煤与瓦斯突出是发生在煤矿井下的一种极其复杂的动力现象,是煤矿生产中的主要灾害之一。煤与瓦斯突出灾害不但造成了惨重的人员伤亡,而且使矿井损毁非常厉害,被公认为是严重威胁煤矿安全生产的一种自然灾害。目前,煤与瓦斯突出仍然是世界各主要产煤国亟待解决的难题,而实现对煤与瓦斯突出快速而又准确地预测预报是煤矿安全生产的迫切要求。国内外煤与瓦斯突出预测方法有很多,但大都是通过单一因素进行预测。然而,煤与瓦斯突出的发生机理极其复杂,影响因素众多,且大多数处于一种复杂的非线性状态,到目前为止对其还尚未达成共识。近年来,许多研究人员尝试用人工神经网络模型对煤与瓦斯突出进行预测,由于其结构自身的缺陷与不足,预测效果不太理想。目前,采用BPNN建立的煤与瓦斯突出预测模型比较多。但由于BPNN存在收敛慢、训练时间长、容易陷入极小值等缺点,仍需改进。RBFNN具有收敛速度快、网络结构简单、全局收敛性能较好以及非线性逼近能力强等优点,在多方面优于BPNN,已经成功地应用在函数逼近、图像处理、模式识别、预测控制等诸多领域。为了能更好地预测突出事故的发生,本文建立了RBFNN模型对煤与瓦斯突出进行预测。本文采用对样本具有普适性的核k均值聚类算法来确定RBF的中心、梯度下降自适应算法优化网络的宽度参数和递推最小二乘法算法调整网络的输出权值,并用国内煤矿的煤与瓦斯突出实测数据对该混合算法建立的模型进行了验证。实验结果表明,本研究的方法在预测精度和收敛速度上均优于BPNN和基于经典k均值聚类算法的RBFNN,具有良好的实用性和有效性。继而,又引入了灰色关联分析模型对突出的各影响因素进行了关联度计算,并将得到的关联度作为了上述混合算法所建模型的输入权重。最后用仿真实验对改进的模型进行了验证,仿真结果表明输入加权后的网络模型预测精度和分类能力更高,更具有代表性,为煤与瓦斯突出预测研究提供了良好的理论支持。