为实现上述目的，本发明的技术方案包括以下步骤：
1、  获取矿井涌水量历史数据并转化为时间序列样本；
2、  构建BP神经网络预测模型；
3、构建泛化性学习方法模型，其构建过程如下：基于信赖域的基本方法，将最优脑外科过程的权值衰减条件作为网络代价函数的惩罚项，实现在网络训练过程中同时进行权值的衰减，并得到泛化性学习方法的模型为：
其中，式(1)为神经网络预测模型代价函数的权值增量形式，Hk为网络的Hessian矩阵，gk为网络梯度，Δw为权值增量；式(2)为权值衰减条件，Δwq为权值第q个元素wq的增量，η为衰减因子；式(3)为信赖域条件；γk为信赖域半径。
4、采用泛化性学习算法对预测模型进行训练；训练过程如下：
(1)对BP网络预测模型进行权值w与控制参数(许用误差ε，衰减因子η，迭代序数k = 1及迭代总数K)的初始化；
(2)将时序样本对引入网络模型，采用BP算法计算当前权值状态下的梯度gk和网络输出误差ξk，以及近似二阶矩阵 (基于LM方法)；
(3)设置终止条件：||gk|| ≤ ε 或 |ξk| ≤ ε 或 k > K，如果满足条件则训练结束，退出。
(4)计算传统训练方法的权值更新量： ；
(5) 计算每个权值元素的显著性Si，
其中，[ • ]i取向量的第i个元素；[ • ]i, i取矩阵的第(i, i)个元素，wi为权值的第i个元素。
(6) 确定显著性的最小指标q，使得Sq = min Si；然后计算删剪过程下的权值更新量：
  
其中，uq为仅第q个元素为1的单位向量，wq为权值的第q个元素。
(7)计算在wnew = wk + Δw1 +Δw2下的误差指标ξnew：如果ξnew < ξk，表明衰减过程有效，设置下一轮的权值状态wk+1 = wnew；
（8）否则，令wk+1 = wk + Δw1，k = k + 1, 返回(2)继续迭代。
5、检验及预报输出。 |
|
