《表2 神经网络训练值与预测值统计》
BP神经网络的训练方法很多,本文采用梯度下降法来减小神经网络的训练误差。如果总误差满足一定要求,则训练完成;如果总误差不满足上述要求,则将误差反馈给每个神经元,并修正连接权值和阈值,然后进行下一次训练,直到达到误差要求。在仿真过程中,BP网络选择了3层网络。以实时监测的底板高度作为训练数据,以监测时间作为输入样本,相应的实测底板高度作为期望输出值。基于Matlab神经网络工具箱,对神经网络进行编程、训练和计算。在以时间为输入样本的编程中,利用监测的11组数据样本对神经网络模型进行训练,并根据训练得到的模型对巷道底板高度进行长时间预测,结果见表2。该模型有很好的预测性。利用训练好的BP网络,得到了26~32 d的底板高度值。最后,转换成底鼓累积变化量与时间的关系(图1)。从图1可以看出,未来底鼓的累积变形没有收敛趋势,底鼓的速度快速增加。因此,该段巷道必须实施底鼓处理。
图表编号 | XD00205319700 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.25 |
作者 | 李晨旭 |
绘制单位 | 山西煤炭运销集团南河煤业有限公司 |
更多格式 | 高清、无水印(增值服务) |