改进BP神经网络算法对煤矿水源的分类研究

作     者：闫鹏程 尚松行 张超银 张孝飞 YAN Peng-cheng;SHANG Song-hang;ZHANG Chao-yin;ZHANG Xiao-fei

作者机构：安徽理工大学深部煤矿采动响应与灾害防控国家重点实验室安徽淮南232001 安徽理工大学电气与信息工程学院安徽淮南232001 

出 版 物：《光谱学与光谱分析》 (Spectroscopy and Spectral Analysis)

年 卷 期：2021年第41卷第7期

页      面：2288-2293页

核心收录：

学科分类：081704[工学-应用化学] 07[理学] 08[工学] 0817[工学-化学工程与技术] 0804[工学-仪器科学与技术] 070302[理学-分析化学] 0703[理学-化学] 0702[理学-物理学] 

基　　金：国家重点研发计划重点专项(2018YFC0604503) 安徽省自然科学基金青年项目(1808085QE157) 安徽省博士后科研经费资助项目(2019B350) 中国煤炭工业协会2018年度科学技术研究指导性计划项目(MTKJ2018-258)资助 

主　　题：激光诱导荧光技术 预处理 改进的粒子群优化算法 

摘      要：煤矿安全对煤炭工业的健康持续发展至关重要,而煤矿水灾又是煤矿事故的重大隐患,因此煤矿水源数据的处理对于预防矿井突水事故具有重要意义。实验在激光器的辅助下利用激光诱导荧光技术获取7种水源的数据信息,设定激光发射功率为100 mW,向被测水体发射波长405 nm激光,获取实验水样210组的荧光光谱数据,为了剔除光谱在采集过程受到的荧光背景、检测器噪声以及功率波动等影响,利用SG平滑、多元散射矫正(MSC)预处理对数据进行降噪以及提高光谱特异性,由于初始数据运算量过大并对数据压缩、消除冗余和数据噪音,利用主成分分析(PCA)分别对7种水样进行建模降维处理,从而得到小数据并且保持原有信息的数据特征。为了识别煤矿水源的突水类型,对于降维后的数据利用粒子群算法(PSO)优化BP神经网络,PSO算法通过对新粒子的适应度值和个体极值、群体极值适应度值的比较更新个体极值和群体极值的位置,将最优初始权值和阈值赋予BP神经网络,从而对待测水样的种类进行预测分析。普通的PSO优化BP神经网络,容易出现早熟收敛,故在改进的PSO算法中引入变异因子来提高模型寻找更优解的可能性。实验证明:SG,MSC以及Original三种预处理方式中,SG算法表现良好,提高了模型的相关性。在SG预处理的前提下,BP的决定系数R^(2)为0.9845,平均相对误差MRE 7.39%,均方根误差为7.25%;PSO-BP的决定系数R^(2)为0.9998,平均相对误差MRE 0.17%,均方根误差0.08%;IPSO-BP的决定系数R^(2)达到0.9999,平均相对误差MRE和均方根误差RMSE皆为0.01%。结果表明:经SG预处理过后的光谱数据,比MSC预处理效果更精确,改进的粒子群优化算法更适用于该实验的矿井水源分类。