基于量子遗传模糊推理系统的煤与瓦斯突出预测模型

郭金栋

(淮南职业技术学院 能源工程学院,安徽 淮南 232001)

0 引言

煤与瓦斯突出评价是矿井煤岩动力灾害防控工作的基础,准确预测煤与瓦斯突出及其危险程度已成为矿井安全生产亟待解决的重大问题。随着数据理论和人工智能的快速发展,基于数据驱动的机器学习方法及其应用取得了突破性成果,神经网络[1-2]、支持向量机[3-4]、极限学习机[5]等分类器广泛应用于煤与瓦斯突出灾害的分类识别与预测。神经网络具有较强的非线性映射能力和自学习能力,但其网络结构的确定较为困难,网络结构设计复杂时网络训练容易出现过拟合,网络结构简单又可能导致欠拟合而出现不收敛现象;BP网络采用梯度下降学习算法,容易陷入局部最优,这些问题都影响着BP网络的预测效果。支持向量机解决多分类问题时需要构造多个复合分类器,训练规模较大样本的计算成本较高,且SVM核函数和惩罚参数的合适取值较为困难。极限学习机的参数随机生成导致了结果的随机性,影响预测准确性。为了提高预测准确率和运行效率,不少研究者使用群智能仿生算法优化这些分类器的参数。文献[1]用遗传算法优化BP神经网络的权值和阈值;文献[2]将免疫算法中基于繁殖概率的抗体多样性保持机制引入量子遗传算法,以此对BP网络隐含层数和连接权值进行寻优;文献[3]将等距映射算法与优化加权向量机耦合算法相结合,建立了DDICS-WLS-SVM预测模型,预测精度有所提高;文献[5]提出自适应天牛须算法与极限学习机相结合的预测模型,模型的泛化能力和预测精度效果较好。……