PSO優化BP神經網絡巖爆預測的Matlab實現

肖雄

【摘要】由于影響巖爆因素的復雜性，以及巖爆的極強災害性。本文通過選擇影響巖爆程度的四項物理力學指標，最后運算組合以后變成三項輸入因子。應用BP神經網絡對16組國內外巖爆實際工程案例進行訓練，得到最優隱含層數。然后利用粒子群算法（PSO）優化網絡的初始權值和閾值，避免了單獨使用BP網絡時說存在的不足。利用Matlab及其神經網絡工具箱來實現網絡的運算和預測。將訓練好的網路應用到三組實際的案例中，最終結果表明：利用PSO-BP神經網絡算法所預測出來的結果和實際巖爆烈度一致，且結果明顯優于單因素判據和BP網絡預測的結果。

【關鍵詞】BP神經網絡；粒子群（PSO）優化算法；巖爆預測；Matlab

本文利用Matlab 9.1.0（R2016b）這一工具進行BP神經網絡的運算并利用粒子群（PSO）進行網絡的優化。相對遺傳算法來說，粒子群優化BP神經網絡就沒有交叉、變異等復雜操作。PSO-BP網絡模型避免了BP網絡陷入局部最優、收斂慢等缺陷。建立了多個巖爆影響因素與巖爆程度之間的非線性映射關系，并得到了最優初始權值和閾值。然后利用網絡進行訓練，最后得出的結果與實際的巖爆程度一致。

1、基于粒子群算法的BP神經網絡模型

1.1BP神經網絡與巖爆的結合

（1）BP算法流程分成兩個部分：信息的正向傳播和誤差的反向傳播。

（2）將影響巖爆的主要因素作為網絡的輸入層，并告知網絡學習樣本的期望輸出，然后讓網絡計算出最優的初始權值和閩值。能夠得到各個影響因素之間的權重關系。利用神經網絡解決輸入因子間的非線性關系，從而能夠對巖爆的烈度進行分級且避免了主觀因素的影響。

1.2粒子群（PSO）優化算法

粒子群算法，也稱微粒群算法，它能夠優化BP網絡的關鍵一點是，能夠找尋最優的初始隨機權重和閾值。

對于PSO算法，所有粒子（假設N個）通過速度vi=（vi1，v12，……，viD）更新其空間位置Xi=（xi1，x12，……，xiD）。粒子根據如下公式更新速度和位置：

2、PSO-BP模型巖爆預測的Matlab實現

2.1網絡參數的選取與訓練

本文的巖爆實際案例數據來源于文獻，表1是訓練網絡所用的16個工程實際案例。通過公式（3）對樣本數據的歸一化處理，并進行網絡的訓練以后得到了當隱含層數為9時，所得到的網絡誤差最小為0.0711。樣本數據歸一化公式：

式中，xmin為樣本輸入數據中的最小數；xmax為樣本輸入數據中的最大數。

2.2PSO-BP算法的工程實例

基于MATLAB9.1.0（R2016b）對PSO-BP算法進行了編制，兩個速度更新參數設置為c1=2，c2=2。由2.1節可知網絡的輸入層（indim）、隱含層（hiddennum）、輸出層（outdim）分別為3、9、4。種群的進化次數也稱粒子的維度可以由由公式（5）計算出來。公式如下：

得出粒子群的種群進化次數maxgen=76種群規模設置為sizepop=30。然后再將最優的權值w和閾值b賦予給BP網絡，對國內外三組實際開挖巖爆的案例，來進行模型的驗證。

2.3不同預測方法結果的比較

將PSO-BP與經驗判據巖爆預測的結果比較，如表1所示

通過表4的預測結果比較，某一個單一的經驗判據來預測巖爆的結果是很不準確的，PSO-BP綜合多個巖爆影響因素所預測出來的結果和實際的巖爆程度很相近。

結論：

（1）傳統經驗判據預測巖爆導致預測精度不高，采用人工智能技術可以綜合多個影響因素來預測巖爆的傾向性。

（2）利用Matlab強大的工具箱功能，能夠實現BP網絡從而解決問題的提高效率。