主成分分析与改进PSO-BP神经网络的下沉系数预测_娄高中.pdf
《主成分分析与改进PSO-BP神经网络的下沉系数预测_娄高中.pdf》由会员分享,可在线阅读,更多相关《主成分分析与改进PSO-BP神经网络的下沉系数预测_娄高中.pdf(8页珍藏版)》请在咨信网上搜索。
1、第 卷第期 年月测绘科学 作者简介:娄高中(),男,河南平顶山人,讲师,博士,主要研究方向为煤矿开采沉陷。:收稿日期:基金项目:国家自然科学基金项目(,);河南省科技攻关项目();安阳工学院博士科研基金项目()引文格式:娄高中,谭毅,白二虎 主成分分析与改进 神经网络的下沉系数预测 测绘科学,():,(,():,):主成分分析与改进 神经网络的下沉系数预测娄高中,谭毅,白二虎,(安阳工学院 土木与建筑工程学院,河南 安阳 ;河南理工大学 能源科学与工程学院,河南 焦作 ;煤炭安全生产与清洁高效利用省部共建协同创新中心,河南 焦作 )摘要:针对 神经网络预测下沉系数时易陷入局部极小以及下沉系数影
2、响因素间存在一定相关性的问题,该文提出了一种基于主成分分析()和模拟退火粒子群优化算法()优化 神经网络的下沉系数预测模型。该模型首先采用 对下沉系数影响因素进行降维,消除其所包含的冗余信息;然后利用 优化 神经网络的权值与阈值;最后使用训练样本训练模型,利用训练后的模型预测组测试样本的下沉系数,并对比分析 、和 神经网络模型的预测结果。实验结果表明:基于 神经网络的下沉系数预测模型的预测值与实际值最为吻合,其平均绝对误差、平均绝对百分比误差及均方根误差相比 、和 神经网络模型显著降低,可以有效提高下沉系数预测的准确性。关键词:主成分分析;模拟退火;粒子群优化算法;神经网络;下沉系数【中图分类
3、号】【文献标志码】【文章编号】(),(,;,;,):,()(),第期娄高中,等 主成分分析与改进 神经网络的下沉系数预测 ,:;引言煤炭作为我国的主体能源,保障了经济社会高速发展的能源需求,但煤炭资源的高强度开采导致矿区地表出现大范围的沉陷现象,如引发矿区水资源流失、耕地塌陷、建(构)筑物损坏、迁村移民等一系列破坏生态环境和影响社会稳定问题。为预防或减轻开采沉陷造成的损害,目前广泛采用概率积分法进行地表移动和变形预计,并根据预计结果制定开采沉陷控制措施。下沉系数是概率积分法的关键参数之一,直接影响预计结果的精度,因此准确预测下沉系数,对于煤矿安全开采和矿区生态环境保护具有重要意义。目前,下沉系
4、数主要根据地表移动观测站实测数据,采用曲线拟合、空间拟合、正交试 验、特征点等方法计算,但存在仅适合矩形工作面、对参数初值敏感等缺点;同时随着工作面开采尺寸和开采深度的增加,地表移动观测站观测周期变长,人力、财力耗费大,重要观测点的丢失或破坏对计算结果的准确性影响较大。考虑到下沉系数与其影响因素间复杂的非线性关系,近年来,具有良好非线性映射和泛化能力的 神经网络广泛应用于下沉系数预测,如文献 建立了基于 神经网络的下沉系数预测模型,预测值与实际值的相对误差较小,预测效果良好,但 神经网络存 在 收 敛 速 度 慢、易 陷 入 局 部 极 小 等 缺点。针对此问题,文献 使用粒子群优化算法(,)
5、对 神经网络的权值与阈值进行优化,建立基于 神经网络的下沉系数预测模型,预测准确性相比 神经网络明显提高。但 后期在最优值附近收敛速度慢,易出现早熟收敛现象;同时,下沉系数影响因素较多且影响因素间存在一定的相关性,即较多影响因素间存在一定程度的信息冗余,增加下沉系数预测的复杂性并影响预测结果的准确性。鉴于此,为了提高 神经网络预测下沉系数的准确性,本研究采用主成分分析(,)对地表下沉系数的影响因素进行降维,消除 其 所 包 含 的 冗 余 信 息;然 后 将 模 拟 退火(,)引入到 中,有效解决 后期易早熟收敛的缺点;最后利用 优化 神经网络的权值和阈值,建立基于 神经网络的下沉系数预测模型
6、,并对比分析 神经网络、神经网络、神经网络预测模型以验证其可靠性,以期为准确预测下沉系数提供参考。主成分分析 是目前应用广泛的数据降维方法之一,其主要思想是将下沉系数较多具有一定相关性的影响因素通过线性变换转化为较少线性无关的主成分,并尽可能减少影响因素所包含信息的损失。主要计算步骤如下。)数据标准化计算。收集下沉系数个影响因素的个样本,其中第个样本的第个影响因素取值用 表示。由于下沉系数各影响因素的量纲和数量级不完全相同,根据式()和式()对 进行标准化计算。珔(珔),;,()珔(珔)(槡烍烌烎)()式中:珔 为标准化计算后数据;珔、为第个影响因素的平均值和方差。)构造相关系数矩阵。相关系数
7、 反映影响因素、间相关性大小,其值越大,两影响因素间的相关性越显著,相关系数计算见式(),并根据相关系数计算结果构造相关系数矩阵()。(珔)(珔)(珔)槡(珔)槡()确定主成分个数。根据特征方程 计算相关系数矩阵的特征值,按从大到小排测绘科学第 卷序为,并计算每个特征值对应的单位化特征向量(,)。定义第个主成分的方差贡献率,为实现下沉系数影响因素的降维并减少影响因素所包含信息的损失,一般选取()个主成分,使其累计方差贡献率。)计算主成分得分。主成分系数矩阵(,)由个特征根对应的单位化特征向量构成,然后根据式()计算个主成分得分。珔珔 珔,;,()神经网络预测模型 神经网络 神经网络是目前应用最
8、广泛的多层前馈神经网络之一,拓扑结构包括输入层、隐含层和输出层,其中隐含层层数及节点个数根据实际情况确定。神经网络包括以下两个过程:信号的前向传播,即根据隐含层和输出层的权值、阈值及激活函数,按信号从输入层到隐含层再到输出层的方向计算输出层输出;误差的反向传播,即当输出层输出结果与期望输出结果间的误差一定大时,采用梯度下降法,不断修正隐含层和输出层的权值与阈值,当误差达到设定值或迭代次数达到设定次数时计算结束。粒子群优化算法 是模拟鸟群觅食行为提出的一种群体智能优化算法,每只鸟视为维解空间中的一个粒子并对应优化问题的一个潜在解,粒子的位置和速 度 随 机 初 始 化 为(,)和(,)以决定其飞
9、行方向和距离,并由适应度函数确定其适应度值。粒子在迭代过程中 追 随 自 身 搜 索 到 的 个 体 极 值(,)和粒子群体搜索到的群体极值(,),根据式()和式()更新其速度和位置。()()()()式中:表示当前迭代次数;表示维数,;、为学习因子;、为,随机数;为惯性权重,表示粒子继承先前速度的能力,其值较大时,全局寻优能力强,局部寻优能力弱,其值较小时则反之。一般采用式()平衡 的全局寻优和局部寻优能力,使 前期在维解空间内快速搜索,后期在最优值附近精细搜索。()()式中:和 为惯性权重的最大值和最小值;为最大迭代次数。模拟退火粒子群优化算法 后期所有粒子都向最优值附近靠近,粒子的多样性丧
10、失,如果最优值为局部最优,粒子群体陷入局部最优的概率大大增加。针对此问题,在 粒子速度和位置更新中引入 建立 。是基于组合优化问题与固体物质退火过程相似性提出的一种全局优化算法,算法首先在解空间中随机初始化位置,对初始状态随机扰动得到新位置,新位置的接受概率按式()计算。,()()()(),()(烅烄烆)()式中:为当前温度;()为适应度函数。从式()可以看出,以概率和一定概率接受粒子位置更新后较好和较差的适应度值,随着温度的降低,接受较差适应度值的概率越来越低,直至不再接受。当初始温度足够高且退火速度足够慢时,可以使粒子群体跳出局部最优,收敛至全局最优。神经网络预测模型计算步骤提高 神经网络
11、预测下沉系数准确性的关键是获得合适的权值和阈值,但 神经网络的权值与阈值随机初始化且采用梯度下降法修正,往往难以获得合适值。为解决此问题,将 神经网络的权值与阈值建立与 粒子维数间的映射关系,利用 优秀的全局寻优和局部寻优能力对粒子速度和位置进行更新,并将优化后的最优解赋给 神 经 网 络 的 权 值 和 阈 值,建 立 基 于 神经网络的下沉系数预测模型,具体计算步骤如下:)将下沉系数个样本划分为个训练样本与个测试样本。根据训练样本个数确定 神经网络的拓扑结构,包括隐含层层数,输入层、隐含层、输出层节点个数、,并随机初始化权值与阈值,其中,隐含层节点个数根据式()计算。槡()第期娄高中,等
12、主成分分析与改进 神经网络的下沉系数预测式中:为调节常数,范围为。)初始化 和 参数。包括种群规模、学习因子和、惯性权重 和 、最大迭代次数;初始温度、终止温度、退火速度。根据式()建立 神经网 络 权 值与阈 值与 粒子维数的映射关系。()以训练样本输出结果与期望输出结果的均方误差(,)作为适应度函数计算每个粒子的适应度值,见式()。比较粒子的适应度值与个体极值和群体极值,取更优值以更新个体极值和群体极值。然后根据式()和式()更新粒子的速度和位置。()()根据式()计算粒子位置更新后和更新前适应度值变化量。()()()当时,接受新位置;当时,是否接受新位置根据式()进行判断。()()式中:
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 成分 分析 改进 PSO BP 神经网络 下沉 系数 预测 高中
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。