煤与瓦斯突出预测的PSO-BP算法模型

发布时间：2021-11-03 11:30

　　基于梯度下降的BP算法简单、可塑性强,但极易陷入局部极值,并且存在收敛速度慢等无法克服的缺陷。粒子群优化算法作为一种全局优化算法,引入到神经网络的训练中很容易实现,并且能够快速收敛。结合局部搜索能力快速的BP算法和全局搜索能力极强的粒子群优化算法,提出了PSO-BP算法的煤与瓦斯突出危险性区域预测模型。实验结果证明,该预测模型相比于基于BP神经网络的预测,在泛化能力和收敛速度上均有显著增长。 

【文章来源】：能源技术与管理. 2020,45(04)

【文章页数】：3 页

【部分图文】：

BP神经网络拓扑结构

粒子群优化是一种依靠群体智能方法的进化迭代计算方法，通过个体互动协作寻找最优解，其原理简单易操作，工程应用和科学研究都便于开展。粒子群优化算法起初依靠初始化一组随机粒子，通过迭代，每个粒子向自身找到的最好位置和群体中位置最好的粒子靠近，粒子的初始化位置及速度都是在搜索区域随机出现的。粒子群算法的原理是每个粒子朝向自身和种群所在最佳位置移动，移动过程如图2所示。在一个m维搜索空间和由m个粒子组成的种群中，第i个粒子的位置表示为一个D维向量Xi=(Xi1,Xi2，…，Xid，…，Xi D）；第i个粒子的速度为Vi=(Vi1,Vi2，…，Vid，…，Vi D）；第i个粒子的历史最好点为Pi=(Pi1,Pi2，…，Pid，…，Pi D）；群体内的全局最优点为Pg=(Pg1,Pg2，…，Pgd，…，Pg D）。粒子速度和位置根据式（1）、（2）变换。

基于PSO-BP算法的网络流程如图3所示。基于PSO-BP算法的煤与瓦斯突出预测的方法研究，其原理是用PSO优化算法，算出BP神经网络的所有节点之间的连接权值和阈值，并将阈值和连接权值映射为PSO粒子，达成联网训练。具体算法进程如下：

【参考文献】：
期刊论文
[1]基于BP神经网络的煤与瓦斯突出预测系统开发[J]. 曲方,张龙,李迎业,李忠群.  中国安全科学学报. 2012(01)
[2]BP神经网络在煤与瓦斯突出预测的研究[J]. 杨艳春,赵玮烨.  兰州交通大学学报. 2009(06)
[3]基于BP人工神经网络的矿井瓦斯涌出量预测[J]. 刘新喜,木合塔尔扎日,王鹏飞,黄晓峰.  安全与环境工程. 2002(01)



本文编号：3473603