基于GWO改进的PCA-BP神经网络煤层底板破坏深度预测模型
发布时间:2024-06-04 00:31
针对矿井水害防治工作中,煤层底板破坏深度难以进行准确预测的问题,将主成分分析(PCA)与灰狼算法(GWO)改进的BP神经网络相结合,建立以采深、煤层倾角、采厚、工作面斜长、煤层底板抗破坏能力、工作面内是否有切穿型断层或破碎带为主要影响因素的底板破坏深度预测模型。根据实测资料分析各主要影响因素和底板破坏深度之间的相关性,利用PCA法将影响底板破坏深度的主要参数进行降维,根据降维后的主成分对底板破坏深度的贡献率,确定底板破坏深度的主控因素。利用灰狼算法优化BP神经网络参数,建立PCA-GWO-BP神经网络模型预测煤层底板破坏深度,并与其他预测方法进行对比,结果证明该模型误差小于0.5%、准确度高,可以对煤层底板破坏深度进行较为准确的预测。
【文章页数】:6 页
【部分图文】:
本文编号:3988608
【文章页数】:6 页
【部分图文】:
图1BP神经网络原理
式中,分别是灰狼要向α,β,γ移动的矢量;是移动终点;包含[0,2]的随机值,模拟捕猎时的阻碍,避免陷入局部最优[10]。图2灰狼种群社会等级制度
图2灰狼种群社会等级制度
图1BP神经网络原理2数据处理
图3工作面主要因素和底板破坏深度的关系
这6个因素的线性拟合优度较高,而如断层倾角、断层走向等其他因素与底板破坏深度的关系不大,所以仅以这6个因素作为预测底板破坏深度的主控因素。3建立PCA-GWO-BP神经网络模型
图4优化神经网络流程
将30组样本中前28组作为训练样本,后2组作为预测样本,将样本输入算法程序,对BP权重和阈值等参数进行优化并建立预测模型,优化神经网络的步骤见图4。通过相关公式计算可得隐含层层数应在5~25之间[19],经过多次运算,得知隐含层层数为15,狼群数目为500,上下界分别为100和0....
本文编号:3988608
本文链接:https://www.wllwen.com/kejilunwen/anquangongcheng/3988608.html