回采工作面瓦斯涌出量受多種因素共同影響,很難用線性方法進(jìn)行準(zhǔn)確預(yù)測(cè)。廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)是一種前饋神經(jīng)網(wǎng)絡(luò),具有魯棒性好和高容錯(cuò)率的優(yōu)點(diǎn),并且調(diào)節(jié)參數(shù)只有1個(gè),因此,基于GRNN構(gòu)建預(yù)測(cè)模型,運(yùn)用改進(jìn)的果蠅優(yōu)化算法(FOA)對(duì)傳統(tǒng)GRNN模型進(jìn)行優(yōu)化,應(yīng)用主成分分析法(PCA)對(duì)樣本數(shù)據(jù)進(jìn)行降維簡(jiǎn)化處理,以減少次要因素對(duì)預(yù)測(cè)結(jié)果的干擾。選取曉明礦數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證,預(yù)測(cè)效果良好,其平均絕對(duì)誤差為3.98%,低于傳統(tǒng)GRNN模型的7.06%。