PSO优化BP神经网络岩爆预测的Matlab实现

文/肖雄 武汉理工大学土木工程与建筑学院 湖北武汉 430070

本文利用Matlab 9.1.0 (R2016b)这一工具进行BP神经网络的运算并利用粒子群（PSO）进行网络的优化。相对遗传算法来说，粒子群优化BP神经网络就没有交叉、变异等复杂操作。PSO-BP网络模型避免了BP网络陷入局部最优、收敛慢等缺陷。建立了多个岩爆影响因素与岩爆程度之间的非线性映射关系，并得到了最优初始权值和阈值。然后利用网络进行训练，最后得出的结果与实际的岩爆程度一致。

1、基于粒子群算法的BP神经网络模型

1.1 BP神经网络与岩爆的结合

（1）BP算法流程分成两个部分：信息的正向传播和误差的反向传播。

（2）将影响岩爆的主要因素作为网络的输入层，并告知网络学习样本的期望输出，然后让网络计算出最优的初始权值和阈值。能够得到各个影响因素之间的权重关系。利用神经网络解决输入因子间的非线性关系，从而能够对岩爆的烈度进行分级且避免了主观因素的影响。

1.2 粒子群（PSO）优化算法

粒子群算法(Particle Swarm Optimizatio n，PSO），也称微粒群算法，它能够优化BP网络的关键一点是，能够找寻最优的初始随机权重和阈值。

对于PSO算法，所有粒子(假设N个)通过速度Vi =(vi1,vi2,.......,viD)更新其空间位置Xi =(xi1,xi2,...,xiD)。粒子根据如下公式更新速度和位置[1]：

2、PSO-BP 模型岩爆预测的Matlab实现

2.1 网络参数的选取与训练

本文的岩爆实际案例数据来源于文献[2]，表1是训练网络所用的16个工程实际案例。通过公式（3）对样本数据的归一化处理，并进行网络的训练以后得到了当隐含层数为9时，所得到的网络误差最小为0.0711。样本数据归一化公式：

式中，xmin为样本输入数据中的最小数；xmax为样本输入数据中的最大数。

2.2 PSO-BP算法的工程实例

基于MATLAB9.1.0(R2016b)对PSOBP算法进行了编制[3]，两个速度更新参数设置为c1=2，c2=2。由2.1节可知网络的输入层（indim）、隐含层（hiddennum）、输出层（outdim）分别为3、9、4。种群的进化次数也称粒子的维度可以由由公式（5）计算出来。公式如下：

得出粒子群的种群进化次数maxgen=76；种群规模设置为 sizepop=30。然后再将最优的权值w和阈值b赋予给BP网络，对国内外三组实际开挖岩爆的案例，来进行模型的验证。

2.3 不同预测方法结果的比较

将PSO-BP与经验判据岩爆预测的结果比较，如表1所示

通过表4的预测结果比较，某一个单一的经验判据来预测岩爆的结果是很不准确的，PSOBP综合多个岩爆影响因素所预测出来的结果和实际的岩爆程度很相近。

?

结论：

（1）传统经验判据预测岩爆导致预测精度不高，采用人工智能技术可以综合多个影响因素来预测岩爆的倾向性。

（2）利用Matlab强大的工具箱功能，能够实现BP网络从而解决问题的提高效率。