BP神经网络在煤巷围岩稳定性分类中的应用

BP神经网络在煤巷围岩稳固性分类中的应用大纲:煤巷围岩稳固性受好多要素的影响,各要素间有着复杂的非线性关系。BP神经网络对输入的样本拥有很强的鉴别与分类能力,可以实现精确的非线性展望。本文应用MATLAB语言,成立了合用于煤巷围岩稳固性分类的BP神经网络,拥有很好的议论鉴别成效。要点词:BP神经网络MATLAB围岩稳固性1前言目前,一些矿区煤巷的支护设计仍采纳经验类比的方法,不一样的巷道,锚杆支护部署参数相同,造成了有些巷道支护方式存在着安全隐患,有些存在着经济上的浪费。问题的主要原因是支护设计者对煤巷围岩稳固性缺少科学的判断手段。影响煤巷围岩稳固性的要素好多,它们与煤巷围岩稳固性之间体现出一种非线性关系,用传统的数学方法很难拟合。BP神经网络对输入的样本拥有很强的鉴别与分类能力,可以很好地解决对非线性曲面的迫近问题。本文应用MATLAB语言,成立了合用于煤巷围岩稳固性分类的BP神经网络。神经网络2.1神经元神经元是神经网络的基本办理单元,表现为一个多输入、单输出的非线性器件,结构模型如图:此中,χj为输入信号,ωij为χj的权植,ui为第i个神经元的内部状态,θi为阈值,输入χj乘以权值ωij获得ωijχj,送入累加器累加,而后偏置θi值,送入一个传达函数f,在f中产生神经元的输出yi。神经元可表示为:2.2多层神经网络每层有各自的输入向量X、权值矩阵W、偏置值向量θ和输出向量Y,用上标来注明层次。三层神经网络模型如图:2.3BP神经网络BP神经网络是采纳BP算法进行学习的多层前馈网络,比较合用于模式鉴别与分类的应用,在解决非线性、不确定性、大信息量的问题上拥有很强的优胜性。BP算法是一种用于前向多层的偏差反向流传学习算法,经过学习,可以对网络的连接权值进行不停地调整,使得调整后的网络可以将输入它的信息变换成所希望的输出信息。学习过程由正向流传和反向流传构成。BP神经网络的学习过程:(1)选择一组训练样本,包含输入信息和希望输出两部分。(2)取相同本,把输入信息输入到网络中。(3)分别计算经神经元办理后的各层节点的输出。(4)计算网络的实质输出和希望输出的偏差。(5)从输出层反向计算到第一个隐层,并依据某种能使偏差向减小方向发展的原则,调整网络中各神经元的连接权值。(6)对训练样本集中的每相同本重复(2)至(5)步,直到偏差达到要求时为止。3BP神经网络设计3.1网络的层数在设计BP神经网络时,一般先考虑设一个隐含层,由于单隐含层的BP网络的非线性映照能力已经比较强了,当一个隐含层的节点数好多仍不可以改进网络性能时,才考虑增添一个隐含层。本模型采纳

3层

BP

神经网络。3.2各层的神经元数经查阅文件资料和对煤矿进行调研,对影响煤巷围岩稳定性的要素进行综合解析,确定了11个影响要素:煤层埋深、煤层倾角、煤层厚度、煤层强度、直接顶厚度、直接顶强度、老顶厚度、老顶强度、直接底厚度、直接底强度、护巷煤柱宽度,所以网络输入层神经元数为11。依据巷道的围岩性质,将煤巷围岩稳固性区分为稳固、比较稳固、不稳固和极不稳固四各种类,所以网络输出层神经元数为4。隐含层神经元的作用是从样本中提守信息并储存其内在规律,每个隐含层神经元的每个权值都是加强网络映照能力的一个参数,所以,隐含层神经元数在很大程度上影响着网络的展望性能。3.3传达函数依据模型的特色及输出值的范围,隐含层使用双曲正切s型函数,输出层使用对数-s形传达函数。3.4MATLAB语言实现用MATLAB成立BP网络模型的主要代码以下:P=[]';%定义输入向量T=[0,1,0,0;]'%定义目标向量threshold=[01;01;01;01;01;01;01;01;01;01;01];net=newff(threshold,[23,4],{'tansig','logsig'},'trainlm');%定义网络net.trainParam.epochs=1000;%定义网络的训练次数net.trainParam.goal=0.0001;%定义网络的目标偏差LP.lr=0.01;%定义网络的学习速率net=train(net,P,T);%训练网络P_test=[]';%定义测试数据Out=sim(net,P_test)%对网络进行测试结语煤巷围岩稳固性受好多要素的影响,这些要素与煤巷围岩稳固性分类之间存在着非线性的关系,BP神经网络在煤巷围岩稳固性分类展望中拥有较高的精度。但BP算法存在着收敛速度慢、隐节点个数不易采纳、局部最小值等问题,有待改进。参照文件:葛哲学,孙志强.神经网络理论与MA