基于网格搜索和极限学习机的冲击地压危险等级预测方法

摘要

本发明提出一种基于网格搜索和极限学习机的冲击地压危险等级预测方法，该方法：将已知冲击地压的影响因素数据作为极限学习机的输入，将冲击地压危险等级作为极限学习机的输出，采用网格搜索法优化极限学习机的隐含层神经元个数和激活函数的类型组合，根据每个网格节点建立相应极限学习机，对每个模型采用十折交叉验证法确定相应网格节点的预测准确率，选择预测准确率最高的节点确定极限学习机的隐含层神经元个数和激活函数的类型，建立冲击地压危险等级预测模型；将待预测冲击地压的影响因素数据输入冲击地压危险等级预测模型，得到冲击地压危险等级预测值。该方法简便易行，同时保证了模型具有良好的泛化性能。

说明书

技术领域

本发明属于冲击地压危险性等级预测技术领域，具体涉及一种基于网格搜索和极限学习机的冲击地压危险等级预测方法。

背景技术

冲击地压是一种常见的动力学现象，随着我国煤矿开采深度的增加，冲击地压发生的次数呈上升趋势，其破坏程度也越发严重，造成大量人员伤亡和财产损失，严重威胁煤矿的安全生产，因此有必要对冲击地压危险等级进行有效预测。

目前对冲击地压进行预测的方法有采用单一影响因素的钻屑法、含水率测定等方法，然而这些方法仅考虑单一影响因素，存在预测精度不高的问题，近来随着人工智能的发展，有很多学者采用新技术、新方法对冲击地压危险性等级进行预测，其中有人工神经网络方法、GA-ELM方法、Fisher判别分析法、SVM模型等等，上述方法取得了大量研究成果，但是由于冲击地压成因复杂，且冲击地压数据具有非线性、相关性等特征，因此有必要继续探索新的方法对冲击地压危险性等级进行预测。

极限学习机是一种单隐含层结构的新型学习算法，相比传统的单隐层前馈神经网络，具有学习速度快、泛化能力好、调节参数少等优点，目前的应用主要采用优化算法对极限学习机的输入权值和隐含层偏差进行优化，如朱志洁等采用遗传算法优化极限学习机的输入权值和隐含层偏差对冲击地压进行了预测，然而极限学习机的性能主要受隐含层神经元个数及激活函数的影响较大，且当隐含层神经元个数较多时需要优化的参数较多；此外丁华等采用遗传算法优选最佳隐层神经元个数，使用递进方式比选确定激励函数对采煤机功率进行了预测，然而由于对隐含层神经元数量进行寻优时已经固定了激活函数的类型，且输入层与隐含层的权值与隐含层阈值是随机产生的，因此难以保证运行结果的唯一性；此外在对极限学习机的参数进行训练过程时没有充分考虑模型的过拟合问题，因而无法保证模型的预测性能。

发明内容

针对现有技术的不足，本发明提出一种基于网格搜索和极限学习机的冲击地压危险等级预测方法。

一种基于网格搜索和极限学习机的冲击地压危险等级预测方法，包括以下步骤：

步骤1：获取采煤矿井中不同位置处的已知冲击地压监测数据、已知冲击地压的影响因素数据Z＝[z₁，z₂，......，z_p]^T、待预测冲击地压的影响因素数据Z′＝[z′₁，z′₂，......，z′_p]^T，并根据冲击地压震级强度分类标准对已知冲击地压监测数据进行分类，得到与冲击地压影响因素数据对应的冲击地压危险等级，其中，z_i为第i类已知冲击地压的影响因素数据，z′_i为第i类待预测冲击地压的影响因素数据，i＝1，2，...，p，p为冲击地压影响因素个数；

所述冲击地压影响因素包括：煤层厚度、煤层倾角、埋深、瓦斯浓度和影响冲击地压的状态参量；

所述影响冲击地压的状态参量包括地质构造情况、煤层倾角变化、煤层厚度变化、顶板管理、卸压状态、响煤炮声。

步骤2：采用zscore标准化方法对已知冲击地压的影响因素数据Z＝[z₁，z₂，......，z_p]^T和待预测冲击地压的影响因素数据Z′＝[z′₁，z′₂，......，z′_p]^T进行标准化处理，得到标准化后的已知冲击地压的影响因素数据X＝[x₁，x₂，......，x_p]^T和标准化后的待预测冲击地压的影响因素数据X′＝[x′₁，x′₂，……，x′_p]^T；

步骤3：将标准化后的已知冲击地压的影响因素数据X＝[x₁，x₂，......，x_p]^T及其对应的冲击地压危险等级作为训练样本集；

步骤4：将训练样本集中的标准化后的已知冲击地压的影响因素数据作为极限学习机的输入，将训练样本集中对应的冲击地压危险等级作为极限学习机的输出，采用网格搜索法优化极限学习机的隐含层神经元个数和激活函数的类型组合，根据每个网格节点建立相应极限学习机，对每个模型采用十折交叉验证法确定相应网格节点的预测准确率，选择预测准确率最高的节点确定极限学习机的隐含层神经元个数和激活函数的类型，建立冲击地压危险等级预测模型；

步骤4.1：设定网格搜索法的间隔，根据冲击地压影响因素个数设置隐含层神经元个数区间，对激活函数的类型进行赋值，设定网格搜索法的行数为隐含层神经元个数的最大值，设定网格搜索法的列数为激活函数类型赋值的最大值，建立搜索网格；

所述激活函数类型的赋值为1～3的整数，分别表示为sigmoid函数、sin函数、hardlim函数。

步骤4.2：将节点所在的行数作为极限学习机的隐含层神经元个数，将节点所在的列数对应的激活函数类型作为极限学习机的激活函数类型，将训练样本集中的标准化后的已知冲击地压的影响因素数据作为极限学习机的输入，将训练样本集中对应的冲击地压危险等级作为极限学习机的输出，建立极限学习机，采用十折交叉验证法，计算当前节点建立的极限学习机的预测准确率；

步骤4.3：判断当前是否搜索到最大节点数，若是，执行步骤4.4，否则，搜索下一个节点，返回步骤4.2；

步骤4.4：选取根据所有节点建立的极限学习机中预测准确率最大的模型对应的节点作为搜索结果，根据该节点对应的隐含层神经元个数和激活函数类型建立极限学习机模型，得到冲击地压危险性等级预测模型；

步骤5：对冲击地压危险性等级进行预测，将标准化后的待预测冲击地压的影响因素数据X′＝[x′₁，x′₂，......，x′_p]^T输入冲击地压危险等级预测模型，得到冲击地压危险等级预测值。

本发明的有益效果：

本发明提出一种基于网格搜索和极限学习机的冲击地压危险等级预测方法，由于冲击地压发生的机理复杂，影响因素较多，本发明方法采用zscore方法对影响因素数据进行标准化消除了不同量纲对模型的影响；极限学习机的性能受隐含层神经元个数及激活函数类型的影响较大，采用网格搜索法结合十折交叉验证对极限学习机中隐含层神经元个数及激活函数类型进行了组合优化，该方法简便易行，同时保证了模型具有良好的泛化性能。

附图说明

图1为本发明具体实施方式中基于网格搜索和极限学习机的冲击地压危险等级预测方法的流程图。

具体实施方式

下面结合附图对本发明具体实施方式加以详细的说明。

一种基于网格搜索和极限学习机的冲击地压危险等级预测方法，如图1所示，包括以下步骤：

步骤1：获取采煤矿井中不同位置处的已知冲击地压监测数据、已知冲击地压的影响因素数据Z＝[z₁，z₂，......，z_p]^T、待预测冲击地压的影响因素数据Z′＝[z′₁，z′₂，......，z′_p]^T，并根据冲击地压震级强度分类标准对已知冲击地压监测数据进行分类，得到与冲击地压影响因素数据对应的冲击地压危险等级，其中，z_i为第i类已知冲击地压的影响因素数据，z′_i为第i类待预测冲击地压的影响因素数据，i＝1，2，…，p，p为冲击地压影响因素个数。

本实施方式中，冲击地压影响因素包括：煤层厚度z₁、煤层倾角z₂、埋深z₃、瓦斯浓度z₄和影响冲击地压的状态参量。

影响冲击地压的状态参量包括地质构造情况z₅、煤层倾角变化z₆、煤层厚度变化z₇、顶板管理z₈、卸压状态z₉、响煤炮声z₁₀。

对影响冲击地压的状态参量进行赋值：根据影响冲击地压的状态参量的不同状态设定其对应赋值，将各影响冲击地压的状态参量赋值为整数值，如表1所示：

表1 各影响冲击地压的状态参量赋值

本实施方式中根据冲击地压震级强度分类标准对冲击地压监测数据进行分类，得到冲击地压危险等级为4级，分别是等级1：微冲击，等级2：弱冲击，等级3：中等冲击，等级4：强冲击。

本实施方式中，获取砚石台煤矿不同位置处的冲击地压监测数据及相应的影响因素数据，冲击地压的危险等级及相应影响因素数据如表2所示，其中前26组数据中的影响因素数据作为已知冲击地压的影响因素数据，相应冲击地压数据作为已知冲击地压危险等级，后10组数据中的影响因素数据作为待预测冲击地压的影响因素数据。

表2 砚石台煤矿不同位置处的冲击地压的影响因素数据及对应的冲击地压危险等级

步骤2：采用zscore标准化方法对已知冲击地压的影响因素数据Z＝[z₁，z₂，......，z_p]^T和待预测冲击地压的影响因素数据Z′＝[z′₁，z′₂，......，z′_p]^T进行标准化处理，得到标准化后的已知冲击地压的影响因素数据X＝[x₁，x₂，......，x_p]^T和标准化后的待预测冲击地压的影响因素数据X′＝[x′₁，x′₂，……，x′_p]^T。

本实施方式中，采用zscore标准化方法对冲击地压的影响因素数据进行标准化处理的公式如式(1)所示：

其中，x_ij为标准化后的第i类冲击地压影响因素数据的第j个值，μ_i为第i类冲击地压影响因素数据的均值，σ_i为第i类冲击地压影响因素数据的标准差，z_ii为采集到的第i类冲击地压影响因素数据的第j个值，j＝1，2，…，N，N＝36为冲击地压影响因素数据总数。

本实施方式中，对表2中36组影响因素数据进行标准化，其中前26组影响因素数据标准化后的构成X，后10组影响因素数据标准化后构成X′。

步骤3：将标准化后的已知冲击地压的影响因素数据X＝[x₁，x₂，......，x_p]^T及其对应的冲击地压危险等级作为训练样本集。

步骤4：将训练样本集中的标准化后的已知冲击地压的影响因素数据作为极限学习机的输入，将训练样本集中对应的冲击地压危险等级作为极限学习机的输出，采用网格搜索法优化极限学习机的隐含层神经元个数和激活函数的类型组合，根据每个网格节点建立相应极限学习机，对每个模型采用十折交叉验证法确定相应网格节点的预测准确率，选择预测准确率最高的节点确定极限学习机的隐含层神经元个数和激活函数的类型，建立冲击地压危险等级预测模型。

步骤4.1：设定网格搜索法的间隔，根据冲击地压影响因素个数设置隐含层神经元个数区间，对激活函数的类型进行赋值，设定网格搜索法的行数为隐含层神经元个数的最大值，设定网格搜索法的列数为激活函数类型赋值的最大值，建立搜索网格。

本实施方式中，设定网格搜索法的间隔为1，根据冲击地压影响因素个数设置隐含层神经元个数区间为[1，100]，激活函数的类型赋值为1～3的整数，分别表示为sigmoid函数、sin函数、hardlim函数，本实施例中令sigmoid函数取值为1、sin函数取值为2、hardlim函数取值为3。

本实施方式中设定网格搜索法的行数设置为100行，设定网格搜索法的列数为3列。

步骤4.2：将节点所在的行数作为极限学习机的隐含层神经元个数，将节点所在的列数对应的激活函数类型作为极限学习机的激活函数类型，将训练样本集中的标准化后的已知冲击地压的影响因素数据作为极限学习机的输入，将训练样本集中对应的冲击地压危险等级作为极限学习机的输出，建立极限学习机，采用十折交叉验证法，计算当前节点建立的极限学习机的预测准确率。

本实施方式中，采用十折交叉验证法，将训练样本集中的标准化后的已知冲击地压的影响因素数据分成十份，轮流将其中9份作为训练数据，1份作为测试数据，作为极限学习机的输入，经过十次运算，计算十次预测结果与训练样本集中对应的冲击地压危险等级的准确率，将该预测准确率作为相应网格节点的评价指标。

步骤4.3：判断当前是否搜索到最大节点数，若是，执行步骤4.4，否则，搜索下一个节点，返回步骤4.2。

本实施方式中，最大节点数为97行、1列。

步骤4.4：选取根据所有节点建立的极限学习机中预测准确率最大的模型对应的节点作为搜索结果，根据该节点对应的隐含层神经元个数和激活函数类型建立极限学习机模型，得到冲击地压危险性等级预测模型。

本实施方式中，冲击地压危险等级预测模型为三层结构，如式(2)所示：

其中，M为隐含层神经元个数，v＝1，2，…，M，ω_v为输入层与隐含层的连接权值、β_v为隐含层与输出层的连接权值，b_v为隐含层神经元的阈值，g(*)为优化得到的极限学习机的激活函数，o_k为冲击地压危险等级的预测类别，x_k输入的训练样本集中第k个标准化后的冲击地压影响因素数据，k＝1，2，…，N。

本实施方式中，得到最优节点为97行、1列，即隐含层神经元的个数为97，激活函数的类型为sigmoid函数，得到极限学习机模型的部分输入层与隐含层的权值及隐含层阈值b如表3所不：

表3 极限学习机模型的部分输入层与隐含层的权值及隐含层阈值b

根据该节点对应参数建立极限学习机模型，经过十折交叉验证模型的正确识别率为0.84615。

本实施方式中，为了与所提方法进行比较，分别采用朴素贝叶斯方法及AdaboostM1方法建立冲击地压危险等级预测模型，经过十折交叉验证，模型的正确识别率分别为0.7692、0.6154，均低于0.84615，表明根据本方法建立的冲击地压预测模型具有更优的性能。

步骤5：对冲击地压危险性等级进行预测，将标准化后的待预测冲击地压的影响因素数据X′＝[x′₁，x′₂，......，x′_p]^T输入冲击地压危险等级预测模型，得到冲击地压危险等级预测值。

采用本发明方法、朴素贝叶斯方法及AdaboostM1方法根据表2中后10组影响因素数据标准化后的数据对相应冲击地压危险性等级进行预测，预测结果如表4所示：

表4 预测结果

从表中可见采用本文方法建立的预测模型准确预测了数据中的9组冲击地压危险等级，仅将第10组数据的中等冲击地压误判为弱冲击地压，而朴素贝叶斯方法及AdaboostM1方法均准确预测了其中8组等级，其中朴素贝叶斯方法将第2组及第7组的中等冲击地压误判为强冲击地压，AdaboostM1方法则分别将第4组的微冲击地压、第7组的中等冲击地压误判为强冲击地压。