(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111222432.3 (22)申请日 2021.10.20 (71)申请人 安徽理工大 学 地址 232000 安徽省淮南市泰丰大街168号 (72)发明人 毕尧山　吴基文　翟晓荣　刘伟　 王广涛　黄楷　 (74)专利代理 机构 北京金智普华知识产权代理 有限公司 1 1401 代理人 张晓博 (51)Int.Cl. G06F 17/16(2006.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种导水裂隙带高度预测方法、 系统、 设备 及终端 (57)摘要 本发明属于煤层开采导水裂隙带高度预测 技术领域， 公开了一种导水裂隙带高度预测方 法、 系统、 设备及终端， 导水裂隙带高度预测方法 包括： 进行原始数据的标准化处理； 进行因子分 析， 并构建FA ‑RBF神经网络模型； 基于FA ‑RBF神 经网络进行导水裂隙带高度预测模 型的构建。 本 发明在前人研究的基础上， 根据我国多个矿区的 导水裂隙带发育高度实测数据， 选取影 响导水裂 隙带发育高度的主要影 响因素， 采用因子分析对 原始数据进行 降维处理以消除各个影响因素之 间的冗余信息， 结合自适应能力强、 具有局部最 佳逼近能力的RBF神经网络， 建立基于因子分析 和RBF神经网络的导水裂隙带高度预测模型， 能 够为导水裂隙带发育高度预测提供新思路。 权利要求书4页 说明书15页 附图3页 CN 113946790 A 2022.01.18 CN 113946790 A 1.一种导水裂隙带高度预测方法， 其特征在于， 所述导水裂隙带高度预测方法包括以 下步骤： 步骤一， 进行原 始数据的标准 化处理； 步骤二， 进行因子分析， 并构建FA ‑RBF神经网络模型； 步骤三， 基于FA ‑RBF神经网络进行导水裂隙带高度预测模型的构建。 2.如权利要求1所述的导水裂隙带高度预测方法， 其特征在于， 步骤一中， 所述原始数 据标准化处理， 包括： 根据研究数据信息， 建立影响因素矩阵X： X＝(xij)n*p； 其中， n为导水裂隙带高度实测样本组数； p为影响导水裂隙带发育高度主控因素个数； 对各指标的原始数据进行标准化处理， 消除各个指标不同量纲的影响及各指标自身变 异或者数值相差较大 所引起的误差， 所述标准 化公式如下式所示： 其中， 为第j个评价指标的平均值； 为第j个评价指 标的标准差 。 3.如权利要求1所述的导水裂隙带高度预测方法， 其特征在于， 步骤二中， 所述因子分 析， 包括： 因子分析是主成分分析方法的推广和深化， 是用少量几个因子来描述许多指标或因素 之间的联系， 以较少的几个因子反应原数据的大部 分信息的统计方法； 根据变量X的相关矩 阵， 将原来的p个 变量表示 为m个新变量的线性组合的形式， m＜p， 所述数 学模型为： 用矩阵形式表示 为： X＝AF+aε； 其中， fj为两两正交的公共因子； ei为特殊因子； aij为公共因子的负载， A为公共因子的 负载矩阵。 4.如权利要求3所述的导水裂隙带高度 预测方法， 其特征在于， 所述因子分析的步骤如 下：权　利　要　求　书 1/4 页 2 CN 113946790 A 2(1)依据矩阵X计算 其协方差矩阵， 即相关矩阵R， R＝(rij)p*p； (2)依据协方差矩阵， 计算 其特征根 λi及其对应的特 征向量； (3)以前q个特 征值的方差累计百分数 大于85％作为判断原则， 确定公共因子的个数q； (4)进行因子 旋转并计算因子载荷矩阵A； (5)建立因子得分模型并求 解。 5.如权利要求1所述的导水裂隙带高度预测方法， 其特征在于， 步骤二中， 所述构建FA ‑ RBF神经网络模型， 包括： (1)RBF神经网络 RBF神经网络共3层， 分别为输入层、 隐含层和输出层； 输入层与隐含层 之间为非线性变 换， 从隐含层到输出层为线性变换； 在RBF神经网络中， 输入层仅作为通道传输信号， 隐含层 中神经元 的变换函数为径向基函数， 通过非线性变换可将信号从输入层传递到隐含层， 输 出层是对输入信号的响应； 与BP神经网络性能依赖于最优参数的选择、 收敛速度慢且容易 陷入局部 极小不同， 单隐含层的RBF神经网络， 其隐含层神经元数目在训练阶段自适应地调 整， 因此可以得到连续 函数的最佳逼近； RBF神经网络的训练过程分为两步， 首先进行无监督学习， 计算输入层与隐含层 之间的 和， 常用的RBF函数为高斯 函数， 输出值由以下激活函数 得到： 其中， ||xp‑ci||为欧式范 数， ci为聚类中心， σi为基函数 标准差； 求隐含层与输出层之间的权值ωi， 最终得到RBF神经网络的输出： 其中， ωi为隐含层到 输出层的连接 权值； yp为第p个样本对应模型的输出； (2)FA‑RBF神经网络模型的构建 所述FA‑RBF神经网络模型是由因子分析和RBF神经网络结合而成， 用于集合两种方法 各自的独特优势， 采用因子 分析对原始变量进行降维处理， 消除原始变量之 间的相关性， 提 取出累计 贡献率大于85％的新综合变量作为RBF神经网络的新输入； 通过RBF神经网络对样 本进行仿真训练， 最后通过测试样本对其预测结果进行。 6.如权利要求1所述的导水裂隙带高度预测方法， 其特征在于， 步骤三中， 所述基于FA ‑ RBF神经网络的导水裂隙带高度预测模型的构建， 包括： (1)确定导水裂隙带发育高度影响因素分析及数据来源： 选取开采深度、 煤层倾角、 采厚、 覆岩单轴抗压强度以及工作面斜长这5项指标作为影 响导水裂隙带发育高度的主控因素， 分别用X1， X2， X3， X4， X5表示， 这5项指标通过矿井地质 资料即可获得相关具体数据； (2)因子分析提取主成分： 首先， 对训练样本数据按公式进行标准化处理后， 对影响导水裂隙带发育 高度的5个主 控因素进行相关性分析； 各因素之间存在一定的相关性， 其中工作面斜长与煤层倾角、 采 高、 覆岩单轴抗压强度之间的相关系数分别 为‑0.38、 0.36、 ‑0.38， 表明这些因素之间存在权　利　要　求　书 2/4 页 3 CN 113946790 A 3