PSO優化BP神經網絡巖爆預測的Matlab實現

文/肖雄 武漢理工大學土木工程與建筑學院 湖北武漢 430070

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

1.1 BP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閾值。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(Particle Swarm Optimizatio n，PSO），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,vi2,.......,viD)更新其空間位置Xi =(xi1,xi2,...,xiD)。粒子根據如下公式更新速度和位置[1]：

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[2]，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。

2.2 PSO-BP算法的工程實例

基于MATLAB9.1.0(R2016b)對PSOBP算法進行了編制[3]，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，PSOBP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。