《表2 神经网络训练值与预测值统计》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《软岩巷道底鼓预测及支护对策研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。