基于PSO-BP神经网络的地表下沉系数选取研究

张 飞,刘文生

(1.辽宁工程技术大学 测绘与地理科学学院,辽宁 阜新 123000;2.辽宁工程技术大学 土木与交通学院,辽宁 阜新 123000)

基于PSO-BP神经网络的地表下沉系数选取研究

张 飞1,刘文生2

(1.辽宁工程技术大学 测绘与地理科学学院,辽宁 阜新 123000;2.辽宁工程技术大学 土木与交通学院,辽宁 阜新 123000)

针对BP神经网络自身收敛速度慢、容易陷入局部极小点的缺点,引入粒子群优化算法,建立地表下沉系数的PSO-BP选取模型。利用粒子群算法反复优化BP网络的权值和阈值,将其作为BP网络的初始值,并将上覆岩层岩性、开采深厚比、松散层厚度、覆岩中坚硬岩层所占比例、是否为重复采动和顶板管理方法等主要影响因素作为网络输入,进行BP算法,直至网络达到训练指标。利用实测资料数据,建立PSO-BP预计模型,并同普通BP神经网络预计结果对比。结果表明:PSO-BP神经网络不仅训练速度快,而且预测精度明显提高,该模型对地表下沉系数选取具有一定的应用价值。

粒子群;BP神经网络;地表下沉系数

矿山开采引起的地表移动和变形预计是“三下”采煤研究的重要内容,现有开采沉陷预计公式都需要相应的计算参数,而计算参数选取的正确与否将直接影响到预计的精度[1]。地表下沉系数是它们当中的关键参数之一,所以对其研究具有非常重要的意义。

下沉系数的传统计算方法有直接统计分析法[2]、P系数法以及工程类比法[3],这些方法都是依经验来进行的参数选取,具有很大的不确定性。本文将具有全局优化、且寻优速度快的粒子群优化算法(Particle Swarm Op timization,PSO)与BP神经网络结合,建立PSO-BP神经网络模型,并利用相关数据,对建立的模型进行实证分析。

1 选取的算法

1.1 粒子群优化算法

粒子群优化(PSO,Particle swarm op timizer)算法[4]是基于群智能的全局优化技术,它通过粒子间的相互作用,对解空间进行智能搜索,从而发现最优解。PSO首先生成初始种群,每个粒子都为寻优问题的一个潜在解,用适应值计算出相应的优秀度值以确定是否达到寻优目标。每个粒子将在解空间中运动,由一个矢量决定其运动方向和位移。通常粒子将追随当前的最优粒子而动,并经逐代搜索最后得到最优解。

式中:ω是惯性权重,t为当前迭代次数,T为总迭代次数[5];c1是粒子跟踪自己历史最优值的权重系数,它表示粒子自身的认识,称“认知”,c2是粒子跟踪群体最优值的权重系数,它表示粒子对整个群体知识的认识 ,称“社会”,c1、c2均取 2;ξ、η取[0,1]区间的随机数;r称为速度的约束因子,取0.729。

用PSO得到的最优粒子对神经网络初始权值和阈值进行赋值,在解空间中定位出一个较好的搜索空间;然后再采用BP算法在这个小空间中搜索出最优解。

1.2 BP神经网络

1989年,Robert Hecht-Nielson证明,任何在闭区间的一个连续函数都可以用一个隐层的BP网络来逼近,即一个3层网络可以完成任意的 n维到m维的映射,所以本文采用三层BP网络[6]。其训练过程如下:

1)初始化及提供训练样本。

训练完所有样本后,计算当 E＜ε时,训练结束,否则网络继续学习,直到 E＜ε。

1.3 M atlab算法程序

主要的MA TLAB程序如下:粒子群优化部分:

Swarm Size为种群大小的个数,S为粒子的维数,aa为粒子各维的范围,A dap tFunc为适应值函数,ParSwarm为初始化的粒子群,Op tSw arm为当前最优解与全局最优解,Basestep PSO为更新函数,x为输出最优解,1 000为迭代次数。

2 建模及应用

2.1 数据来源及网络元素的确定

本文选用文献[7]中的地表移动观测站资料来建模验证,将其中1～35号观测站数据作为学习样本对网络进行训练,36～40号观测站数据作为计算测试样本用于检验网络的性能,如表1所示。

网络基本要素的确定如下:

网络输入:上覆岩层岩性 f、开采深厚比(H/M)、松散层厚度δ、覆岩中坚硬岩层所占比例、是否为重复采动和顶板管理方法,这些是下沉系数的主要影响因素,所以6个输入[2,7]。

隐含节点数:根据 Kolmogorov定理[8]确定隐含层结点数,因为输入有6个,所以确定隐含层节点数范围为[11,15],经过反复试验,最终选择节点数为15。

网络输出:地表下沉系数,1个输出。

传递函数:网络中间层的神经元传递函数采用S型正切函数tansig,输出层神经元传递函数采用S型对数函数logsig。

观察输入样本的数据差异很大,而输出样本在(0,1)之间,所以只需先对输入样本进行归一化处理,使数据在[-1,1]之间,加快网络的训练速度。

表1 学习和训练样本

2.2 网络的训练及分析

1)网络的训练:训练函数用traindgx,收敛精度为0.001,图1和图2是BP和 PSO-BP网络的收敛图,可以看出当BP的迭代次数到919时候网络收敛停止,而PSO-BP的停止迭代次数为585,收敛速度明显加快。

2)网络性能测试:图3是网络仿真对比图,可以看出BP和PSO-BP均能较好地拟合预测样本的下沉系数,但PSO-BP更优。表2为两种网络误差对比,表2显示,BP网络相对误差最大值为12.0%和-13.4%,而 PSO-BP网络相对误差的最大值为8.5%和-1.9%,并且对各个样本拟合效果更好。

图3 网络仿真性能

表2 模型预报误差

3 结 论

针对BP神经网络的缺陷,如学习速度慢、容易陷入局部极小及“过学习”等,本文将粒子群算法用于BP神经网络的权值和阈值,建立了 PSO-BP神经网络下沉系数计算模型。经过反复实验,得到以下结论:

1)BP神经网络容易出现网络震荡现象,而PSO-BP神经网络较好地避免了此种现象,模型更加稳定;

2)PSO改进BP神经网络能够有效地提高BP学习方法的全局性,克服陷入局部极小,学习速度加快;

3)实验证明PSO-BP网络的预测精度较BP网络更高,是一种较好的计算下沉系数的模型。

[1]杨帆,麻凤海.地表移动预计参数选取的神经网络法[J].中国地质灾害与防治学报,2004(1):102-106.

[2]刘文生.东北煤矿区地表下沉系数规律研究[J].辽宁工程技术大学学报:自然科学版,2001,20(3):278-280.

[3]煤炭科学院北京开采研究所.煤矿地表移动与破坏规律及其应用[M].北京:煤炭工业出版社,1981.

[4]YASUDA K,IDE A,IWASA KI N.Adap tive particle swam optimization.IEEE International Conference on System s,Man and Cybernetics,2003,2:1554-1559.

[5]SH I Y,EBERHART R C.Empirical study of particle swarm optimization.Proceedings of the 1999 Congress on Evolutionary Computation.1999,3:1945-1950.

[6]赵林明,胡浩云,魏德华,等.多层前向人工神经网络[M].郑州:黄河水利出版社,1999.

[7]郭文兵,邓喀中,邹友峰.地表下沉系数计算的人工神经网络方法研究[J].岩土工程学报,2003,25(2):212-215.

[8]张乃尧,阎平凡.神经网络与模糊控制[M].北京:清华大学出版社,1998.

The study of surface subsidence coefficient selection based on PSO-BPANN

ZHANG Fei1,L IU Wen-sheng2
(1.School of Geomantic,Liaoning Technology University,Fuxin 123000,China;2.Institute of Civil Engineering and Transpo rtation,Liaoning Technology University,Fuxin 123000,China)

In view of the shortcomings of rate slow,easy to fall into the partial minimum point of the BPneural network,Particle Swarm Op timization is introduced,and the PSO-BP select model of the surface submersion coefficient is established.The article repeatedly uses Particle Swarm Op timization algorithm to op timize the BP network weights and thresholds,then they are taken as the BP network the initial value.Then themain factors including the overburden rock character,the ratio of mining dep th and thickness,loose layer thickness,the p roportion of hard rock in the overburden rock,w hether to repeatedly to pick moves and roof management methods,etc.are taken as network input,and the BP algorithm is carried on until the network training to achieve targets.Useing the actual material data,the PSO-BP estimatemodels established,and contrasted w ith ordinary BP neural network estimate result.The result indicated:The PSO-BP neural network not only trains in a fast speed,but also forecasts p recision distinct enhancement,and thismodel to select the surface submersion coefficient has certain app lication value.

Particle Swarm Op timization;BP neural network;surface submersion coefficient

TD325;TP183

A

1006-7949(2010)06-0057-04

2009-10-09

张 飞(1986-),男,硕士研究生.

[责任编辑刘文霞]