基于改进RBF神经网络矿井瓦斯涌出量预摘要：介绍了瓦斯涌出量对矿井安全的影响及一种改进的RBF算法一IRBF算法，借助Matlab软件利用BP算法、传统RBF算法及IRBF算法对实测数据进行训练与预测的实验，结果表明IRBF网络具有较短的迭代时间及较高的精确度关键词：神经网络RBFIRBF瓦斯涌岀量中图分类号：F062.4文献标识码：A文章编号：1004-4914（2017）05-294-02一、引言矿井瓦斯是指煤矿井下空气以甲烷（CH4）为主的有毒有害气体的总称。如果井下的通风效果不理想，瓦斯涌出量大的区域会因为瓦斯体积分数过大，导致井下工作人员窒息。瓦斯在一定条件下可发生爆炸，爆炸时产生的高温（可达1850°C~2650°C）,不仅会烧伤职工、烧坏设备，还可能点燃木支架和煤壁，引起瓦斯连续多次爆炸、煤尘爆炸和井下火灾，从而加重灾害程度，扩大灾害面积。为了避免这些事故的发生，在对瓦斯含量高的煤层进行开采的过程中，必响矿井的经济技术指标。近些年来，一些学者将BP网络及须事先对矿井瓦斯涌出情况进行预测。预测的准确性直接影基，构成隐层空间,实现输入矢量到输出矢量的映射变换,RBF网络用于瓦斯涌出量的预测领域，单这两种方法也存在着一定的缺点：BP学习算法容易陷入局部极小点、收敛速度特别慢，同时由于未考虑到输入的分布特性，推广能力差；RBF网络中隐节点中心及标准参数的确定存在困难，针对这些问题，一些改进的算法被提出来。考虑到瓦斯涌出量预测中考虑因素多、系统训练复杂，且数据采集过程中存在噪声的情况，采用一种改进的RBF算法一一基于免疫算法的RBF方法（IRBF）进行研究，以便缩小标准进化算法搜索空间的范围，提高算法的收敛速度及精度二、IRBF理论分析IRBF神经网络是由输入层、隐层和输出层神经元构成的前向型网络，其基本思想是用径向基函数作为隐层神经元的其结构如图1所示三、预测模型的建立及应用预测模型的建立依赖于要解决的实际问题，根据实际问题中输入量和输出量的个数，可以确定神经网络的结构。瓦斯涌岀量与很多因素有关，例如：煤层瓦斯含量、煤层埋藏深度、煤层厚度、煤层倾角、开采厚度、工作面长度、推进速度、采出率、临近层瓦斯含量、临近层、层间距离、层间岩性、开采强度等。这些因素中有的对瓦斯涌出量的大小影响较大，也有的影响较小。为保证在预测准确性的前提下对网络结构进行简化，利用灰色关联度对这些指标进行优选，选出对瓦斯涌出影响最大的4个因素进行分析。这4个因素分别为煤层厚、煤层埋藏深度、顶板砂泥岩比、地板砂泥岩比，具体数据见表1设输入层节点为四个，分别开采强度、煤层瓦斯含量、煤层埋藏深度及煤层厚度，输出层节点为一个，即瓦斯的涌出量，初始隐层数据中心数为7,变异率Pk=exp(1-k),亲和力阈值为0.8,相似度阈值为0.95,学习率为0.01,对网络进行训练取表中前12组数据对网络进行训练，后3组数据进行检为更好地对比优缺点同时对引用数据进行BP算法及传统的RBF方法的迭代过程进行比较。BP算法中隐层节点数根据经验公式选取为7个，传统RBF算法隐节点数选为6个。三种算法的误差曲线如下：取检测数据利用三种方法分别进行检验，得到的结果如下表所示：四、结论利用Matlab软件进行编程，对BP、传统RBF及IRBF算法对瓦斯涌出量预测系统进行网络训练及预测，通过三种方法的误差对比曲线可以看出，达到设定误差时，IRBF的迭代次数最少，RBF算法次数居中，BP算法最多；通过网络预测结果与实测数据相比较，IRBF所得数值与实测值最为接近。因此，IRBF网络在提高算法的收敛速度及精度方面有较好的an效果。同时，还应该指出的是，训练数据的准确性、神经网络结构的设计对网络的学习及预测能力影响很大,在实际应用的过程中,还应该对网络进行反复的训练及调整以达到安全防范的作用[本文为黑龙江省自然科学基金项目A201421o]参考文献:[1]吴中立•矿井通风与安全[M]•徐州：中国矿业大学出版社,1992[2]永智群，潘玉民•基于RBF神经网络的瓦斯涌出量预测[J].煤炭技术，2042(4)[3]王涛，王洋洋，郭长娜•基于径向基的瓦斯涌出量灰色预测模型[J]•计算机测量与控制[4]唐朝伟，何国田，徐昌彪等•神经网络在采煤工作面瓦斯涌出量预测中的应用[J].计算机...