基于免疫神经网络模型的瓦斯浓度智能预测.pdf
第3 3卷第 6期 2 0 0 8年 6月 煤 炭 学 报 J 0UR NAL OF CHI NA C OAL S OC I E T Y V0 1 . 3 3 No . 6 J u n e 2 0 0 8 文章编号 0 2 5 3 9 9 9 3 2 0 0 8 0 60 6 6 5 0 5 基 于免疫神经 网络模 型 的瓦斯 浓度智能预测 王其 军 , 程久 龙 1 .淮南职业技术学院 ,安徽 淮南2 3 2 0 0 1 ;2 .山东 科技 大学 矿 山灾害预 防控制教育部重点实验室 ,山东 青 岛2 6 6 5 1 0 摘要 将免 疫算法与神经 网络理论相结合 ,提 出免疫神经网络预测模 型以预测采煤工作面瓦斯 浓度 ,并对如何处理时间序列的数据模式问题进行研究. 引入延迟单元 ,将原始输入样本转换为 具有延迟特征 的新样本,采用延迟算子的输 出样本施加到 网络预测模型,可以获得浓度时段 变幅 的信 息,这对于提 高网络对 瓦斯扩散过程的拟合精度和预测精度十分有效.结合某矿井瓦斯预报 实例 ,经过与现场实测值相比较 ,最大预测误差为 6 . 8 6 % ,最小预测误差为 2 . 3 6 %,平均误差 为 4 . 6 1 %,所建模型精度的拟合值与预测值都与 实际数据吻合得较好 ,各测点的误差值 均在许 可的范围内.结果表明,基于免疫神经网络的瓦斯浓度预测模型 ,能够较好地识别采煤工作面瓦 斯扩散 的演进规律 ,对瓦斯浓度能进行合理预报 ,且该方法具有预报时间快、节省 费用的特点. 关键词 免疫神经网络 ;瓦斯浓度 ; 预 测模型;延迟单元 ;矿 井工作环境 中图分类号 T D 7 1 3 . 2 文献标识码 A Fo r e c a s t o f c o a l mi n e g a s c o nc e nt r a t i o n ba s e d o n t h e i m mun e ne ur a l n e t wo r k m o d e l WA N G Q i - j u n ,C H E N G J i u . 1 o n g 1 .H u a i n a n V o c a t io n a f T e c h n i c a f C o l l e g e ,Hu a in a n 2 3 2 0 0 1 , i n a ;2 ,K e y L a b o r a t o r y o f Mi n e D i s a s t e r P r e v e n t i o n a n d C o n t r o f ,S h a n d o n g M o f S c i e n c e a n d T e c h n o l o g y,Q in g d a o 2 6 6 5 1 0,C h i n a Ab s t r a c t Us i ng i mmun e ne u r a l n e t wo r k p r e di c t i o n mo d e l t o p r e d i c t g a s c o n c e n t r a t i o n wa s p ut f o r wa r d b y c o mb i n i n g t h e i mmun e a l g o r i t h m wi t h n e u r a l n e t wo r k t h e o r y,me a n wh i l e t h e d a t a mo d e o f ho w t o d e al wi t h t h e t i me s e q u e n c e wa s s t u d i e d,d e l a y u n i t wa s i nt r o d uc e d,a n d t h e ne w s a mpl e s wh a t ha v e c h a r a c t e ris t i c s o f de l a y we r e c o n v e r t e d f r o m t h e o rig i n a l i n p u t s a mp l e s,b y a d o p t i ng t h e o u t p u t s a mp l e o f d e l a y o p e r a t o r a pp l i e d t o n e t wo r k p r e d i c t i o n mo d e l ,i n f o r ma t i o n o f t h e c o n c e n t r a t i o n c h a n g e s i n t h e d e f e r e n t p e rio d s we r e o b t a i n e d,i t wa s v e ry e ffe c t i v e t o i mp r o v e fit t i ng p r e c i s i o n a n d p r e d i c t i o n a c c u r a c y o f n e t wo r k t o g a s p e r v a s i o n .Co mb i n e d wi t h a n e x a mpl e o f g a s p r e d i c t i o n i n a mi n e,c o mp a r e d wi t h t h e me a s u r e d v a l ue s i n t he s p o t ,t h e l a r g e s t f o r e c a s t e r r o r wa s 6 . 8 6% ,t h e l e a s t f o r e c a s t e rro r wa s 2. 3 6% ,t h e a v e r a g e e rro r wa s 4. 6 1 % ,t h e fit t e d v a l u e a n d p r e d i c t i v e v a l ue o f t h e mo d e l a c c ur a . c y we r e t a l l i e d fin e wi t h t h e a c t ua l d a t a,t he e rro r o f me a s urin g p o i n t s we r e wi t h i n t h e a l l o wa b l e s c o p e s .Th e r e s ul t s h o ws t h a t t h e d e v e l o p i n g r u l e s o f g a s p e r v a s i o n c a n b e i d e n t i fie d we l l a n d t he g a s c o n c e nt r a t i o n i s p r e d i c t e d r e a s o n . a b l y b y t h e g a s c o nc e n t r a t i o n p r e d i c t i o n mo de l b a s e d o n i mmu ne ne u r a l n e t wo r k s . An d t h e c h a r a c t e ris t i c s o f t h i s me t h o d a r e f a s t e r f o r e c a s t i ng a n d c o s t s a v i ng . Ke y wo r dsi mmu n e n e ur a l n e t wo r k;g a s c o n c e n t r a t i o n;p r e d i c t i o n mo d e l ;de l a y u n i t ;mi n e wo r k i n g e n v i r o n me n t 收稿 日期 2 0 0 7 1 2 2 9 责任 编辑 毕永华 基金项 目国家 自然科学基金资助项 目 5 0 5 3 4 0 8 0 ;教育部新世 纪优 秀人 才支持计划 资助项 目 NC E T一 0 5 0 6 0 2 ;安徽省教育 厅 自 然科学基金资助项 目 2 0 0 6 K J 0 1 9 B 作者简介 王其军 1 9 6 4 一 ,男 ,安徽萧县人 ,副教 授 ,博 士.T e l 0 5 5 46 6 5 6 9 8 4,Em a i l w a n g a h 1 6 3 . t o m 维普资讯 煤 炭 学 报 2 0 0 8 年第3 3 卷 矿井工作环境聚集的瓦斯是煤矿生产过程中重大灾害源之一.而预知工作空间中瓦斯浓度实时变化趋 势及规律是控制瓦斯事故的先决条件.矿井工作环境瓦斯浓度预测应成为煤矿安全监测监控的重要组成部 分.矿井瓦斯浓度预测精度的高低 ,不仅直接影响着煤矿 的安全和作业效率 ,而且对提高煤矿工人的生命 保障能力有着重要的意义.当前矿井瓦斯浓度主要采用监测系统传感器或便携仪现场测量方法,这种方法 只能对瓦斯浓度进行实时} 贝 0 量 ,不能对未来的瓦斯浓度发展趋势进行预测.因此 ,对矿井瓦斯的快速 、准 确 的预报是多年来 国内外专家十分关注的课题.本文采用免疫神经 网络模型对矿井工作环境瓦斯浓度进行 预测 ,以提前 了解瓦斯浓度 的大小及发展趋势 ,预先采取措施 J . 1 基于免疫算法的神经网络模型 1 . 1免疫算法原理 神经 网络的学习 目的是通过调节网络权值 ,使 目标代价函数 E趋于最小. 由于 E是复杂 的非线性 函 数 ,采用 B P算法与基于 B P的导数型优化方法均存在局部 极小问题 ,因此 目前越来越多的研究者采用 遗传计算来 设 计神经网络权值 ,并 已成功应用于网络权值学习 J . 算法的主要思路将网络权重视为生物免疫系统的淋 巴细胞 ,通过对其基 因交叉 、变异的进化操作 和基 于抗体 浓度的调节操 作 ,使基 因不断优化 ,从而 找到最佳抗 体 , 即为满足最小误差 函数 E的权值 向量.与进化计算 相 比, 免疫算法具有保持解群分布多样性 的优点 ,较好地克服 了 进化计算在初 始化解群分布不均匀时易 出现未成熟 收敛 , 陷于局部最优和收敛速度慢 的缺点E 4 3 . 基于上述情况,本文提出基于免疫神经网络训练的免 疫遗传算法 I m m u n e G e n e t i c A l g o r i t h m,I G A .主要过程 如图 1 所示. 1 . 2基于免疫遗传优化的神经 网络训练 1 . 2 . 1 抗体编码方式 图 1 免疫遗传算法 F i g . 1 I mmu n e g e n e t i c a l g o r i t h m 编码操作适用于将问题空间映射为算法空间,有二进制码 和实数编码等方式.前者简明通用 ,易于进 行遗传操作,但不具备正则性,并破坏了解空间的拓扑连续性.实数编码为 自然正则码 ,适于高精度运 算 ,神经网络权值及结构编码多用后者 ,本文依然沿用实数编码方法. 典型的 3层前馈网络 hm结构 ,网络节点编号依次为 1 , 2,⋯ , 输入层 , 1 ,⋯, h 隐含层 , h1 ,⋯, h m 输出层 ;连接权 表示 由节点 i 到节点J的输 出权 ;阈值 6 为前一 层对节点. 的输出阈值 ,然后依节点 i 顺序串联权值与阈值 ,构成抗体 串. 图 2中, 』 与 别为 网络节 点和阈值节点存在标识 , 用于控制网络结构.当 或 脓 值为 1 时该节点存在;否则该节点被删减. d W 1 }1 W 1 n dn W n ,n 1 w h h d 6 1 b1 b v Y ’ 第 1 个节点 第n 个节 点 第1 层之 阈值 W n l ,nh ll l ll w 1 月 1... d W n 1 W n }h ,n 十 d 62 6 第“ 1 个 节点 第“ 个节点 第2 层之 阈值 图2 网络权值的实数编码 F i g . 2 Re a l c o d i n g o f n e t wo r k we i g h t s } 第1 层 2 层串联 } 第2 层 维普资讯 第 6期 王其军等基于免疫神经网络模型的瓦斯浓度智能预测 6 6 7 1 . 2 . 2 适应度计算 对本文考虑的单隐层前馈 网络 ,设抗体 P 对应的网络的能量 函数为 E ,则 E ∑ ∑ , 一 , . 适应度 函数 F i 可直接定义为 E 的函数 ,即 F i 1 / E c .其 中, , 和 , 分别为第 P A “ J J l 练 样本的第 k 个输出节点的期望输出和实际输出;c 为大于 0的常数, 其 目的是避免分母为 0的溢出中断, 本文取 C 0 . 0 1 . 1 . 2 . 3 遗传操作 对选择后的抗体群,进行遗传操作.① 交叉.这里采用两点交叉方式 ; ② 高斯变异.由于权值采用 实数码制,为此将抗体串还原为原始的网络权值,对所有权值向量 W 按下式进行变换,然后再将权值组 合为抗体串. W W 0 ,1 , 式 中,Ⅳ 0 ,1 为高斯算子. 1 . 2 . 4 基于浓度的群体更新 群体更新策略结合免疫机制 中抗体 间基于浓度 的相互 抑制作用 ,引入浓度因子调整个体 的选 择几率 P i ,总的目标是抑制浓度过高的抗体 ,同时保证适应度 高的个体被选 中的概率大.因为抗体的浓度过 高,则在进化过程中容易陷入未成熟收敛.具体方法 [ 一 , 式中, , 为0~ 1 的可调参数;F 为抗体的最大适应度;C为抗体的浓度, c 叼 F ~F 的抗体数 目 /群体 中的抗体总数 , 叼为 0~1之间的系数 ,用于控制浓度. 可以看 出对高浓度 的 t 个抗体 ,其 中适应度较高的抗体获得的得分修正反而较少 ;若抗体 的浓度不 高,则上式也可保证高适应度的抗体 的得分修正相对较高. 2 基于免疫优化神经网络的瓦斯浓度预测 2 . 1 神经网络模型的智能预测原理 神经网络的主要特征是 自学 习,通过对样本模式的学习,模拟信息之间的内在机制.神经 网络对瓦斯 浓度进行识别的实质 ,是通过选择适 当的神经网络模型 ,逼近实际系统的动态过程.若以某一时段 的瓦斯 浓度要素作为网络的输入 ,以未来一段时间的相应瓦斯浓度要素作为网络的输出,网络模型通过对历史瓦 斯资料 的学习 ,就能对蕴含在该时段 的瓦斯扩散规律进行映射 , o . B P神经网络是一种静态网络 ,不能对时间序列模式进行识别 ,而瓦斯扩散 过程是时间序列 问题 ,样 本模式之间在时段上是连续 的.为了解决这个问题 ,可以通过构造延迟单元 的方法 ,直接从样本模式中提 取时间序列特征 ,这样 的神经 网络便 具备 了对时 间序列的识别能力. 图 3是引入延迟单元 的神经 网络 ,延 迟单元 实质上是对 原始样 本模式进行 了如下 的转换 设 有 1 列样本模式 } i 1 ,2 ,⋯, ,该模 式共有 对 ,通过 P PM个延迟单元 ,样本 模式就转换成 P列 ,原来的 对样本模 式可形成 P1 对 ,转换方式见表 1 . 引入延迟单元后 ,将原始输入样本 [ , , ⋯ , ] ’ 转换为具有延迟特征的 P个新样本 图3 引入延迟单元的神经网络结构 l Y N Fi g .3 Th e ne ur a l ne t wo r k s t r uc t ur e o f de l a y u ni t 维普资讯 煤 炭 学 报 2 0 0 8 年第3 3 卷 表 1 延迟单元 的样本模式 T a b l e 1 S a mp l e m o d e l s o f d e l a y u n i t 采用延迟算子的输出样本施加到网络预测模型 , 斯扩散过程的拟合精度和预测精度十分有效. 2 . 2瓦斯浓度预测模型的建立 本文瓦斯浓度 预测 模型 中,选 择 当前 时刻 t 与前 4个延迟时刻 的瓦斯浓 度作为 网络 的输入 , 即 t , t 一1 ,⋯ , t 一 4 ,网络输出为 t 1 时刻的瓦斯浓度 t 1 ,延迟时 间取 2 4 h ,以 2 0 0 7 0 21 6 _2 2的瓦斯浓度进行网络的训练与 测试 ,使网络识别 出该 时段 的瓦斯扩散规律 ,并 将该规律分布贮存在网络权重 中.某工作面瓦斯 浓度预{ 贝 0 模型如图 4所示 ’ . 3 瓦斯 浓度预 测模 型的免疫训练 D 表 1 ,而网络输 出 Y [ Y ,Y ,⋯,Y ] 表示 当前时刻的瓦斯状况 ,对应 的期望输出为 Y [ Y Y ,⋯ ,Y ] ,瓦斯 扩散 机制 可表示 为从 输入 矢量 X∈R 到输出矢量Y∈R 的非线性映射 ,即 N e X ∈ RM Y ∈ RN . 误差指标定义为网络输 出与期望输出的误差平方 和 M S E , 即E∑ ll e ll ∑ ll 一 可以获得浓度时段变幅的信息,这对于提高网络对瓦 图4 智能预测的神经网络模型 F i g . 4 Ne u r a l n e t wo r k mo d e l o f i n t e l l i g e n t f o r e c a s t 训练样本的预处理 在 网络的输入项中,由于不 同时段 的参数相差较大 ,为了保证各 因素处于同等地 位 ,对输入输出项进行数据归一化预处理.网络结构为 51 01 ,权值初始范围为 [一3 ,3 ] ,训练集为 2 0 0 7 0 21 6 1 9瓦斯浓度 ,测试集为 2 0 0 7 0 2 2 0 2 2瓦斯浓度 ,群体规模 N 2 0 0,迭代次数 7 0 0 , 控制参数 JB0 . 5,r /0 . 8 ,遗传参数交叉概率 P 。 0 . 1 ,变异概率 P 0 . 0 5 . 应用上述参数对训练集进行免疫遗传学习 ,并用测试集进行泛化测试. 4 预报结果及分析 图 5为完成训 练 网络模 型对 2 0 0 70 2 2 0 2 2瓦斯浓度的预报与实测结果 比较. 经过与现场实测值相比较,最大预测误差 为 6 . 8 6 % ,最小预测误 差为 2 . 3 6 %,平均误 差为 4 . 6 1 %.测 量结果表 明 所建 神经 网络 预测模型精度的拟合值与预测值都与实际数据 吻合得较好 ,能满足实际要求 ,应用基 于免疫 优化神经网络对矿井瓦斯浓度进行预测是可行 的. 5 结 语 图 5 2 0 0 7 0 2 2 0 2 2瓦斯浓度预测结果 F i g . 5 G a s c o n c e n t r a t i o n s p r e d i c t e d r e s u l t s o f 2 0 0 70 22 0 2 2 用免疫神经 网络建立的瓦斯浓度预测模型 ,方法适用 ,计算简便.从预测结果比较可以看出 ,所建模 型精度的拟合值与预测值都与实际数据吻合得较好 ,各测点的误差值均在许可的范围内.该预测方法减少 了时间,节省了费用 ,可提前 了解工作环境瓦斯浓度 的大小及发展趋势 ,预先采取预防措施 ,对保障煤矿 维普资讯 第 6期 王其军等基于免疫神经网络模型的瓦斯浓度智能预测 6 6 9 的安全具有重要的现实意义 ,为矿井瓦斯浓度 的预测提供 了一种新方法 参考文献 刘新喜 ,木合塔尔扎 日,王鹏飞,等.基于 B P人工神经网络的矿井瓦斯涌出量预测 [ J ] .安全与环境工程,2 0 0 2, 9 1 3 3~ 3 6 . L i u X i n x i , Mu h t a r z a ri, Wa n g P e n g f e i , e t a 1 .B P n e u r a l n e t w o r k f o r p r e d i c t i n g t h e a m o u n t o f g a s e m i t t e d f r o m t h e mi n e[ J ] . S a f e t y a n d E n v i r o n me n t a l E n g i n e e ri n g ,2 0 0 2,9 1 3 3~ 3 6 . 曹庆奎 ,任向阳,刘开第.矿井工作面瓦斯涌出量的未确知聚类研究 [ J ] .煤炭学报,2 0 0 6 ,3 1 3 3 3 7~ 3 4 1 . C a o Q i n g k u i ,R e n X i a n g y a n g , L i u K a i d i .R e s e a r c h o n u n a s c e r t a i n e d c l u s t e r s o n t h e g a s e m i s s i o n o f t h e w o r k i n g f a c e[ J ] . J o u r n a l o f C h i n a C o a l S o c i e t y ,2 0 0 6 ,3 1 3 3 3 7~ 3 4 1 . 王崇峻.一种基于遗传算法 的 B P神经 网络算 法及其应用 [ J ] .南京大学学报 自然科学版 ,2 0 0 3 ,3 9 5 45 9~46 6. Wa n g C h o n g j u n .A g e n e t i c a l g o ri t h m B P n e u r a l n e t w o r k a n d i t s a p p l i c a t i o n s[ J ] .J o u r n a l o f N a n j i n g U n i v e rs i t y N A T S C I E D, 2 0 0 3.3 9 54 5 9~4 6 6 . 马尚权,王轶波,刘德民,等.地质指标 自动量化及神经网络预测 瓦斯涌 出量 [ J ] .煤炭科学技术 ,2 0 0 6 ,3 4 1 2 8 5~8 8 . Ma S h a n g q u a n,W a n g Yi b o ,L i u De mi n,e t a 1 .Mi n e g a s e mi s s i o n q u a n t i t y p r e d i c t e d w i t h a u t o ma t i c g e o l o g i c a l i n d e x q u a n t i t a t i v e a n d n e r v o u s n e t w o r k[ J ] .C o a l S c i e n c e a n d T e c h n o l o g y ,2 0 0 6 ,3 4 1 2 8 5~ 8 8 . 陶云奇,许江,李树春.改进的灰色马尔柯夫模型预测采煤工作面瓦斯涌出量 [ J ] .煤炭学报,2 0 0 7 ,3 2 4 3 91~39 5. T a o Y u n q i , X u J i a n g , L i S h u c h u n .P r e d i c t g a s e m i s s i n g q u a n t i t y o f mi n i n g c o a l f a c e w i t h i m p r o v e d G r e y Ma r k o v m o d e l[ J ] . J o u r n a l o f C h i n a C o a l S o c i e t y ,2 0 0 7 ,3 2 4 3 9 1~ 3 9 5 . 刘见中.上隅角瓦斯浓度预测及其处理方法的优选 [ J ] .煤炭科学技术,2 0 0 4,3 2 2 7~1 0 . L i u J i a n z h o n g .T h e u p p e r c o rne r g a s c o n c e n t r a t i o n f o r e c a s t a n d t h e p r e f e r r e d m e t h o d o f d e a l i n g w i t h[ J ] .C o a l S c i e n c e a n d T e c h n o l o gy,2 0 0 4,3 2 2 7~1 0 . 吕 品,马云歌,周心权.上隅角瓦斯浓度动态预测模型的研究及应用 [ J ] .煤炭学报 ,2 0 0 6 ,3 1 4 4 6 1~ 4 6 5 . LU Pi n,Ma Yu ng e,Zho u Xi n q ua n.Re s e ar c h a nd a pp l i c a t i o n o n dy na mi c f o r e c a s t i n g mo d e l o f g a s c o ns i s t e n c e i n t o p c o rn e r [ J ] .J o u r n a l o f C h i n a C o a l S o c i e t y ,2 0 0 6 ,3 1 4 4 6 1~ 4 6 5 . 王凯,俞启香.煤与瓦斯突出的非线性特征及预测模型 [ M] .徐州中国矿业大学出版社,2 0 0 5 . Wa n g K a i , Y u Q i x i a n g .N o n l i n e a r c h a r a c t e ri s t i c s a n d p r e d i c t i o n mo d e l o f g a s o u t b u rs t[ M] .X u z h o u C h i n a U n i v e rsi t y o f Mi ni n g a n d Te c hn o l o g y Pr e s s , 2 0 05. 本刊收取稿件审理 费的通知 承蒙广大作者的厚爱,近几年, 煤炭学报的收稿量急剧增加.由于本刊采取比较严格的审稿制 度 ,外审工作量很 大,审稿费的开支逐年增加 ,因此 ,本刊对投稿 的作者酌收稿件 审理 费 1 0 0元/ 篇 ,以 补充办刊经 费的不足 ,敬请 广大作者谅解与支持. 本刊 编辑部 ] ] ] ] ] ] ] ] L 二 维普资讯