BP神經網絡在煤巷圍巖穩固性分類中的應用大綱:煤巷圍巖穩固性受好多要素的影響,各要素間有著復雜的非線性關系。BP神經網絡對輸入的樣本擁有很強的鑒別與分類能力,可以實現精確的非線性展望。本文應用MATLAB語言,成立了合用于煤巷圍巖穩固性分類的BP神經網絡,擁有很好的議論鑒別成效。要點詞:BP神經網絡MATLAB圍巖穩固性1前言目前,一些礦區煤巷的支護設計仍采納經驗類比的方法,不一樣的巷道,錨桿支護部署參數相同,造成了有些巷道支護方式存在著安全隱患,有些存在著經濟上的浪費。問題的主要原因是支護設計者對煤巷圍巖穩固性缺少科學的判斷手段。影響煤巷圍巖穩固性的要素好多,它們與煤巷圍巖穩固性之間體現出一種非線性關系,用傳統的數學方法很難擬合。BP神經網絡對輸入的樣本擁有很強的鑒別與分類能力,可以很好地解決對非線性曲面的迫近問題。本文應用MATLAB語言,成立了合用于煤巷圍巖穩固性分類的BP神經網絡。神經網絡2.1神經元神經元是神經網絡的基本辦理單元,表現為一個多輸入、單輸出的非線性器件,結構模型如圖:此中,χj為輸入信號,ωij為χj的權植,ui為第i個神經元的內部狀態,θi為閾值,輸入χj乘以權值ωij獲得ωijχj,送入累加器累加,而后偏置θi值,送入一個傳達函數f,在f中產生神經元的輸出yi。神經元可表示為:2.2多層神經網絡每層有各自的輸入向量X、權值矩陣W、偏置值向量θ和輸出向量Y,用上標來注明層次。三層神經網絡模型如圖:2.3BP神經網絡BP神經網絡是采納BP算法進行學習的多層前饋網絡,比較合用于模式鑒別與分類的應用,在解決非線性、不確定性、大信息量的問題上擁有很強的優勝性。BP算法是一種用于前向多層的偏差反向流傳學習算法,經過學習,可以對網絡的連接權值進行不停地調整,使得調整后的網絡可以將輸入它的信息變換成所希望的輸出信息。學習過程由正向流傳和反向流傳構成。BP神經網絡的學習過程:(1)選擇一組訓練樣本,包含輸入信息和希望輸出兩部分。(2)取相同本,把輸入信息輸入到網絡中。(3)分別計算經神經元辦理后的各層節點的輸出。(4)計算網絡的實質輸出和希望輸出的偏差。(5)從輸出層反向計算到第一個隱層,并依據某種能使偏差向減小方向發展的原則,調整網絡中各神經元的連接權值。(6)對訓練樣本集中的每相同本重復(2)至(5)步,直到偏差達到要求時為止。3BP神經網絡設計3.1網絡的層數在設計BP神經網絡時,一般先考慮設一個隱含層,由于單隱含層的BP網絡的非線性映照能力已經比較強了,當一個隱含層的節點數好多仍不可以改進網絡性能時,才考慮增添一個隱含層。本模型采納

3層

BP

神經網絡。3.2各層的神經元數經查閱文件資料和對煤礦進行調研,對影響煤巷圍巖穩定性的要素進行綜合解析,確定了11個影響要素:煤層埋深、煤層傾角、煤層厚度、煤層強度、直接頂厚度、直接頂強度、老頂厚度、老頂強度、直接底厚度、直接底強度、護巷煤柱寬度,所以網絡輸入層神經元數為11。依據巷道的圍巖性質,將煤巷圍巖穩固性區分為穩固、比較穩固、不穩固和極不穩固四各種類,所以網絡輸出層神經元數為4。隱含層神經元的作用是從樣本中提守信息并儲存其內在規律,每個隱含層神經元的每個權值都是加強網絡映照能力的一個參數,所以,隱含層神經元數在很大程度上影響著網絡的展望性能。3.3傳達函數依據模型的特色及輸出值的范圍,隱含層使用雙曲正切s型函數,輸出層使用對數-s形傳達函數。3.4MATLAB語言實現用MATLAB成立BP網絡模型的主要代碼以下:P=[]';%定義輸入向量T=[0,1,0,0;]'%定義目標向量threshold=[01;01;01;01;01;01;01;01;01;01;01];net=newff(threshold,[23,4],{'tansig','logsig'},'trainlm');%定義網絡net.trainParam.epochs=1000;%定義網絡的訓練次數net.trainParam.goal=0.0001;%定義網絡的目標偏差LP.lr=0.01;%定義網絡的學習速率net=train(net,P,T);%訓練網絡P_test=[]';%定義測試數據Out=sim(net,P_test)%對網絡進行測試結語煤巷圍巖穩固性受好多要素的影響,這些要素與煤巷圍巖穩固性分類之間存在著非線性的關系,BP神經網絡在煤巷圍巖穩固性分類展望中擁有較高的精度。但BP算法存在著收斂速度慢、隱節點個數不易采納、局部最小值等問題,有待改進。參照文件:葛哲學,孫志強.神經網絡理論與MA