摘要：为提高回采工作面绝对瓦斯涌出量预测的精度和效率，提出了将混沌免疫粒子群优化（CIPSO）算法与广义回归神经网络（GRNN）相耦合的绝对瓦斯涌出量预测模型。该方法采用CIPSO对GRNN的光滑因子进行动态优化调整，减少了人为因素对GRNN网络输出结果的影响，并采用优化后的网络建立瓦斯涌出量预测模型。通过对某煤矿瓦斯涌出量数据的仿真实验结果表明：基于CIPSO-GRNN的回采工作面绝对瓦斯涌出量模型比BP神经网络、Elman网络预测模型具有更好的预测精度和收敛速度，证明了该方法的有效性和可行性。
关键词：混沌免疫粒子群优化；广义回归神经网络；回采工作面；瓦斯涌出量
中图分类号： TP183文献标志码：A
0引言
瓦斯涌出量是指在矿井开采过程中从煤与岩石内涌出的瓦斯量，瓦斯涌出是威胁煤矿安全生产的主要因素之一[1]，因此，对煤矿瓦斯涌出量的准确预测是防治瓦斯灾害的关键。
在煤矿开采过程中，瓦斯涌出量受到地质条件、煤层瓦斯含量、日进度、埋藏深度、煤层厚度及开采技术等多种因素影响，各因素间相互影响和制约，瓦斯涌出量与其影响因素之间呈现出高度复杂的非线性关系[2]。因此，煤矿瓦斯涌出量具有参数时变性、多变量耦合性、非线性及不确定性等特点，很难对其涌出量大小实现精准的预测。近年来，许多专家学者将神经网络、支持向量机、灰色理论、分形理论等非线性预测方法应用到瓦斯涌出量预测中[3-6]，其中基于神经网络的瓦斯涌出量预测方法取得了一系列的研究成果，BP（Back Propagation）神经网络、径向基（Radial Basis Function， RBF）神经网络、Elman神经网络等算法都被广泛地应用。但通过研究发现，采用上述神经网络算法建立的瓦斯涌出量预测模型都存在一定的缺陷：一方面，BP和RBF网络的参数不易确定，人为因素影响预测结果，降低了瓦斯涌出量预测精度；另一方面，虽然Elman神经网络的计算能力和网络稳定性较BP网络有所提高，但由于Elman自身网络结构复杂，使其存在学习速度慢、精度低和鲁棒性差的缺点，无法满足瓦斯涌出量预测精度和速度的需要。
广义回归神经网络（Generalized Regression Neural Network，GRNN）是建立在非参数回归基础上，具有结构稳定、收敛速度快、预测精度高、不易陷入局部极小值等优点，适合处理非线性预测问题[7]。与BP、RBF和Elman神经网络相比，利用GRNN网络建立瓦斯涌出量预测模型主要有三方面优势：1）GRNN网络在非线性逼近和学习速度上有很强的优势；2）由于煤矿生产条件恶劣，瓦斯涌出量数据中包含一定的噪声数据，而GRNN网络在样本量少而且噪声多时也能取得较好的预测效果；3）GRNN网络训练简单，仅需要对径向基函数的光滑因子进行调整，预测速度较快。
本文提出了混沌免疫粒子群优化（Chaos Immune Particle Swarm Optimization， CIPSO）算法与GRNN相耦合建立回采工作面绝对瓦斯涌出量预测模型。该方法利用CIPSO优化GRNN网络中的光滑因子，克服原有瓦斯涌出量预测模型训练参数选取困难的缺陷，可提高预测精度和稳定性。
1广义回归神经网络
根据GRNN的网络拓扑结构，建立包括输入层、模式层、求和层和输出层在内的瓦斯涌出量预测模型，其结构如图1所示。其中，输入层接收瓦斯涌出量样本数据输入，传递函数选用简单的线性函数；模式层为径向基层，传递函数一般为高斯函数，神经元个数等于训练样本个数；求和层的神经元分为两种，分别对模式层输出结果依据式（4）～（5）求解。输出层将求和层的两个结果按式（3）相除，得到最终的预测结果。
2CIPSO-GRNN模型
2.1广义回归神经网络的光滑因子
GRNN网络的形式不需要确定，只要训练样本确定，其拓扑结构和各神经元之间连接权值也随之确定，因此模式层中核函数的光滑因子是唯一需要人工调节的参数。由式（2）可知，通过改变光滑因子σ的大小可以调整GRNN神经网络的各单元传输函数，以获得最佳的预测结果，因此选择合适的σ对提高网络的预测精度有重要的影响：若σ选择越大网络对样本的逼近性能越平滑，但σ过大会造成GRNN网络过拟合；相反，σ越小网络越逼近样本，但σ太小会造成GRNN网络不收敛。目前，光滑因子σ的选取主要有两种方法，一种是利用手工调整的方法，但效率低且精度差；另一种方法是采用优化算法寻找最优的σ使GRNN网络误差最小。本文采用混沌免疫粒子群算法优化GRNN网络中的σ。
2.2混沌免疫粒子群
目前应用到神经网络的优化方法主要有模拟退火算法、蚁群算法、遗传算法、粒子群算法等。粒子群优化（Particle Swarm Optimization，PSO）算法是一种模拟鸟类协作寻找食物的智能优化算法[8]，同遗传算法相比，PSO算法具有操作简单、调整参数少且收敛速度快等优点。但PSO算法随着迭代次数的不断增加，在种群收敛集中的同时，各粒子也越来越相似，可能在局部最优解周围无法跳出。混沌免疫粒子群算法是将混沌算法和人工免疫系统中的克隆选择机制引入到标准粒子群算法中[9]，抗原为目标函数和约束条件，抗体为粒子群。为了提高种群的多样化程度，克隆和混沌变异时要选择亲和度高的抗体，按与其亲和度成正比的方式进行克隆，与亲和度成反比的方式进行混沌变异；将亲和度低的抗体按一定比例初始化。同标准粒子群算法相比较，CIPSO算法利用克隆选择粒子，可使种群的收敛速度得到提升，对克隆后的粒子进行混沌变异，使种群容易跳出局部最优，提高种群的全局搜索能力。
本文采用CIPSO优化算法对GRNN的光滑因子σ进行优化搜索，使搜索到的σ满足GRNN的输出结果与目标期望结果的误差平方和最小。
2.3混沌免疫粒子群相关参数
CIPSO种群大小会影响到算法的求解质量和求解的复杂度，若种群太大，种群的空间搜索能力增强，迭代次数减少，但适应度评估次数也会随之增加，计算量加大；若种群太小，则会使算法陷入局部收敛。通常在CIPSO算法中，种群大小为20～50为宜。
2.4CIPSO-GRNN模型的实现过程
1）确定CIPSO算法的种群大小、适应阈值及最大迭代次数等参数；随机初始化种群，确定每一个粒子的起始速度和位置。
3基于CIPSO-GRNN的瓦斯涌出量预测模型
3.1影响瓦斯涌出量的主要因素
本文采用CIPSO-GRNN预测模型对某煤矿回采工作面的绝对瓦斯涌出量进行预测分析。回采煤工作面的瓦斯涌出包括两个部分：开采层的瓦斯涌出和邻近层的瓦斯涌出[11]。通常情况下，来自开采层的瓦斯涌出量完全进入采煤工作面，而进入采煤工作面的邻近层瓦斯涌出量大小则与工作面的通风系统有关。即：
影响瓦斯涌出的因素众多，其中影响开采层瓦斯涌出量的因素包括煤层瓦斯含量、煤层倾角、工作面长度、煤层厚度、推进速度、煤层埋藏深度、开采厚度、采出率和开采强度等；邻近层瓦斯涌出量主要受邻近层瓦斯含量、邻近层厚度、层间距离、层间岩性、顶板管理方式等因素影响[12]。考虑到采煤工作面的顶板管理方式均相同，故采用其他13个因素作为该矿瓦斯涌出量的主要因素。
利用文献[12]中的瓦斯涌出量数据进行训练和预测分析，该数据共18组，其中前15组作为训练样本，后3组用于测试。数据如表1所示。
基于CIPSO-GRNN的瓦斯涌出量预测模型分为离线建模和在线参数调整两个阶段。离线建模是利用训练样本数据确定神经网络的基本结构、参数和粒子群的种群数等；在线参数调整阶段是根据确定好的CIPSO-GRNN的基本结构进行瓦斯涌出量预测，并根据模型的输入、输出和误差信息，利用CIPSO算法对GRNN的光滑因子进行在线调整，以提高瓦斯涌出量预测的精度和实时性。
4结语
本文将擅长全局搜索的CIPSO算法与GRNN网络相耦合，利用CIPSO优化GRNN网络的光滑因子σ，避免了光滑因子选取的随意性，减少了人为因素对GRNN网络输出结果的影响，提高了GRNN网络收敛速度和精度。
建立基于CIPSO-GRNN算法的非线性系统预测模型，并将该模型应用于煤矿回采工作面的绝对瓦斯涌出量预测中。通过对某矿区的绝对瓦斯涌出量预测实验原文“试验”表明，基于CIPSO-GRNN的瓦斯涌出量预测模型可以有效地实现对回采工作面绝对瓦斯涌出量的预测，其预测精度和收敛速度等都优于BP神经网络等其他预测模型。该方法为瓦斯涌出量这类非线性系统的预测研究提供了新的方法和思路，可以推广到其他领域。
在CIPSO-GRNN算法中，适应度函数对模型的准确度、时间复杂度等有着重要的影响，本文将误差的平方和作为CIPSO-GRNN算法的适应度函数，获得了更高的预测精度。在下一步工作中，将深入探讨适应度函数的选择和优化问题。
参考文献：
[1]FUA H， SHAO L. Mine gas disaster features mining and the fusion prediction[M]. Beijing： Science Press，2011.（付华，邵良杉.煤矿瓦斯灾害特征挖掘与融合预测[M].北京：科学出版社，2011）.
[2]HE L， SHI S， SONG Y， et al. Complexity and measurement of complex degree of gas gush heading faces of coal mine[J]. Journal of China Coal Society， 2008，33（5）：547-550.（何利文，施式亮，宋译，等.回采工作面瓦斯涌出的复杂性及其度量[J].煤炭学报，2008，33（5）：547-550.）
[3]PAN Y， DENG Y， ZHANG Q， et al. Gas emission prediction model based on QPSO-RBF[J]. China Safety Science Journal， 2012， 22（12）： 29-34.（潘玉民，邓永红，张全柱，等. 基于QPSO-RBF的瓦斯涌出量预测模型[J].中国安全科学学报，2012，22（12）：29-34）.
[4]FU H， XIE S， XU Y， et al. Study on MPSO-WLS-SVM-based mine gas emission prediction model[J].China Safety Science Journal，2013，23（5）：56-61.（付华，谢森，徐耀松，等.基于MPSO-WLS-SVM的矿井瓦斯涌出量预测模型研究[J].中国安全科学学报，2013，23（5）：56-61.）
[5]FU H， JIANG W， SHAN X. Study on coupling algorithm on coal mine gas emission forecast model[J]. Journal of China Coal Society，2012，37（4）：654-658.（付华，姜伟，单欣欣.基于耦合算法的煤矿瓦斯涌出量预测模型研究[J].煤炭学报，2012，37（4）：654-658.）
[6]XIAO P， LI S， SONG Y， et al. Prediction and grey-model building for gas emission in coal mines[J]. Journal of Mining and Safety Engineering， 2009，26（3）：317-321.（肖鹏，李树刚，宋莹，等.瓦斯涌出量的灰色建模及其预测[J].采矿与安全工程学报，2009，26（3）：317-321.）
[7]JIA Y， LU Q， SHANG Y. Rockburst prediction using particle swarm optimization algorithm and general regression neural network[J]. Chinese Journal of Rock Mechanics and Engineering， 2013，32（2）：343-348.（贾义鹏，吕庆，尚岳.基于粒子群算法和广义回归神经网络的岩爆预测[J].岩土力学与工程学报，2013，32（2）：343-348.）
[8]SU Y， SHEN J， ZHANG D， et al. Application of networks and improved PSO algorithms to earthquake prediction[J]. Journal of Computer Applications， 2011，31（7）：1793-1796.（苏义鑫，沈俊，张丹红，等.神经网络和改进粒子群算法在地震预测中的应用[J].计算机应用，2011，31（7）：1793-1796.）
[9]FU H， QIAO D， CHI J. CIPSO-ENN coupling algorithm for nonlinear dynamic system parameter identification[J]. Journal of Xian Jiaotong University，2011，45（2）：49-53.（付华，乔德浩，池继辉.一种非线性系统参数辨识的耦合算法研究[J].西安交通大学学报，2011，45（2）：49-53.）
[10]LIU J， GAO Y. Chaos particle swam optimization algorithm [J]. Journal of Computer Applications，2008，28（2）：322-325.（刘军民，高岳林.混沌粒子群优化算法[J].计算机应用，2008，28（2）：322-325.）
[11]SHI S， SONG Y， HE L， et al. Research on determination of chaotic characteristics of gas gush based on time series in excavation working face of coal mine[J]. Journal of China Coal Society， 2006，31（6）：701-705.（施式亮，宋译，何利文，等.矿井掘进工作面瓦斯涌出量混沌特性判别研究[J].煤炭学报，2006，31（6）：701-705.）
[12]ZHU H， CHANG W， ZHANG B. Different-source gas emission prediction model of working face based on BP artificial neural network and its application[J]. Journal of China Coal Society， 2007，32（5）：504-508.（朱红青，常文杰，张彬.回采工作面瓦斯涌出BP神经网络分源预测模型及应用[J].煤炭学报，2007，32（5）：504-508.）
[13]SUN L， YANG S. Prediction for gas emission quantity of the working face based on LS-SVM[J]. Journal of China Coal Society，2008，33（12）：1377-1380.（孙林，杨世元.基于LS-SVM的回采工作面瓦斯涌出量预测[J].煤炭学报，2008，33（12）：1377-1380.）