影响煤矿发生突水的因素有很多。众多的影响因素之间,一般还存在着一定的重叠现象,导致多数影响因素具有不定性、模糊相似性和非线性关系。所以,对于煤矿突水预测这个问题,使用传统的数学模型很难来解决。针对这种现象,众多学者提出利用人工神经网络模型来解决煤矿突水预测的问题。经典的人工神经网络模型如BP神经网络和SVM神经网络在实际的模型训练中都存在着一定的不足,比如BP神经网络有时会陷入局部极值,从而影响网络训练成功率。而支持向量机SVM模型只适合样本数量较小的问题,同时又很难解决多分类的问题。而最近提出的极限学习机(Extreme Learning Machine,ELM)网络模型弥补了以上两种模型的不足,既能得到全局唯一最优解,又保证了训练速度和预测速度非常快,同时也能处理大量样本数据的多分类问题。但煤矿突水的历史数据是不平衡数据,即数据集中的大多数是没有发生突水的,极少数是发生了突水的。而经典的ELM模型不能够有效地处理这个问题。加权极限学习机(Weighted Extreme Learning Machine,WELM)在继承了极限学习机优点的基础上,又能够通过给样本加权的方式有效处理不平衡数据。因此,本文采用WELM模型来解决煤矿突水预测的问题。论文的主要工作如下:(1)研究煤矿突水机理和现有的煤矿突水预测技术;分析总结影响煤矿突水的主要因素;采集数据,对原始数据进行预处理,包括利用局部线性嵌入法对数据进行降维,利用归一化方法将数据规范化处理。(2)构建WELM模型。通过实验确定WELM网络隐藏层神经元的激活函数;通过实验,利用差分进化算法(Differential Evolution algorithm,DE)对WELM网络进行参数优化;将本文选择的DE-WELM预测模型和其他模型进行实验对比,论证该模型理论上的可行性和优越性。(3)处理煤矿突水历史数据集,将处理好的数据输入建立的DE-WELM模型中进行训练、验证、预测,并对预测结果进行分析;同时将处理好的数据输入SVM预测模型中进行实验,将两组实验的结果进行对比,验证DE-WELM模型在解决煤矿突水预测问题中的优越性。