Vector Quantization，即LVQ)分类、混沌与粒子群组合生成的混沌粒子群算法(Chaos Particle Swarm Optimization，CPSO)优化、BP神经网络预测的多组合算法对煤体瓦斯渗透率进行预测，通过煤层埋深宏观分层、有效应力微观分段、权值和阈值并行优化、样本数据学习训练、检验样本预测验证，并与BP单一算法、遗传和BP双组合算法(Genetic AlgorithmGA-BP)、粒子群和BP双组合算法(Particle Swarm Optimization，PSO-BP)预测的结果进行对比分析，充分证明了LVQ-CPSO-BP多组合算法在煤体瓦斯渗透率预测精度提高方面可行、有效。

发明内容

为解决上述现有技术存在的问题，本发明的目的在于提供基于LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法。总体预测值与实测值吻合度高，尤其当有效应力减小时，预测精度更高。

为达到上述目的，本发明的技术方案为：

基于LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法，由如下步骤构成：

步骤一、煤层埋深划分及选择：对煤层埋深进行研究：煤层埋深分为浅埋层和非浅埋层，而浅埋层一般在150m以上，处于瓦斯风化带，本发明不做讨论；而非浅埋层是指150m以下，最深达到1500m左右，大部分煤层处于200m-700m之间，因此本发明忽略浅埋层，将非浅埋层自定义分为两层，设临界值为700m，以浅为中埋层，以深为深埋层；

步骤二，主要影响因素选择：选择有效应力、温度、瓦斯压力、抗压强度作为主要影响因素；

有效应力与煤体瓦斯渗透率之间的关系出现拐点，有效应力小于拐点时，煤体瓦斯渗透率变化较快，大于拐点时，煤体瓦斯渗透率变化平缓，将2MPa设为有效应力拐点；

步骤三、在煤层埋深非浅埋层宏观划分基础上，采用LVQ算法对有效应力样本数据按拐点进行微观分类；

步骤四、建立基于CPSO-BP算法的煤体瓦斯渗透率预测子模型；

步骤五、通过LVQ-CPSO-BP预测系统的训练，获得煤体瓦斯渗透率预测结果。

进一步的，为了评价所建立预测模型的可信度及精确度，对误差和精度进行量化，采用式(1)-式(4)预测误差和精度评价指标进行煤体瓦斯渗透率预测结果定量评估：

1)预测误差的可靠性用平均相对误差:(mean relative error,MRE)：

2)预测值偏离真值误差的大小用平均绝对误差(mean absolute error,MAE)：

3)样本数据离散程度用均方根误差(root mean square error,RMSE)：

4)预测模型精确度(forecast model accuracy,FMA)：

其中：X_i为真实值，X_i′为与预测值,M为样本数量。

进一步的，所述步骤三中，采用LVQ以有效应力拐点为界将其分为煤体瓦斯渗透率变化平缓型和陡峭型两种类型，以样本数据中有效应力为(1-5)MPa的平均值温度平均值瓦斯压力平均值抗压强度平均值作为LVQ的输入，经过LVQ分类识别训练后，获得两类分类样本数据。

进一步的，所述步骤三中，煤体瓦斯渗透率预测学习样本向量用X表示，样本集为：

[X]＝[x₁,x₂,x₃,x₄]^T＝[σ,T,P,σ_m]^T(5)

其中σ为有效应力(MPa)、T为温度(℃)、P为瓦斯压力(MPa)、σ_m为抗压强度(MPa)；

输入层输入集为：

竞争层的样本用Y表示为：

Y＝(y₁，y₂，…y_m)^T，y_i∈{0，1}，i＝1，2，…，m(7)

输入层和竞争层之间的权值矩阵用W¹：

竞争层到输出层之间的权值矩阵用W²：

网络的期望值输出用d表示为：

d＝(d₁，d₂，…d_l)^T(10)

输出层的输出用O表示，输出集为：

[O]＝[o₁，o₂]^T＝[1，0]^T(11)

其中，o₁为陡峭型类别，o₂为平缓型类别。

进一步的，所述步骤四中，在LVQ将样本数据分为两大类后，采用CPSO-BP预测，CPSO算法采用Logistic映射混沌系统，迭代公式为：

z_i+1＝μz_i(1-z_i)，i＝0，1，…，μ∈(2，4](12)

式中：μ为控制变量；

当μ＝4，0≤z₀≤1时，Logistic完全处于混沌状态，利用μ＝4时的混沌运动特性改进标准粒子群算法，即

z_i+1＝4z_i(1-z_i)，i＝0，1，…(13)

粒子群初始化阶段利用公式(13)产生出优良的初始群体作为初始粒子群，以减轻随机初始化粒子群对算法优化性能的影响。

进一步的，所述步骤四中，将BP神经网络结构的层数设为3层,设R、S1、S2分别为输入层、隐含层、输出层神经元个数，其中的输入层神经元为LVQ分类后的样本数据，隐含层为S函数，最佳隐含节点数为3个，输出层为煤体瓦斯渗透率。BP神经网络的权值和阈值与粒子群个体位置向量P的维数N之间的映射关系如公式(14)所示：

N＝S1×R+S1×S2+S1+S2(14)

进一步的，所述步骤三中、经过影响因素筛选，以有效应力，温度，瓦斯压力，抗压强度与渗透率的对应数据为样本进行学习；

采用Matlab2015神经网络工具箱结合样本数据编写了BP、GA-BP、PSO-BP、CPSO-BP四种组合方式渗透率预测模型代码，设定BP神经网络迭代次数1500次，学习率0.01,最小均方根误差10-5；CPSO优化神经网络的粒子取W＝0.7298,c₁＝c₂＝1.4962，粒子的上界值为5，下界值为-5。

进一步的，所述步骤五中、将样本数据输入LVQ进行训练，首先进行网络初始化：设定较小随机数作为初始权值W¹和W²；确定初始学习效率η(0)＝0.9和训练次数t_m＝100及分类种类数K＝2。输入为表1中四因素40组样本向量的平均向量。通过期望值最小寻找获胜神经元。以胜出神经元小于本发明指定的有效应力平均值(约2.5MPa)的划分为正确分类，否则调整分类时的权值，更新学习效率，直到t＝t_m，获得分类结果。

进一步的，所述步骤五中，以有效应力、温度、瓦斯压力、抗压强度的平均值作为输入样本，规定以有效应力平均值为拐点的临界值左边和右边的输出类型依次为1，0，得到分类识别结果；

将样本数据输入LVQ进行分类后的两组样本数据输入CPSO-BP进行训练，首先初始化BP神经网络3层结构，输入层神经元为4：有效应力、温度、瓦斯压力、抗压强度；隐含层神经元为5，输出层神经元为1：煤体瓦斯渗透率；通过混沌初始化种群大小、维度D及粒子S速度和位置及均方误差粒子群适应度函数自寻优，将寻找出的最优解赋给BP网络的权值及阈值，继续BP网络的学习训练预测。

进一步的，本发明采用四种预测模型进行了40组样本数据的学习训练，预测模型一为BP神经网络预测，预测模型二为GA-BP神经网络预测,预测模型三为PSO-BP神经网络预测，预测模型四为CPSO-BP；预测模型中的输入数据均为LVQ分类后的数据，其中类型1训练样本为26组；类型0训练样本为14组。

进一步的，采用LVQ模型对有效应力拐点划分具有较高的精度，分类识别正确率最高可达96.15％。

进一步的，依据建立的误差评估方法对煤体瓦斯渗透率的四种预测结果与试验真实值之差进行误差计算，LVQ-CPSO-BP算法的煤体瓦斯渗透率预测精度为95.26％，优于其他三种模型，所建立的LVQ-CPSO-BP预测模型有效、适应性更强、预测精度更高。

相对于现有技术，本发明的有益效果为：

本发明基于LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法，从宏观与微观结合角度，筛选出影响预测精度的5个主要因素—1个宏观(煤层埋深)和4个微观(有效应力、温度、瓦斯压力、抗压强度)，提出一种基于学习向量量化神经网络(LVQ)分类、混沌粒子群算法(CPSO)优化、BP神经网络预测的LVQ-CPSO-BP煤体瓦斯渗透率预测方法。首先，基于我国煤层埋深值的统计数据，从宏观上确定临界值将煤层埋深划分为两层；基于有效应力与瓦斯渗透率之间存在拐点关系，从微观上确定拐点值将有效应力划分为两段；接着，采用LVQ将4个微观样本参数依据拐点特征进行分类识别，采用BP神经网络进行学习训练并输出预测结果,并用CPSO对BP神经网络的权值和阈值进行优化；最后，基于样本案例对本发明构建的LVQ-CPSO-BP算法进行了预测结果验证，并与BP算法、GA-BP算法及PSO-BP算法预测的结果进行了对比分析。结果表明：LVQ分类正确识别率较高，CPSO-BP算法预测精度较好，且优于其他三种算法。LVQ-CPSO-BP算法总体预测值与实测值吻合度高，尤其当有效应力减小时，预测精度更高。

附图说明

图1为渗透率随有效应力变化图，其中，(a)拐点为1.5MPa，(b)拐点为3MPa，(c)拐点为2MPa。

图2为煤体瓦斯渗透率预测总体架构框图。

图3 LVQ网络结构图。

图4 CPSO-BP算法流程框图。

图5有效应力拐点分类预测结果图，其中：(a)类型1预测结果(b)类型0预测结果。

具体实施方式

下面结合附图和具体实施方式对本发明技术方案做进一步详细描述：

实验例：

如图1所示，

基于LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法，由如下步骤构成：

主要影响因素筛选及分层临界值与应力拐点值确定

煤体瓦斯渗透率与地质时间空间特性息息相关，随着煤矿开采过程的变化，呈现出时变性、非线性、模糊性等特点，表现出动态变化特征。其影响因素宏观上主要体现在地质构造、地质煤层结构、煤层开采深度、煤质特征等方面，微观上主要体现在有效应力、温度、瓦斯压力、抗压强度、孔隙结构等方面，忽略以上因素与渗透率之间的关系，则不能真实反映内在联系与规律，全面考虑以上因素又会造成参数繁多、交叉干扰、模型复杂、难以预测。因此对影响因素进行划分与筛选及分类，将是提高煤体瓦斯渗透率预测精度的有效手段。

在宏观方面，从已发表的研究文献可知：煤层埋深变化将产生不同的地应力，对瓦斯渗透率影响较大，而地质构造、煤质特征相对影响较弱，因此本发明只对煤层埋深进行研究：煤层埋深分为浅埋层和非浅埋层，而浅埋层一般在150m以浅，处于瓦斯风化带，本发明不做讨论。而非浅埋层是指150m以深，最深达到1500m左右，大部分煤层处于200m-700m之间，因此本发明忽略浅埋层，将非浅埋层自定义分为两层，设临界值为700m，以浅为中埋层，以深为深埋层。

在微观方面，从已发表的研究文献可知：有效应力、温度、瓦斯压力、抗压强度、孔隙结构影响较大，但是文献指出，孔隙随应力变化而变化，因此选择有效应力、温度、瓦斯压力、抗压强度作为主要影响因素。其中的有效应力根据文献的试验数据具有如图1所示的特征：有效应力与煤体瓦斯渗透率之间的关系出现拐点，有效应力小于拐点时，煤体瓦斯渗透率变化较快，大于拐点时，煤体瓦斯渗透率变化平缓。由于试验条件不同，出现拐点的位置也不同，图1(a)中拐点为1.5MPa，图1(b)中拐点为3MPa，为了体现通用性，本发明提出将两组试验数据中的有效应力拐点的平均值定义为拐点，图1(c)中为2MPa的拐点充分体现了本发明定义拐点值的合理性。

LVQ-CPSO-BP预测系统架构

LVQ具有对大样本量进行分类识别的功能，CPSO具有对不确定性及模糊性量的权值和阈值进行智能优化的功能，BP神经网络具有对随机及非线性量进行自学习预测功能。

因此，在煤层埋深非浅埋层宏观划分基础上，采用LVQ算法对有效应力样本数据按拐点进行微观分类，建立基于CPSO-BP算法的煤体瓦斯渗透率预测子模型。通过LVQ-CPSO-BP预测系统的训练，获得煤体瓦斯渗透率预测结果。

预测精度评估方法

为了评价所建立预测模型的可信度及精确度，对误差和精度进行量化，采用式(1)-式(4)预测误差和精度评价指标进行煤体瓦斯渗透率预测结果定量评估。

1)预测误差的可靠性用平均相对误差:(mean relative error,MRE)：

2)预测值偏离真值误差的大小用平均绝对误差(mean absolute error,MAE)：

3)样本数据离散程度用均方根误差(root mean square error,RMSE)：

4)预测模型精确度(forecast model accuracy,FMA)：

其中：X_i为真实值，X_i′为与预测值,M为样本数量。

LVQ-CPSO-BP算法

LVQ算法

LVQ属于多层前馈型神经网络，用于输入样本分类识别。网络由输入层、竞争层和输出层三层组成，当样本数据作为LVQ的输入时，竞争层的神经元通过胜者为王竞争规则产生获胜神经元，输出为1，失败者输出为0。与获胜神经元所在组相连接的输出神经元输出为1，其他输出为0，以达到输出样本分类识别的目的。LVQ网络结构如图3所示。

CPSO-BP算法

BP算法是一种常见的有导师监督型算法，通过真实值与预测值之间的误差，反向传播给输入层、隐含层和输出层之间的权值和阈值，由于BP算法本质上为梯度下降法，运算后期易陷入局部最优、收敛速度慢，而PSO算法是一种迭代的优化工具，具有全局寻优的特点，它在优化神经网络时，无需导数等梯度信息，可很好地解决神经网络的结构和权值优化问题，但是PS0算法存在寻优过程中种群多样性丧失问题，容易导致算法出现早期收敛的现象，因此将混沌思想与PS0算法相结合，应用混沌算法对PSO算法的粒子进行搜索，使得两种算法的优点相融合，形成CPSO算法。采用CPSO算法优化BP神经网络的权值和阈值，既达到了全局寻优的目的，又提高了收敛速度。CPSO-BP算法流程如图4所示。

LVQ-CPSO-BP预测模型及验证

LVQ-CPSO-BP预测模型

LVQ分类识别模型

煤体瓦斯渗透率随着有效应力的变化呈现出两种变化规律，拐点之前变化陡峭，拐点之后变化平缓，显而易见，值大又陡峭的煤体瓦斯渗透率安全隐患更大。因此本发明采用LVQ以有效应力拐点为界将其分为煤体瓦斯渗透率变化平缓型和陡峭型两种类型，以样本数据中有效应力为(1-5)MPa的平均值温度平均值瓦斯压力平均值抗压强度平均值作为LVQ的输入，经过LVQ分类识别训练后，获得两类分类样本数据。

煤体瓦斯渗透率预测学习样本向量用X表示，样本集为：

[X]＝[x₁,x₂,x₃,x₄]^T＝[σ,T,P,σ_m]^T(5)

其中σ为有效应力(MPa)、T为温度(℃)、P为瓦斯压力(MPa)、σ_m为抗压强度(MPa)

输入层输入集为：

竞争层的样本用Y表示为：

Y＝(y₁，y₂，…y_m)^T，y_i∈{0，1}，i＝1，2，…，m(7)

输入层和竞争层之间的权值矩阵用W¹：

竞争层到输出层之间的权值矩阵用W²：

网络的期望值输出用d表示为：

d＝(d₁，d₂，…d_l)^T(10)

输出层的输出用O表示，输出集为：

[O]＝[o₁，o₂]^T＝[1，0]^T(11)

其中，o₁为陡峭型类别，o₂为平缓型类别。

CPSO-BP预测模型

在LVQ将样本数据分为两大类后，采用CPSO-BP预测，CPSO算法采用Logistic映射混沌系统，迭代公式为：

z_i+1＝μz_i(l-z_i)，i＝0，1，…，μ∈(2，4](12)

式中：μ为控制变量。

当μ＝4，0≤z₀≤1时，Logistic完全处于混沌状态，利用μ＝4时的混沌运动特性改进标准粒子群算法，即

z_i+1＝4z_i(1-z_i)，i＝0，1，…(13)

粒子群初始化阶段利用公式(13)产生出优良的初始群体作为初始粒子群，以减轻随机初始化粒子群对算法优化性能的影响。

BP神经网络结构的层数为3层,设R、S1、S2分别为输入层、隐含层、输出层神经元个数，其中的输入层神经元为LVQ分类后的样本数据，隐含层为S函数，最佳隐含节点数为3个，输出层为煤体瓦斯渗透率。BP神经网络的权值和阈值与粒子群个体位置向量P的维数N之间的映射关系如公式(14)所示：

N＝S1×R+S1×S2+S1+S2(14)

学习样本数据

经过影响因素筛选，本发明获得了主要的“四因素”，其部分样本数据来自汤国水,张宏伟,韩军,等.基于MABC-SVM的含瓦斯煤体渗透率预测模型[J].中国安全生产科学技术,2015,02:11-16.中的试验数据，见表1。

表1煤体瓦斯渗透率学习样本基本数据

学习样本训练及预测结果

本发明采用Matlab2015神经网络工具箱结合表1数据编写了BP、GA-BP、PSO-BP、CPSO-BP四种组合方式渗透率预测模型代码，设定BP神经网络迭代次数1500次，学习率0.01,最小均方根误差10-5；CPSO优化神经网络的粒子取W＝0.7298,c₁＝c₂＝1.4962，粒子的上界值为5，下界值为-5。

LVQ训练及分类结果

将表1样本数据输入LVQ进行训练，首先进行网络初始化：设定较小随机数作为初始权值W¹和W²；确定初始学习效率η(0)＝0.9和训练次数t_m＝100及分类种类数K＝2。输入为表1中四因素40组样本向量的平均向量。通过期望值最小寻找获胜神经元。以胜出神经元小于本发明指定的有效应力平均值(约2.5MPa)的划分为正确分类，否则调整分类时的权值，更新学习效率，直到t＝t_m，获得分类结果。

以有效应力、温度、瓦斯压力、抗压强度的平均值作为输入样本，规定以有效应力平均值为拐点的临界值左边和右边的输出类型依次为1，0，其分类识别结果如表2所示。

表2识别正确率对比

从表2可以看出，采用LVQ模型对有效应力拐点划分具有较高的精度，分类识别正确率最高可达96.15％。

CPSO-BP训练及预测结果

将表1样本数据输入LVQ进行分类后的两组样本数据输入CPSO-BP进行训练，首先初始化BP神经网络3层结构，输入层神经元为4(有效应力、温度、瓦斯压力、抗压强度)，隐含层神经元为5，输出层神经元为1(煤体瓦斯渗透率)。通过混沌初始化种群大小、维度D及粒子S速度和位置及均方误差粒子群适应度函数自寻优，将寻找出的最优解赋给BP网络的权值及阈值，继续BP网络的学习训练预测。

本发明采用四种预测模型进行了40组样本数据的学习训练，预测模型一为BP神经网络预测，预测模型二为GA-BP神经网络预测,预测模型三为PSO-BP神经网络预测，预测模型四为CPSO-BP。预测模型中的输入数据均为LVQ分类后的数据，其中类型1训练样本为26组；类型0训练样本为14组。四种模型两类预测曲线和汤国水,张宏伟,韩军,等.基于MABC-SVM的含瓦斯煤体渗透率预测模型[J].中国安全生产科学技术,2015,02:11-16.的试验测试曲线如图5所示。

图5的对比仿真结果充分表明：本发明建立的煤体瓦斯渗透率预测模型拟合度高，预测效果好。

类型1的煤体瓦斯渗透率高且变化量大，但预测精度高，能更有效避免安全隐患，因此按照有效应力拐点采用LVQ进行样本数据分类并结合CPSO-BP进行优化预测的方法，有利于煤矿开采过程中瓦斯的安全隐患预警。

评估分析

依据建立的误差评估方法对煤体瓦斯渗透率的四种预测结果与试验真实值之差进行误差计算，如表3所示。

表3四种预测模型误差评价指标结果

由表3可知，LVQ-CPSO-BP算法的煤体瓦斯渗透率预测精度为95.26％，优于其他三种模型，所建立的LVQ-CPSO-BP预测模型有效、适应性更强、预测精度更高。

本发明的工作原理为：

(1)提出了LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法，获得了有效应力小于拐点段煤体瓦斯渗透率预测精度更好的效果，有利于煤矿瓦斯安全隐患的预警。

(2)采用宏观和微观分析法，筛选出了影响煤体瓦斯渗透率的主要宏观因素为煤层埋深，主要微观因素为有效应力、温度、瓦斯压力、抗压强度。

(3)依据煤层埋深的分布特性，提出了临界点分层概念；依据煤体瓦斯渗透率与有效应力之间的关系存在拐点特性，提出了拐点分类概念。

(4)基于Matlab编程实现了LVQ-CPSO-BP算法的煤体瓦斯渗透率预测，选取“四要素”样本数据，获得了预测结果，验证了经LVQ分类后的CPSO-BP神经网络预测精度优于PSO-BP神经网络、GA-BP神经网络和BP神经网络。

(5)基于预测误差评价指标，计算了4种预测模型的误差值，其中基于LVQ分类后的CPSO-BP预测模型各种误差值分别为：MRE为6.36％，MAE为0.0852×10^-15m²，RMSE为0.1741×10^-15m²，FMA为95.26％，表明该模型具有较好地精确度和收敛性,预测结果更加逼近真实值。

(6)多组合算法预测精度明显优于单一算法，也优于双组合算法，验证了LVQ-CPSO-BP多组合算法在煤体瓦斯渗透率预测精度提高方面可行、有效。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。