一种PSO-BP算法的充填体评估参数预测方法及装置

一种pso-bp算法的充填体评估参数预测方法及装置
技术领域
3.本发明涉及充填体评估技术领域，也涉及计算机领域，特别是指一种pso-bp算法的充填体评估参数预测方法及装置。


背景技术：

4.矿山充填工程在采空区治理和矿山环境保护方面起着至关重要的作用，而充填体监测是保证充填体质量和安全性的重要手段之一。影响充填体失稳破坏的因素很多且充填体力学性质与其影响因素之间多是非线性问题，传统的充填体稳定性评价方法主要基于经验公式和试验数据，存在人工干预大、成本高、效率低等问题，监测方法和监测对象较为单一，无法对充填体失稳进行及时、全面和准确地预警。近年来，随着人工智能技术的快速发展，越来越多的研究将人工智能技术应用于矿山充填体监测中。人工神经网络是一种模拟人脑神经元的计算模型，它可以通过学习输入数据集来预测输出结果集，可以用于预测充填体的稳定性指标，如应力、沉降和渗压等。通过对输入数据集进行学习，神经网络可以生成一个预测模型，从而提供更精确的充填体稳定性评估。
5.bp神经网络是一种基于梯度下降策略的多层前馈神经网络，具有良好的自组织学习能力，它可以实现从输入到输出的任意非线性映射。每个神经元都有一个激活函数，用于计算输入的加权并产生输出。但传统bp网格算法存在预测不稳定、精度低、容易局部最优、收敛速度慢、初始神经网络的权值和阈值的选取具有随机性且预测误差较大等问题。


技术实现要素：

6.本发明针对如何对充填体评估参数预测模型进行优化，提高充填体评估参数预测方法的全面性以及准确性，提出了本发明。
7.为解决上述技术问题，本发明提供如下技术方案：
8.一种pso-bp算法的充填体评估参数预测方法及装置，其特征在于，包括以下步骤：
9.s1、建立pso-bp神经网络模型，确定bp神经网络结构，初始化粒子群；
10.s2、选择充填体失稳判断指标，对判断指标监测数据进行预处理并分类，导入pso-bp预测模型；
11.s3、依据s2步骤预测模型中粒子当前的位置、速度以及个体极值pbest和群体极值gbest，通过种群规模和迭代次数测试，从结果中选择合理的控制参量，通过神经网络模型不断更新粒子的速度和位置并计算粒子的适应度值；
12.s4、用最优适应度的群体极值gbest对bp神经网络赋值，训练数据集训练的bp神经网络进行预测数据集的预测处理并检验结果。
13.进一步的，根据步骤s1，确定bp神经网络权值、阈值的个数，通过对粒子群进行初始化，确定3个参量包括：粒子种群n、粒子速度v以及种群的维度d。
14.进一步的，根据步骤s2，将预处理的充填体失稳判断指标监测数据分为训练数据集和预测数据集。
15.进一步的，根据步骤s3，以合理的控制参量(加速度常数、种群规模和神经网络迭代次数等)为基础，通过不断迭代更新的粒子的速度、位置和适应度来表示粒子的特征。
16.进一步的，步骤s4包括以下具体步骤：s41.确立收敛精度，使群体极值gbest不断逼收敛精度；s42.选择适应度最优的gbest对bp神经网络赋值；s43.bp神经网络预测数据处理及检验。
17.另一方面，本发明还提供了一种pso-bp算法的充填体评估参数预测装置，包括：存储器、处理器及存储在所述存储器上的在所述处理器上运行的一种pso-bp算法的充填体评估参数预测程序，程序配置有实现一种pso-bp算法的充填体评估参数预测方法。
18.采用以上技术方案，本发明具有以下优点：
19.1.从矿山的现场实际情况和理论数据等多层面出发，构建充填体评估参数预测模型，通过预测参数判断充填体稳定程度，利用粒子群优化算法(pso)对bp神经网络阈值和权值进行优化，提高预测结果的可靠性和准确性。
20.2.将pso-bp神经网络应用于充填体稳定性研究更符合失稳破坏风险的不确定性和减少人为因素的主观性，为充填体稳定性监测中的风险因素管控提供新的理论依据。
附图说明
21.下面结合附图和实施例对本发明进一步说明。
22.图1为bp神经网络基本结构图；
23.图2为pso-bp算法流程图；
24.图3为不同种群数的pso-bp模型适应度值变化图；
25.图4为基于pso-bp的后36天预测数据图
具体实施方式
26.为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。应当理解，此处所描述的具体实例仅用于解释本发明，并非是对本发明的限定。
27.【实施例1】
28.本发明一种pso-bp算法的充填体评估参数预测方法及装置，包括以下步骤：s1.建立pso-bp神经网络预测模型，确定bp神经网络结构，初始化粒子群并对粒子的种群、速度和维度等数据进行预处理；s2.将经过预处理的充填体稳定性判断指标的监测数据分为训练数据集和预测数据集并导入pso-bp预测模型；s3.依据s2步骤中神经网络预测模型的当前粒子的位置和速度，结合个体极值pbest和群体极值gbest更新粒子的位置和速度，开展一系列不同种群规模下迭代次数测试，选择合理的种群规模和迭代次数等控制参量并计算粒子适合度值；s4.设置收敛精度值，使群体极值gbest向该精度值不断逼近，将适应度最优的gbest赋值给bp神经网络，训练数据集训练的bp神经网络进行预测数据集的预测处理并检验结果。
29.具体的，在步骤s1中，bp神经网络由输入层、隐藏层和输出层构成，输入层接收输入数据，输出层产生输出结果，而隐藏层则在输入和输出之间进行计算和转换。涉及粒子的多种数据，通过数据建立粒子与神经网络权值和阈值的映射关系，使得粒子参数初始化。具
体步骤如下：
30.1)bp神经网络基本结构确定
31.bp神经网络通过计算误差梯度并将其反向传播到网络中的每个神经元，从而使神经网络根据训练数据进行自我调整，以提高其性能。每个神经元都有一个激活函数，用于计算输入的加权并产生输出。
32.一个拥有d个输入神经元、l个输出神经元、q个隐含层神经元的多层前馈网络结构，其中输出层第j个神经元的阈值用θj表示，隐含层第h个神经元的阈值用γh表示，输入层第i个神经元与隐含层第h个神经元之间的连接权为v
ih
，隐含层第h个神经元与输出层第j个神经元之间的连接权为w
hj
。
33.隐含层第h个神经元接收到的输入如公式(1)所示：
[0034][0035]
输出层第j个神经元接收到的输入如公式(2)所示：
[0036][0037]
其中bh为隐含层第h个神经元的输出。bp神经网络基本结构图见图1。
[0038]
2)粒子群初始化
[0039]
假设搜索空间是d维空间，并且群体中有n个粒子。粒子群优化算法(pso)的维度与bp神经网络的阈值与权值总和相同。那么群体中的第i个粒子可以表示为一个d维的向量，粒子i位置可以表示为：
[0040]
xi＝[x
i1
,x
i2
,
…
,x
id
]
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0041]
它所经历的“最好”位置可以记作：
[0042]
pi＝[p
i1
,p
i2
,
…
,p
id
]
t
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0043]
粒子的每个位置代表要求的一个潜在解，把它代入目标函数就可以得到它的适应度值，用来评判粒子的“好坏”程度。整个群体迄今为止搜索到的最优位置可以记作：
[0044]gi
＝[g1,g2,
…
,gd]
t
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0045]
第d(1≤d≤d)维的位置变化范围限定在[x
min,d
,x
max,d
]内,速度变化范围限定在[-v
max,d
,v
max,d
]内。
[0046]
在步骤s2中，建立pso-bp神经网络预测模型，所有经过预处理的判断指标的监测数据按照一定比例分入训练数据集和预测数据集中，并将全部数据集导入pso-bp预测模型，训练数据集可以用来对bp神经网络权值和阈值进行优化，预测数据可以用来检测模型的泛化能力。
[0047]
在步骤s3中，依托步骤s2输入的数据集基础，pso-bp预测模型不断的进行迭代，在每一次的迭代中，粒子通过跟踪个体极值即pbest和全局极值gbest不断更新自己，从而产生新一代的群体。通过进行控制参量测试，模型在合理控制参量的基础上不断迭代更新粒子的速度和位置，并且计算粒子的适应度值。
[0048]
在迭代更新过程中，通过式就(6)、(7)确定粒子速度和位置。
[0049][0050]
[0051]
式中，k为当前迭代次数；v
ik+1
指种群中第i个粒子第k+1代移动速度；v
ik
指第i个粒子第k代移动速度；ω为惯性权重；r1和r2为0～1之间的随机数；c1和c2是粒子的加速度因子，取非负常数。
[0052]
步骤s4中，群体极值gbest向预先设置好的精度值逼近，选择最优适应度的gbest值，将其赋予bp神经网络，bp神经网络通过计算网络误差对权值和阈值进行调整，迭代过程循环进行直到计算网络误差达到一个很小的值，从而提高预测模型的精准度。
[0053]
在pso-bp的流程中，pso算法不断地搜索粒子群中的最优解，而bp神经网络则根据当前的权值和阈值进行训练，并计算适应度。通过不断地迭代，pso-bp算法可以逐渐优化bp神经网络的权值和阈值，从而提高其预测性能。pso-bp算法流程图见图2。
[0054]
下面结合具体应用，对本发明步骤进行说明。
[0055]
本发明重点参考了《金属非金属矿山安全规程》、《金属非金属矿山充填工程技术标准》等相关规程，在结合相关文献资料的基础上，选取包括沉降、应力以及渗压等作为判断指标并进行监测，这些监测数据可以反应开采过程中充填体的稳定性，充填体的稳定性是由多重因素相互作用的复杂系统过程，影响充填体稳定性的因素有很多，这些因素之间相互关联、相互作用，共同对充填体的稳定性产生影响。在充填体稳定性评价中不能单一考虑一种影响因素的作用大小，应该通局考虑，全面分析。
[0056]
本次监测周期为6个月，经历采空区治理和二次回采两个阶段，监测点布置在-165m水平、-240m水平以及-320m水平，每个水平布置5个监测点，共计15个监测点。每个监测点数据包括沉降、应力以及渗压，每个监测点中三类判断指标分别选取180组数据作为建立模型所用的数据集，数据集的统计分布如表1所示。为建立监测数据预测模型，将180组数据按照4:1的比例分为训练数据集和预测数据集。其中，训练数据集用于优化bp神经网络的参数(权值和阈值)，预测数据集用于测试监测数据预测模型泛化能力。
[0057]
表1监测数据统计分布
[0058][0059][0060]
本实例中bp神经网络的网络层数为3，其输入神经元个数为2，为沉降、应力及渗压其中两个；隐含层神经元个数为8，输出层神经元个数为1，为三个判断指标中除输入层外的另外一个。学习算法使用levenberg-marquardt算法，隐藏层激活函数为logsig函数，输出层激活函数使用pureline。
[0061]
模型的精准度受到pso算法中的控制参量的影响，是否合理的控制参量直接决定预测模型的整体性能。当粒子种群的规模越大时，粒子群的搜索能力越强，越容易搜索适应度最优的gbest值，但是种群规模过大会导致计算时间过长，本次模型计算选取种群规模为100；加速度常数取c1＝c2＝2；进行不同规模种群在较大迭代次数下的一系列测试，如图3所
示，当迭代次数大于1600时，不同种群规模的适应度均趋于稳定，为保证模型计算精准度，本次最大迭代数目iter
max
＝2000，惯性权重选择时变权重，形式为线性递减，即：
[0062]
ω＝(ω
max-ω
min
)(iter
max-iter
t
)/iter
max
+ω
min
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0063]
式中，iter
max
是粒子群最大迭代数目；iter
t
是粒子当前迭代数；ω
max
、ω
min
是最大最小惯性权重，取值为0.99和0.50。
[0064]
为了验证模型的可靠性，在-165m水平、-240m水平及-320m水平分别选取一个监测点的数据使用bp、pso-bp两种算法进行验证，两种算法预测数据如图4所示。可以看出，和bp模型相比，pso-bp模型的预测值与实际值更加接近。两种模型预测的相关验证统计参数如表2所示，总体来看，pso-bp模型在预测数据集上具有更低的均方根误差(rmse)值和平均绝对误差(mae)值,说明在采用相同的bp网络拓扑结构时，pso-bp模型的预测效果要好于bp模型，这在一定程度上是因为pso算法本身具有更高的计算效率。总体结果表明，pso-bp模型预测性能优于bp模型，pso-bp模型的预测值能很好地逼近实际值，认为pso-bp模型在学习充填体监测训练数据后，可以形成良好的泛化能力，无需进行过多数据即可使用提出的模型预测充填体不同监测类型的监测数据，有效指导后续安全回采作业。
[0065]
表2预测结果对比表
[0066][0067]
在示例性实例中还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述一种pso-bp算法的充填体评估参数预测方法。例如，计算机可读存储介质可以是随机存取存储器(ram)、cd-rom、rom、磁带、软盘和光数据存储设备等。
[0068]
领域普通技术人员应当理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0069]
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

技术特征：
1.一种pso-bp算法的充填体评估参数预测方法及装置，其特征在于，所述方法包括：s1、建立pso-bp神经网络模型，确定bp神经网络结构，初始化粒子群；s2、选择充填体稳定性的判断指标，并将判断指标的监测数据进行预处理，将预处理的数据分类并导入pso-bp预测模型；s3、依据s2步骤预测模型中粒子当前的位置、速度以及个体极值pbest和群体极值gbest，进行不同规模种群在较大迭代次数下的一系列测试，选择合理的控制参量，不断更新粒子的速度和位置并计算粒子的适应度值；s4、用最优适应度的群体极值gbest对bp神经网络赋值，经过训练数据集训练的bp神经网络进行预测数据集的预测处理并检验结果。2.根据权利要求1所述的一种pso-bp算法的充填体评估参数预测方法及装置，其特征在于，步骤s1中明确bp神经网络权值与阈值，通过对粒子群进行初始化，确定粒子种群n、粒子速度v以及种群的维度d三个参量。3.根据权利要求1所述的一种pso-bp算法的充填体评估参数预测方法及装置，其特征在于，根据步骤s2，将预处理的判断指标的监测数据分为训练数据集和预测数据集。4.根据权利要求1所述的一种pso-bp算法的充填体评估参数预测方法及装置，其特征在于，根据步骤s3，进行控制参量测试，选择合理的控制参量如种群规模、加速度常数和迭代次数等，通过迭代更新的粒子的速度、位置和适应度来表示粒子的特征。5.根据权利要求1所述的一种pso-bp算法的充填体评估参数预测方法及装置，其特征在于，步骤s4包括以下具体步骤：s41.确立收敛精度，使群体极值gbest不断逼进该精度；s42.选择适应度最优的gbest对bp神经网络赋值；s43.bp神经网络预测数据处理及检验。6.一种pso-bp算法的充填体评估参数预测装置，包括：存储器、处理器及存储在所述存储器上的在所述处理器上运行的一种pso-bp算法的充填体评估参数预测程序，程序配置有实现如权利要求1-5所述的一种pso-bp算法的充填体评估参数预测方法。

技术总结
本发明涉及一种PSO-BP算法的充填体评估参数预测方法及装置，包括以下步骤：S1.建立PSO-BP神经网络预测模型，明确BP神经网络结构和初始化PSO算法粒子群；S2.选择充填体失稳判断指标，将指标数据预处理并将处理的数据集分为训练数据集和预测数据集，导入PSO-BP神经网络模型中；S3.依据S2步骤，对粒子特征、个体(Pbest)和群体极值(Gbest)进行参量测试，通过神经网络迭代更新粒子位置与速度，计算适应度；S4.使群体极值(Gbest)不断逼近收敛精度，将最优值赋值给BP神经网络，对预测数据集预测与检验。本发明通过粒子群优化算法(PSO)优化BP神经网络，建立更符合解决充填体失稳风险本身不确定性和人为判断主观性的评估参数预测模型，提高矿山充填体监测准确性和全面性。提高矿山充填体监测准确性和全面性。提高矿山充填体监测准确性和全面性。


技术研发人员：康明超 周森林 王炳文 李乾龙 刘臣毅
受保护的技术使用者：中国矿业大学（北京）
技术研发日：2023.05.22
技术公布日：2023/9/5