徐剛 王磊 金洪偉 劉沛東

摘要：針對(duì)工作面瓦斯涌出量的影響因素眾多且難以篩選的問(wèn)題，提出了基于因子分析法與BP神經(jīng)網(wǎng)絡(luò)的工作面瓦斯涌出量預(yù)測(cè)方法。首先運(yùn)用因子分析法對(duì)礦井瓦斯涌出量的影響因素降維處理，并篩選出3個(gè)主因子作為BP神經(jīng)網(wǎng)絡(luò)的輸入端神經(jīng)元，然后構(gòu)建出基于BP神經(jīng)網(wǎng)絡(luò)的工作面瓦斯涌出量預(yù)測(cè)模型，并進(jìn)行網(wǎng)絡(luò)訓(xùn)練，最后對(duì)預(yù)測(cè)模型的可靠性進(jìn)行檢驗(yàn)。結(jié)果表明：因子分析處理后變量作用在影響因子上的權(quán)重得到了重新分配，并且變量的維數(shù)得以減少，錯(cuò)綜復(fù)雜的變量關(guān)系被優(yōu)化成3個(gè)主因子之間的線(xiàn)性組合關(guān)系，使得BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的瓦斯涌出量結(jié)果更合理，精度更高;工作面瓦斯涌出量預(yù)測(cè)值與實(shí)測(cè)值的相對(duì)誤差均在5%以下，平均相對(duì)誤差為3. 25%，誤差波動(dòng)范圍小，穩(wěn)定性較好，為復(fù)雜因素影響下的工作面瓦斯涌出量預(yù)測(cè)提供了一條新的思路。

關(guān)鍵詞：瓦斯涌出量預(yù)測(cè);因子分析法;因子選取;BP神經(jīng)網(wǎng)絡(luò);網(wǎng)絡(luò)訓(xùn)練

中圖分類(lèi)號(hào)：TD 712

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1672 -9315（2019）06 -0965 -07

DOI：10. 13800/j. cnki. xakjdxxb.2019. 0607

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

收稿日期：2018 - 12 - 06

責(zé)任編輯：楊泉林

基金項(xiàng)目：國(guó)家自然科學(xué)基金（ 51404189 .51404190）;陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃（2015JQ51191）

通信作者：徐剛（1981 -），男，河南南陽(yáng)人，博士，副教授，E-mail：408247198@ qq. com

O 引言

瓦斯涌出量預(yù)測(cè)是以煤層瓦斯含量、自然因素和開(kāi)采技術(shù)因素為基礎(chǔ)，并結(jié)合不同的方法對(duì)工作面瓦斯涌出量進(jìn)行預(yù)測(cè)。礦井瓦斯災(zāi)害不僅影響煤礦安全生產(chǎn)，而且威脅井下人員生命和礦井設(shè)施安全，針對(duì)以上問(wèn)題國(guó)內(nèi)外學(xué)者對(duì)瓦斯涌出量提出了不同的預(yù)測(cè)方法。中國(guó)最早在90年代提出了梯度預(yù)測(cè)法預(yù)測(cè)瓦斯涌出量;1982年鄧聚龍?zhí)岢隽嘶疑到y(tǒng)理論對(duì)礦井瓦斯涌出量預(yù)測(cè)[1];赫斯特于1965年提出R/S（Rescaled-range）分析法，該理論應(yīng)用時(shí)間序列分析法預(yù)測(cè)瓦斯涌出量[2-3];1986年Rumelhart和McCelland的科學(xué)家小組提出BP網(wǎng)絡(luò)（Back Propagation）模型，之后將BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于礦井瓦斯涌出預(yù)測(cè)[4];目前中國(guó)應(yīng)用最廣泛的是分源預(yù)測(cè)法，且已發(fā)展到實(shí)用化階段[5];張子戌等提出瓦斯地質(zhì)數(shù)學(xué)模型法對(duì)礦井瓦斯涌出量進(jìn)行預(yù)測(cè)[6]。這些方法有各自的特點(diǎn)，但預(yù)測(cè)結(jié)果不能有效包含所有變量的信息，均是對(duì)瓦斯涌出量的影響因素進(jìn)行量化而得到的結(jié)果，并且瓦斯涌出量一直處于動(dòng)態(tài)變化過(guò)程，受諸多因素的影響，單一的瓦斯涌出量數(shù)據(jù)具有明顯的波動(dòng)性和信息不完全性[7]。

工作面瓦斯涌出量既是制定煤礦瓦斯災(zāi)害防治的重要依據(jù)，也是合理進(jìn)行煤與瓦斯共采的關(guān)鍵參數(shù)[8]。由于我國(guó)煤層受多期構(gòu)造影響，煤層瓦斯賦存規(guī)律極其復(fù)雜，導(dǎo)致影響瓦斯涌出的因素較多且影響程度存在較大差異，工作面回采過(guò)程中瓦斯涌出呈現(xiàn)出顯著的不確定性、動(dòng)態(tài)性和復(fù)雜性的特征[9]，影響因素和瓦斯涌出量之間沒(méi)有明確的影響關(guān)系，難以用確定的數(shù)學(xué)模型表示，給瓦斯涌出量的預(yù)測(cè)帶來(lái)了巨大的困難。因子分析法是一種信息處理方法，它既可避免信息量的重復(fù)，又可避免權(quán)重確定的主觀性，能將眾多變量所載的信息濃縮并轉(zhuǎn)存到主因子上，使分析結(jié)果具有客觀性和唯一性[10];而B(niǎo)P神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線(xiàn)性函數(shù)逼近能力、自適應(yīng)學(xué)習(xí)能力，對(duì)不確定性問(wèn)題的處理和非線(xiàn)性系統(tǒng)的預(yù)測(cè)有明顯的優(yōu)勢(shì)[11-13]。因此，文中將因子分析法與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型相耦合，首先對(duì)影響工作面瓦斯涌出量的因素降維處理并歸類(lèi)，然后提取出主因子，將提取出的主因子作為BP神經(jīng)網(wǎng)絡(luò)的輸入端神經(jīng)元[14]，構(gòu)建出礦井回采工作面瓦斯涌出量預(yù)測(cè)模型。該耦合模型可以充分利用各自的優(yōu)勢(shì)提高預(yù)測(cè)值的可靠性，對(duì)于科學(xué)合理地制定礦井瓦斯災(zāi)害防治措施具有重要意義。

1 工作面瓦斯涌出量影響因子的確定

1.1 因子分析法的基本原理及步驟

因子分析法是一種從變量群中提取共性因子的統(tǒng)計(jì)技術(shù)，能對(duì)多維變量進(jìn)行簡(jiǎn)化降維和自?xún)?yōu)化處理[15 -16]，能夠在眾多變量中找出隱藏的具有代表性的因子，將具有共性變量歸入一個(gè)因子，從而以較少的幾個(gè)因子反映原數(shù)據(jù)的大部分信息，從而達(dá)到合理解釋變量的相關(guān)性和篩選變量的目的[17]。

建立如下因子分析法的數(shù)學(xué)模型

1.1.1 原始數(shù)據(jù)標(biāo)準(zhǔn)化處理

為了消除各變量數(shù)量級(jí)的差異，使變量之間更具可比性，將數(shù)據(jù)標(biāo)準(zhǔn)化法處理，即Z-Score法，避免數(shù)量級(jí)給計(jì)算結(jié)果帶來(lái)的影響。

1.1.2 因子分析的適用性檢驗(yàn)

因子分析前首先對(duì)樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，然后對(duì)樣本數(shù)據(jù)是否適用因子分析法進(jìn)行檢驗(yàn)。一般采用Kaiser-Meyer-Olkin檢驗(yàn)和巴特萊特（Bartlettde）球形檢驗(yàn)。適用性檢驗(yàn)的判定依據(jù)是樣本變量的KMO（Kaiser-Meyer-Olkin）度量值和顯著性概率Sig值，當(dāng)KMO值大于0.6且顯著性概率Sig值小于0.01時(shí)，樣本達(dá)到了顯著性水平，樣本矩陣間有共同因素存在，適合進(jìn)行因子分析。

1.1.3 因子的載荷及累計(jì)貢獻(xiàn)率

1.1.4 公因子提取及旋轉(zhuǎn)

公因子提取選用主成分中的相關(guān)性矩陣分析法，公因子提取的目的是用提取出來(lái)的較少幾個(gè)因子解釋樣本原始變量，較少幾個(gè)因子的累積方差覆蓋了原始數(shù)據(jù)超過(guò)80%的信息，減少了樣本變量包含的重疊信息，使不同變量的因子歸屬更加清晰。

公因子旋轉(zhuǎn)選用最大方差法。具體方法是對(duì)公式（5）中的正交矩陣Γ左乘載荷矩陣A，得到的新載荷矩陣B，即

1.2 礦井瓦斯涌出量的影響因素分析

隨著我國(guó)煤礦開(kāi)采深度的不斷增加，影響礦井瓦斯涌出量的因素越來(lái)越復(fù)雜，但其主要影響因素有自然因素和開(kāi)采技術(shù)因素2部分組成。自然因素包括煤層與圍巖瓦斯含量、煤層埋深、煤層厚度、頂?shù)装鍘r性、地下水條件、工作面長(zhǎng)度、大氣壓和溫度等;開(kāi)采技術(shù)因素包括采煤方法、通風(fēng)壓力、回采速度、日產(chǎn)量、工作面風(fēng)量和回采率等。

崔家溝煤礦位于陜西省焦坪礦區(qū)，在回采過(guò)程中由于地質(zhì)條件復(fù)雜瓦斯涌出規(guī)律不明顯，瓦斯涌出量忽高忽低，多元線(xiàn)性回歸等預(yù)測(cè)方法難以有效的適用，嚴(yán)重影響煤礦的安全生產(chǎn)。因此擬采用因子分析法與BP神經(jīng)網(wǎng)絡(luò)對(duì)工作面瓦斯涌出量進(jìn)行預(yù)測(cè)，提高預(yù)測(cè)的準(zhǔn)確度，以采取針對(duì)性的瓦斯治理措施。經(jīng)過(guò)對(duì)工作面瓦斯涌出量的影響因素分析，考慮到崔家溝煤礦的大氣壓力、溫度、通風(fēng)壓力、工作面風(fēng)量及工作面長(zhǎng)度等影響因素基本保持不變，對(duì)工作面瓦斯涌出量影響較小，所以這幾個(gè)因素在建模時(shí)忽略不計(jì);并且崔家溝煤礦煤層地質(zhì)條件較好，工作面是厚煤層及特厚煤層，回采率變化較穩(wěn)定，基本保持在85%左右，對(duì)瓦斯涌出量影響較小，在建模時(shí)忽略不計(jì)。最終確定出工作面的瓦斯涌出量與本煤層瓦斯含量、煤層厚度、煤層埋深、煤層傾角、日產(chǎn)量、鄰近層瓦斯含量、煤層間距、回采速度等因素相關(guān)。通過(guò)分析礦井地質(zhì)資料、礦井通風(fēng)瓦斯報(bào)表及現(xiàn)場(chǎng)實(shí)測(cè)可得各相關(guān)影響因素的數(shù)據(jù)，用Xl - X8分別為上述相關(guān)影響因素，X9為絕對(duì)瓦斯涌出量，可得瓦斯涌出量及其相關(guān)影響因素統(tǒng)計(jì)表（表1）。

1.3 影響因子的確定

SPSS 20是大型一種數(shù)據(jù)處理及統(tǒng)計(jì)軟件，內(nèi)置有因子分析模塊，可以對(duì)8個(gè)影響瓦斯涌出量的因素進(jìn)行因子分析處理。因子分析前首先對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，然后根據(jù)因子分析法的具體步驟對(duì)樣本數(shù)據(jù)進(jìn)行分析，即可得到檢驗(yàn)值表（表2）、特征值及累積方差統(tǒng)計(jì)表（表3）、旋轉(zhuǎn)后成分統(tǒng)計(jì)表（表4）和因子得分系數(shù)統(tǒng)計(jì)表（表5）。

由表2可知，KMOf Kaiser-Meyer-Olkin）度量值為0. 631 >0.6，說(shuō)明各樣本變量之間具有較強(qiáng)的相關(guān)性。樣本變量顯著性概率Sig，值為0.000<0. 01，說(shuō)明樣本數(shù)量充足，且KMO值和Sig值都符合要求，說(shuō)明原始變量適合進(jìn)行因子分析并能實(shí)現(xiàn)降維簡(jiǎn)化。

由表3可知，前3個(gè)主成分的特征值大于1，并保留了超過(guò)80%原始變量攜帶的信息，較好的解釋了變量之間的關(guān)系?，F(xiàn)提取特征值大于1的成分作為影響因子，且前3個(gè)主成分的累計(jì)方差為81.842%>80%，而每個(gè)成分的方差所占比例為：45. 206%.20. 684%，15. 951%，由此確定出前3個(gè)因子為所提取的3個(gè)影響因子。

由表4可知，通過(guò)因子旋轉(zhuǎn)使因子的歸屬更加清晰。旋轉(zhuǎn)后成分中主成分1集中體現(xiàn)了：本煤層瓦斯含量和鄰近層瓦斯含量對(duì)瓦斯涌出量的影響;將其解釋為與瓦斯含量有關(guān)的影響因子;主成分2集中體現(xiàn)了：煤層埋深、煤層傾角、煤層間距、回采速度對(duì)瓦斯涌出量的影響;主成分3集中體現(xiàn)了：煤層厚度和日產(chǎn)量對(duì)瓦斯涌出量的影響。通過(guò)因子旋轉(zhuǎn)將復(fù)雜無(wú)規(guī)律的影響因素分為3個(gè)主成分，減少了變量的維數(shù)。

由表5可知，經(jīng)過(guò)因子分析后重新分配了變量作用在影響因子上的權(quán)重，降低了各指標(biāo)之間的相關(guān)性，減少了相關(guān)性較差的變量對(duì)幾個(gè)因子的同時(shí)影響，為瓦斯涌出量預(yù)測(cè)模型的建立奠定了基礎(chǔ)。

由式（9）可得出因子得分式（10）。Fi=0.419X1 +0.090X2 -0. 009X8F2=-0. 16X1 -0. 049X2+ - +0. 348X8F3=-0. 095X1 +0. 495X2+ -0. 042X8 （10）

2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)工作面瓦斯涌出量

2.1 BP神經(jīng)網(wǎng)絡(luò)模型的建立

根據(jù)經(jīng)驗(yàn)公式建立模型為3 -6 -1三層BP神經(jīng)網(wǎng)絡(luò)模型，其中輸入端神經(jīng)元節(jié)點(diǎn)數(shù)為3個(gè)，將因子分析得出主因子Fi，F(xiàn)2，F(xiàn)3作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入端神經(jīng)元;隱含層節(jié)神經(jīng)元點(diǎn)數(shù)為6個(gè);輸出端神經(jīng)元節(jié)點(diǎn)數(shù)為1個(gè)，即礦井瓦斯涌出量值[22]。由式（10）計(jì)算出主因子F1，F(xiàn)2，F(xiàn)3總得分作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入端神經(jīng)元（表6）。

2.2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和網(wǎng)絡(luò)檢驗(yàn)

采用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中traingdm（）函數(shù)對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練。其中tansig（）作為隱含層神經(jīng)元的傳遞函數(shù)，purelin（）作為輸出端神經(jīng)元傳遞函數(shù)[23]。所訓(xùn)練時(shí)模型主要參數(shù)設(shè)定為：學(xué)習(xí)速率為0.01，訓(xùn)練誤差精度為0.000 1.將表6中X9的前14組瓦斯涌出量作為訓(xùn)練樣本，后4組瓦斯涌出量作為檢驗(yàn)樣本，用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)后4組瓦斯涌出量進(jìn)行預(yù)測(cè)，經(jīng)過(guò)1 500次訓(xùn)練后函數(shù)收斂，可得訓(xùn)練結(jié)果及相對(duì)誤差（表7）和神經(jīng)網(wǎng)絡(luò)最佳訓(xùn)練成績(jī)（圖1）。

2.3 與多元線(xiàn)性回歸法比較

根據(jù)表1原始數(shù)據(jù)，用式（11）計(jì)算多元回歸方程，使用Matlab軟件得到煤層瓦斯含量與各影響因素之間的多元回歸方程

y= a0+ a1X1+ a2X2+ …+ amXm

（11）

X9=8.973 +0. 707X1 -0.182X2 -0.002X3+0. 067X4 -0. OOlx5 -0. 097X6 -0. 327X +1. 283X8

多元回歸方程的決定系數(shù)R2= SSwg/SStotal，這里R2=0. 688，可知該方程擬合較好，但精度不能滿(mǎn)足工程要求。運(yùn)用Matlab軟件計(jì)算得到影響崔家溝煤礦2303工作面瓦斯涌出量的各因素相對(duì)誤差結(jié)果（表7）。

由表7可知，采用多元線(xiàn)性回歸法預(yù)測(cè)的瓦斯涌出量平均誤差為8. 98%，最大誤差達(dá)到13.4%.而因子分析法預(yù)測(cè)的瓦斯涌出量誤差均在5%以下，平均誤差為3. 25%，有效地提高了預(yù)測(cè)精度;綜合對(duì)比2種方法，因子分析法對(duì)BP神經(jīng)網(wǎng)絡(luò)輸入端變量進(jìn)行了降維優(yōu)化，預(yù)測(cè)值的可靠性較強(qiáng)，預(yù)測(cè)效果較好。

3 結(jié)論

1）提出了一種將因子分析法與BP神經(jīng)網(wǎng)絡(luò)耦合的工作面瓦斯涌出量預(yù)測(cè)方法。經(jīng)因子分析處理后變量的維數(shù)減少，變量之間相互影響的程度降低，變量作用在影響因子上的權(quán)重重新分配，使神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的收斂速度更快，為BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)工作面瓦斯涌出量奠定了基礎(chǔ)。

2）采用因子分析法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的瓦斯涌出量預(yù)測(cè)模型對(duì)后4組瓦斯涌出量值進(jìn)行了預(yù)測(cè)和誤差分析。結(jié)果表明瓦斯涌出量預(yù)測(cè)值與實(shí)測(cè)值的相對(duì)誤差均在5%以下，平均相對(duì)誤差為3. 25%，且誤差波動(dòng)范圍小;而采用多元線(xiàn)性回歸法預(yù)測(cè)的瓦斯涌出量平均誤差為8. 98%，最大誤差達(dá)到13.4%，誤差波動(dòng)范圍較大，穩(wěn)定性差。說(shuō)明訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果較好，因子分析法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的工作面瓦斯涌出量預(yù)測(cè)方法是行之有效的。

參考文獻(xiàn)（ References）：

[1] 王學(xué)萌，張繼忠，王榮，灰色系統(tǒng)分析及實(shí)用計(jì)算程序[M].武漢：華中科技大學(xué)出版社，2001

WANC Xue-meng， ZHANC Ji-zhong， WANC Rong.Grev svstem analvsis and practical calculation program[M]. Wuhan： Huazhong University of Science and Tec- hnology Press.2001.

[2] 曾勇，吳財(cái)芳.礦井瓦斯涌出量預(yù)測(cè)的模糊分形神經(jīng)網(wǎng)絡(luò)研究[J].煤炭科學(xué)技術(shù)，2004，32（2）：62 - 65.

ZENC Yong， WU Cai-fang. Study on fuzzy fractal Neu-ralnetwork for prediction of gas emission in mine[ Jl.Coal Science and Technology ，2004 ，32（2）：62 - 65.

[3]

Donald L，Twcottl. Fractals and chaos in geology andgeophysics[M].Cambridge： Cambridge University Pre-ss.1997.

[4] 楊智懿，熊亞選，張乾林，工作面瓦斯涌出量的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)研究[J].煤炭工程，2004，35 （10）：73 -75.

YANC Zhi-yi， XIONG Ya-xuan， ZHANG Qian-lin. Pre-diction of neural network model for gas emission inworking face[J].Coal Engineering， 2004 ，35（ 10）：73 - 75，

[5] 何清.工作面瓦斯涌出量預(yù)測(cè)研究現(xiàn)狀及發(fā)展趨勢(shì)[J].礦業(yè)安全與環(huán)保，2016，43 （4）：98 -101.

HE Qing. Current status and development trend of gas-emission prediction in working face[J].Mining Safetyand Environmental Protection ，2016 ，43 （4）：98 - 101.

[6] 張子戌，袁崇孚，瓦斯地質(zhì)數(shù)學(xué)模型法預(yù)測(cè)礦井瓦斯涌出量研究[J].煤炭學(xué)報(bào)，1999 ，24（4）：34 -38.

ZHANG Zi-xu，YUAN Chong-fu. Study on prediction ofgas emission in mine by gas geological mathematicalmodel method[J].Journal of China Coal Society， 1999，24（4）：34 - 38.

[7] 谷松，預(yù)測(cè)瓦斯涌出量的新方法[C]//瓦斯地質(zhì)與瓦斯防治進(jìn)展，北京：中國(guó)煤炭學(xué)會(huì)，2007.

GU Song.A new method for predicting gas emission[ C]//Progress in gas geology and gas control. Beijing：China National Coal Society， 2007.

[8] 張子敏，瓦斯地質(zhì)學(xué)[M].徐州：中國(guó)礦業(yè)大學(xué)出版社，2009.

ZHANG Zi-min. Gas geology[M].Xuzhou： China Uni-versity of Mining and Technology Press，2009.

[9] 葉楨妮，侯恩科，段中會(huì)，等.郭家河煤礦回采工作面瓦斯涌出量預(yù)測(cè)[J].西安科技大學(xué)學(xué)報(bào)，2017，37（1）：57 -62.

YE Zhen-ni， HOU En-ke， DUAN Zhong-hui， et al.Pre-diction of gas emission from mining face in Cuojiahecoal mine[J].Journal of Xi' an University of Scienceand Technology ，2017 ，37（1）：57 - 62.

[10]于歐亞.基于因子分析法的傳媒上市公司財(cái)務(wù)績(jī)效評(píng)價(jià)研究[D].成都：西南交通大學(xué)，2016.

CAN Ou-ya. Research on financial performance evalua-tion of media listed companies based on factor analysis[D]. Chengdu： Southwest Jiaotong University， 2016.

[11]畢建武，賈進(jìn)章，劉丹，基于SPSS多元回歸分析的回采工作面瓦斯涌出量預(yù)測(cè)[J].安全與環(huán)境學(xué)報(bào)，2013 ，13 （5）：183 -186.

BI Jian-wu， JIA Jin-zhang， LIU Dan. Prediction of gas e—mission in mining face based on SPSS multiple regres-sion analysis[J].Joumal of Safety and Environment，2013 ，13 （5）：183 -186.

[12]郝天軒，宋超，基于模糊神經(jīng)網(wǎng)絡(luò)的煤層瓦斯含量預(yù)測(cè)研究[J].中國(guó)安全科學(xué)學(xué)報(bào)，2011，21（8）：36 - 41.

HAO Tian-xuan， SONG Chao. Study on prediction ofcoal seam gas content based on fuzzy neural network[J]. Chinese Journal of Safety Sciences， 2011 ，21（8）：36 - 41.

[13]魏春榮，李艷霞，孫建華，等，灰色一分源預(yù)測(cè)法對(duì)煤礦瓦斯涌出量的應(yīng)用研究[J].采礦與安全工程學(xué)報(bào)，2013 ，30（4）：628 - 632.

WEI Chun-rong， LI Yan-xia， SUN Jian-hua， et al.Studyon the application of grey source prediction method tocoal mine gas emission[J].Journal of Mining and SafetyEngineering， 2013 ，30（4）：628 - 632.

[14]王春娟，馮利華，羅偉，等，基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)對(duì)南京市水資源需求量預(yù)測(cè)[J].水資源與水工程學(xué)報(bào)，2012，23 （6）：6 -9.

WANG Chun-juan， FENG Li-hua， LUO Wei， et al.Pre-diction of water resources demand in Nanjing based onBP neural network based on principal component analy-sis[J].Journal of Water Resources and Water Engineer-ing，2012，23（6）：6 -9.

[15]

Lunarzewski L_ Gas emission prediction and recovery inunderground coal mines[J].International Journal ofCoal Ceology ，1998 ，35（1）：117 - 145.

[16]

Edward Jackson J.A user's guide to principal compo-nents[M].New York：A Wiley-Interscience Publica-tion。1992.

[17] Horn J L.A rationale and test for the number of factorsin factor analysis[J].Psychnmetrica， 1965， 30（2）：179 - 185.

[18]趙建軍，賀宇航，黃潤(rùn)秋，等，基于因子分析法的邊坡穩(wěn)定性評(píng)價(jià)指標(biāo)權(quán)重[J].西南交通大學(xué)學(xué)報(bào)，2015，50（2）：325 -330.

ZHAO Jian-jun， HE Yu-hang， HUANG Run-qiu， et al.Evaluation index weight of slope stability based on factoranalysis[J].Journal of Southwest Jiaotong University，2015 ，50（2）：325 - 330.

[19]

Johnson R A ，Wichern D W. Applied multivariate statis-tical analysis[M].New Jersey： Prentice-Hall， 2014.

[20]解素雯，基于主成分分析與因子分析數(shù)學(xué)模型的應(yīng)用研究[D].淄博：山東理工大學(xué)，2016.

XIE Su-wen. Research on the application of mathemati-cal model based on principal component analysis andfactor analysis[D].Zibo： Shandong University of Tech-nology，2016.

[21] Noack K.Control of gas emission in undergound coalmines[J].International Journal of Coal Geology， 1998，35（1）：57 - 82.

[22]李樹(shù)剛，馬彥陽(yáng)，林海飛，等，基于因子分析法的瓦斯涌出量預(yù)測(cè)指標(biāo)選取[J].西安科技大學(xué)學(xué)報(bào)，2017，37（4）：461 -466.

LI Shu-gang， MA Yan-yang， LIN Hai-fei， et al_Selectionof prediction index for gas emission based on factor a_nalysis method[J].Journal of Xi' an University of Sci-ence and Technology ，2017 ，37（4）：461 - 466.

[23]王生全，劉柏根，張召召，等，遺傳算法的BP網(wǎng)絡(luò)模型進(jìn)行瓦斯涌出量預(yù)測(cè)[J].西安科技大學(xué)學(xué)報(bào)，2012 ，32（1）：51 - 56.

WANG Sheng-quan， LIU Bai-gen， ZHANG Zhao-zhao， eta1. BP network model of genetic algorithm for gas emis-sion prediction[J].Journal of Xi' an University of Sci-ence and Technology ，2012 ，32（1）：51 - 56.