基于SDPSO-WNN的冲击地压危险性综合评价模型

《基于SDPSO-WNN的冲击地压危险性综合评价模型》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、致谢经过一年半的努力，我终于完成了我的硕士学位论文《改进粒子群与小波神经网络在冲击地压预测中的应用研究》。在本论文即将提交答辩之际，我衷心地感谢我的导师和教授在这两年多的研究生生活中所给予我的关怀和帮助，她不仅传授给我不少专业知识，也给我提供了不少的实践机会，讣我参与到实验室的项FI中去，无论是动手能力还是知识储备都有了佼大的提升。论文从选题到开题再到截稿的整个过程，无论导师多忙她都会抽出时间给我进行细心指导，并对我严格要求，才使我能够顺利完成硕士学位论文的各项工作。在此向*老师表达我最诚挚的谢意和最崇高的敬意！最后，我要向所有照顾、鼓励和关心我成长的老师，亲人和朋友们。同时在

2、本论文撰写的过程中述要感谢国家口然科学基金项冃的资助。论文中引用了许多专家学者的著作和文献资料，在此向参考文献作者和出版社表示深深的感谢。冲击地压是当前世界范圉内煤矿及岩石工程领域中遇到的最具破坏性的口然灾害之一,己经成为国际采矿工程和岩石力学界急需研允解决的科学难题。冲击地压不仅影响因素众多，而且发生机理相当复杂，到目前为止尚未形成公认的理论，在其预测、预防技术方面还有饺大的改进空间。因此，对煤矿冲击地压的影响因素及预测方法进行系统的研究具有重要的理论意义和实际意义。冲击地压是一种非线性的、复杂的动力学现象，是rh煤矿开采等地下工程活动所引发的一种地质灾害。针对这一问题，本文

3、以掘进巷道的冲击地压动力灾害为研究对象，提出了用随机扰动粒子群算法和小波神经网络相结合的方法对冲击地压进行预测研允。论文首先分析了小波神经网络(WNN)的基本理论以及网络的分类和结构特点，提出利用WNN神经网络对冲击地压进行预测，建立预测模型，并结合监测的煤矿历史数据进行仿真。但该神经网络收敛精度低、易于早熟、易陷入局部极值，所以将粒子群算法引入到小波神经网络中进行参数优化，但粒子群算法在迭代后期，容易陷入局部最优解，这限制了算法的性能，也使得在寻优的过程屮，更不易找到全局最优解，所以提出了一种新的粒子群改进算法一一随机扰动粒子群算法(SDPSO)。仿真研究表明，此算法具有较强

4、的寻优能力和较高的搜索精度，并且具有很好的跳出局部最优解的能力，能够迅速收敛到全局最优解。最后将SDPSO算法和WNN神经网络相结合，利用SDPSO对WNN神经网络的权值与阈值进行寻优，采用预测智能控制思想建立系统预测模型，并与木文所建WNN神经网络预测模型进行比较。研究结果表明：其具有更快的收敛速度、更高的收敛精度、更强的鲁棒性等特点，可以广泛应用到煤矿冲击地压危险性预测工作屮。关键词：冲击地压；小波神经网络；随机扰动粒子群算法；危险性预测AbstractRockburstisaworldwideseriousnaturaldisasterencounteredincoalm

5、iningandrockengineering.Ithasbeenascientificdifficultywhichshouldbesolvedurgentlyinthefieldofminingengineeringandrockmechanics.Themechanismofrockburstisextremelycomplexandthereisnorecognizedtheoreticaluntilnow・PredictionMethodofrockbursthasgreatlyimprovedspace,too.Therefore,ithasimportantpra

6、cticalsignificancetoresearchtheinfluenceofrockburstanditspredictionmethod.Rockburstisacomplexnonlineardynamicphenomena,isakindofinducedgeologicaldisastersbyhumanactivitiessuchascoalmining.Inordertosolvethisproblem,thispaperbasedonrockburstdisasterintunnelexcavationastheresearchobject,putsfor

7、wardwithSDPSOandwaveletneuralnetworkintothemethodofcombiningtheimpactearthpressureonthepredictionresearch.Firstofallpaperanalyzesthebasictheoryofwaveletandtheclassificationofnetworkandthestructurecharacteristics,firstproposedbywaveletneuralnetworkp