基于QPSO-BP神经网络的矿井突水水源判识模型研究

摘要

为厘清矿井水化学成分与矿井突水水源之间的非线性关系，实现突水来源的快速、准确判别。本研究提出了一种基于量子粒子群算法(quantum particle swarm optimization, QPSO)优化反向传播(back propagation, BP)神经网络的矿井突水水源判识模型，并将该判识模型运用于黔北煤田龙凤矿区以验证其实用性。通过与BP模型、遗传算法(genetic algorithm, GA)优化的BP神经网络模型GA-BP、粒子群算法(particle swarm optimization, PSO)优化的BP神经网络模型PSO-BP、量子粒子群算法优化的支持向量机(support vector machine, SVM)模型QPSO-SVM和量子粒子群算法优化的随机森林(random forests, RF)模型QPSO-RF判识结果进行对比，结果表明，QPSO算法有效优化了BP神经网络模型性能，提升了模型收敛速度和分类精度；QPSO-BP模型相较于以上5种模型分类性能更佳，对突水水源分类判识的准确率达到了93.75%。以上结果表明，QPSO-BP模型在矿井突水水源判识上有更好的优越性和应用前景。

关键词

矿井突水 / 水源识别 / 量子粒子群算法 / BP神经网络 / 机器学习