基于改进GA-LSSVM的回采工作面瓦斯涌出量预测

1基于时变PSO-SVM的回采工作面瓦斯涌出量预测摘要：针对粒子群优化（PSO）算法中适应度函数不可变的问题，提出一种改进时变PSO算法（TVPSO），其适应度函数可变，利用TVPSO对最小二乘法支持向量机（LSSVM）的参数进行优化，避免了人为选择参数的盲目性，提高了预测模型的在线预测能力。建立基于TVPSO-LSSVM的连续性较强的混沌时间序列对回采工作面进行连续预报。实验结果证明该方法运算速度快，适用于在线预报。关键词：时变粒子群优化，最小二乘支持向量机，回采工作面，瓦斯涌出量，连续预测1.引言矿井中瓦斯的存在已经成为煤炭生产的主要安全隐患，近几年煤矿事故的发生，绝大部分都是由瓦斯造成的。因此对回采工作面瓦斯的涌出量进行确地预测，已经成为很紧迫的课题。国内外学者对回采工作面瓦斯涌出量做了大量研究，文献[1]、[2]、[3]采用人工神经网络对回采工作面瓦斯涌出量进行预测，文献[4]提出一种LS____SVM的方法对回采工作面瓦斯涌出量进行预测，收到很好的效果。本文通过对LS____SVM采用改进遗传算法进行参数确定，从而避免了人为设定的随意性。最小二乘支持向量机（LS-SVM）是由Suykens等人在支持向量机的基础上提出的一种新的机器学习方法，它在解决小样本、非线性及高维模式识别和预测中表现出很多特有的优势。瓦斯涌出量预测可以看作是涌出量与其对应影响因素之间复杂的非线性函数关系的逼近问题，鉴于此，笔者尝试将最小二乘支持向量机理论引入瓦斯涌出量预测问题中。2．最小二乘支持向量机模型LS_SVM是标准SVM的一种扩展【5】，和标准支持向量机相比，最小二乘支持向量机求解的是一个等式约束下的线性方程，所以速度较快，求解所需的计算资源较少，在模式识别和非线性函数拟合的应用中取得了较好的效果。设训练样本B={(xk，yk)|k=1，2，···，Ｎ}，其中ｘk∈Rn为输入数据，yk∈R是输出类别，w是法向量。最小二乘支持向量机分类问题可以描述为求解以下问题：2,,11min(,)2NTiwciJ(1)约束条件：()Tiiiyxwbi=1,2….N(2)其中，w是最优分类超平面的法行量；是正则化参数，平衡支持向量机的泛化能力和误差水平；()kx是kx在高维空间的映射函数；是允许错分的松弛变量；b为偏置量。定义拉格朗日函数：2111(,,,)(())2NNTTiiiiiiiLwbwwxwby（3）（3）式中，(1,2,...,)iiN为拉格朗日乘子。由于在任何约束条件下，所有的最优化问题都必须满足KKT条件，从而（3）式对2,,,wb求偏导，并令其等于0，得到下式：1()0NiiiLwxw10NiiLb1120NNiiiiL1(())0NTiiiiLxwby把（1）式消去w和可得：100TIbIyKI(4)(4)式中，1,,1TI;1,,TN;1,,TNyyy；K为核矩阵，第i行第j列的元素为(,)()(),1,,TijijijKKxxxxijN、。其中()K为核函数，满足Mercer定理。常用的核函数有多项式核函数、线性核函数和RBF核函数。本文采用性能较优良的RBF核函数：22)exp(/2)ijijKxx（x,x，为径向基函数的宽度，为待定参数。求解（4）可得b和后，最小二乘向量机的回归函数为：1()(,)Niiiyxkxxb（5）在应用最小二乘支持向量机算法时，正则化参数以及RBF核函数的核参数对该算法的学习能力和推广能力影响很大，传统做法是采用人工搜索的方法来获得，但此法费时费力且得不到最优参数。3改进PSO算法3.1标准PSO算法粒子群（PSO）优化算法的基本思想是通过群体中个体之间的协作和信息共享来寻求最优解。粒子通过跟踪两个“极值”来更新自己：一个极值是粒子本身所找到的最优解，另一个是整个种群目前找到的最优解。在每一次迭代中，粒子xi会根据自己过去曾经浏览过的最佳向量值Pbesti以及整个群体曾经浏览过的最佳向量值Gbest来计算粒子的位移向量vi,然后再将向量加上此位移向量作为下一次迭代的粒子向量值。对于第i次迭代，粒子群中的每一个粒子是按照下式进行运动：Vidk+1=Vidk+c1*rand（）*（pid-xidk）+c2*rand()*(pgd-xidk)(6)xidk+1=xidk+vidk=1（7）在式（6）、（7）中：i=1,2,…，n，n是粒子群中粒子的总数：3Vidk：第k次迭代粒子i飞行速度矢量的第d维分量；Xidk：第k次迭代粒子i位置矢量的第d维分量；Pid：粒子i个体最好位置pbest的第d维分量；Pgd：群体最好位置gbest的第d维分量；c1、c2：权重因子。标准PSO算法存在早熟收敛现象。为了从多样性和改善收敛速度两方面解决粒子群的早熟问题，研究人员设计了很多改进算法，如惯性权重线性变化方法、压缩因子方法、交叉PSO模型、免疫PSO模型、自适应PSO算法、拉伸PSO算法、带有领域操作的PSO算法。【6-7】上述算法有下列问题：（1）都是针对静态系统的优化方法，一旦系统确定，适应度函数也相应确定，粒子按上述各种改进PSO算法向这个最佳适应度位置靠拢。（2）为保证粒子群的多样性，往往不断更新粒子群中的粒子组成，显然，更新掉的粒子带走了它们的记忆库，新换上来的粒子又要重新学习，建立自己新的记忆库。这种情况会使粒子群不断变化，往往会产生振荡，不能迅速收敛。4瓦斯涌出量IGA-LSSVM预测模型的建立用于回采工作面瓦斯涌出量预测的实验数据来自参考文献[3],把埋藏深度、煤层厚度、瓦斯含量、开采强度、邻近层间距、邻近层瓦斯含量作为预测指标，把绝对瓦斯涌出量作为预测值。把前15个数据作为训练样本，把后5个作为检验样本。建模过程分为以下几步：根据训练样本利用Matlab软件平台编写LSSVM学习程序；输入训练样本，得到模型参数；利用模型参数，建立预测模型；输入测试样本，得到预测结果。用改进遗传算法迭代200次，所得＝172.342，2＝1.6453，将求得的＝172.342和2＝1.6453带入（5）式，得到最小二乘支持向量机回归函数。使用检验样本进行检验，得到实测值与网络预测值的对比表1.表1实测值与LSSVM预测值的对比Table1Comparisonofpredictionresultandmeasurementresults编号实测值（m3·min-1）网络预测值（m3·min-1）相对误差（％）1210.9612.9710.935512.9408－0.224－0.225434517.9221.6326.6417.947321.652226.78540.150.10.55由表1可看出，检验样本的网络输出结果和实际测量结果非常接近，相对误差在－0.225％～0.55％之间，表明基于IGA－LSSVM预测模型能很好的描述工作面瓦斯涌出量和其影响因素之间的映射关系。5结论（1）改进的遗传算法能够很好的对最小二乘法进行优化，取得满意的效果。（2）经改进的遗传算法优化的最小二乘法能很好的预测工作面瓦斯的涌出量，从而满足工作面瓦斯涌出量的预测精度要求。[1]朱红青，常文杰，张彬。回采工作面瓦斯涌出BP神经网络分源预测模型及应用[J],煤炭学报，2007，32（5）：504-508[2]刘玉静,肖广智.用人工神经网络模型预测采煤工作面的瓦斯涌出量[J].煤矿安全,2003,34(1):11~14.[3]撒占友,何学秋,王恩元.基于自适应神经网络的采掘工作面瓦斯涌出量预测[J].煤炭学报,2001,26(S0):96~99.[4]孙林，杨世元。基于LS____SVM的回采工作面瓦斯涌出量预测[J],煤炭学报，2008，33（5）：1378-1380[5]阎威武，邵惠鹤，支持向量机和最小二乘支持向量机的比较及应用研究[J]，控制与决策，2003，18（3）：358-340[6]王伯成，施錦丹，王凯等，粒子群优化算法的研究现状与发展概述[J].电视技术，2008，48（5）：7-11[7]张丽平，粒子群优化算法的理论及实践[D].杭州：浙江大学，2005