基于改进SSA−BP神经网络的矿井风量预测OA

针对矿井通风系统风量高精度预测问题,构建了一种基于改进麻雀搜索算法(ISSA)的BP神经网络模型(ISSA−BP),即采用融合柯西变异和反向学习机制的ISSA对BP神经网络的初始权值和阈值进行全局寻优,以减弱随机初始化参数对训练结果的干扰,提升模型在处理复杂风量时序数据时的收敛稳定性、寻优精度和非线性拟合能力。对比实验结果表明,ISSA−BP模型的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方误差(MSE)、均方根误差(RMSE)分别为0.75 m^(3)/s,6.2%,0.98 m^(6)/s^(2)和0.98 m^(3)/s,拟合度R2为0.98,优于长短期记忆(LSTM)、BP、粒子群优化(PSO)−BP和麻雀搜索算法(SSA)−BP模型。消融实验结果表明:SSA−BP模型引入反向学习机制后,其MAE,MAPE,MSE,RMSE分别由2.08 m^(3)/s,8.9%,10.37 m^(6)/s^(2),3.22 m^(3)/s降至1.96 m^(3)/s,8.2%,9.85 m^(6)/s^(2)和3.08 m^(3)/s,引入柯西变异机制后各指标分别降至1.48 m^(3)/s,7.3%,5.95 m^(6)/s^(2)和2.44 m^(3)/s,融合2种机制后预测误差进一步降低,说明二者协同作用能够进一步提高模型的预测精度与稳定性。