摘要： 为解决 BP(Back-ProPagation,BP)神经网络求取概率积分法预计参数出现的局部最优解和收敛速度慢 的问题,采用麻雀搜索算法(Sparrow Search Algortihm,SSA)优化 BP 神经网络的结构,得到最优的权重值和偏置项,建 立了基于 SSA-BP 神经网络的概率积分法预计参数求取模型。 结合 50 组典型的实测数据,随机抽取 45 组数据输入 SSA-BP 神经网络模型进行训练,剩余数据输入训练好的模型求取概率积分法预计参数,并与实测数据对比,分析 SSA-BP 神经网络模型和 BP 神经网络模型的优劣;通过改变训练样本和测试样本的数量,讨论模型精度与训练样本 数量的关系。 研究表明:① SSA-BP 神经网络模型预计下沉系数 q、水平移动系数 b、开采影响传播角 θ、主要影响角正 切值 tanβ 和拐点偏移距 s / H 的平均绝对百分比误差分别为 1. 33%、3. 48%、0. 49%、3. 86%和 9. 33%,BP 神经网络模 型的相应取值分别为 8. 05%、7. 34%、3. 33%、9. 82%和 19. 60%,可见前者求解精度更高。 ② 两种模型求取的预计参 数均与实测数据较接近,SSA-BP 神经网络模型最大相对误差为 21. 00%,最大迭代次数为 89 次,BP 神经网络模型最 大相对误差为 35. 00%,最大迭代次数为 205 次,说明优化后的 BP 神经网络模型预计结果精度更高,收敛速度快。 ③ 在样本总量不变的情况下,随着训练样本数量的增加,模型的预计精度和可靠性也相应增加。 上述分析对于进一步 提升概率积分法预计参数求取精度有一定的参考价值。

关键词: 概率积分法 , 麻雀搜索算法, BP 神经网络 , 开采沉陷 , 参数预计