基于梯度下降的BP算法簡單、可塑性強,但極易陷入局部極值,并且存在收斂速度慢等無法克服的缺陷。粒子群優(yōu)化算法作為一種全局優(yōu)化算法,引入到神經(jīng)網(wǎng)絡(luò)的訓練中很容易實現(xiàn),并且能夠快速收斂。結(jié)合局部搜索能力快速的BP算法和全局搜索能力極強的粒子群優(yōu)化算法,提出了PSO-BP算法的煤與瓦斯突出危險性區(qū)域預測模型。實驗結(jié)果證明,該預測模型相比于基于BP神經(jīng)網(wǎng)絡(luò)的預測,在泛化能力和收斂速度上均有顯著增長。 

【文章來源】：能源技術(shù)與管理. 2020,45(04)

【文章頁數(shù)】：3 頁

【部分圖文】：

BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)

粒子群優(yōu)化是一種依靠群體智能方法的進化迭代計算方法，通過個體互動協(xié)作尋找最優(yōu)解，其原理簡單易操作，工程應(yīng)用和科學研究都便于開展。粒子群優(yōu)化算法起初依靠初始化一組隨機粒子，通過迭代，每個粒子向自身找到的最好位置和群體中位置最好的粒子靠近，粒子的初始化位置及速度都是在搜索區(qū)域隨機出現(xiàn)的。粒子群算法的原理是每個粒子朝向自身和種群所在最佳位置移動，移動過程如圖2所示。在一個m維搜索空間和由m個粒子組成的種群中，第i個粒子的位置表示為一個D維向量Xi=(Xi1,Xi2，…，Xid，…，Xi D）；第i個粒子的速度為Vi=(Vi1,Vi2，…，Vid，…，Vi D）；第i個粒子的歷史最好點為Pi=(Pi1,Pi2，…，Pid，…，Pi D）；群體內(nèi)的全局最優(yōu)點為Pg=(Pg1,Pg2，…，Pgd，…，Pg D）。粒子速度和位置根據(jù)式（1）、（2）變換。

基于PSO-BP算法的網(wǎng)絡(luò)流程如圖3所示�；赑SO-BP算法的煤與瓦斯突出預測的方法研究，其原理是用PSO優(yōu)化算法，算出BP神經(jīng)網(wǎng)絡(luò)的所有節(jié)點之間的連接權(quán)值和閾值，并將閾值和連接權(quán)值映射為PSO粒子，達成聯(lián)網(wǎng)訓練。具體算法進程如下：

【參考文獻】：
期刊論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預測系統(tǒng)開發(fā)[J]. 曲方,張龍,李迎業(yè),李忠群.  中國安全科學學報. 2012(01)
[2]BP神經(jīng)網(wǎng)絡(luò)在煤與瓦斯突出預測的研究[J]. 楊艷春,趙瑋燁.  蘭州交通大學學報. 2009(06)
[3]基于BP人工神經(jīng)網(wǎng)絡(luò)的礦井瓦斯涌出量預測[J]. 劉新喜,木合塔爾扎日,王鵬飛,黃曉峰.  安全與環(huán)境工程. 2002(01)



本文編號：3473603