[發明專利]基于局域分解-進化神經網絡的瓦斯濃度實時預測方法

有效

• 申請號: 201310722287.4
• 申請日: 2013-12-24
• 公開（公告）號: CN103711523A
• 公開（公告）日: 2014-04-09
• 發明（設計）人: 劉海波;林大超;劉玉麗;徐瑩;洪曉鳳
• 申請（專利權）人: 華北科技學院
• 主分類號: E21F17/18
• 分類號: E21F17/18
• 代理公司: 北京紀凱知識產權代理有限公司 11245
• 代理人: 徐寧;關暢

1.一種基于局域分解-進化神經網絡的瓦斯濃度實時預測方法，其包括以下步驟：

1）通過在煤礦工作面內需要進行預測的監測點設置礦井瓦斯傳感器獲取煤礦工作面內的瓦斯濃度數據，并將采集的瓦斯濃度數據存入歷史數據庫；

2）將瓦斯濃度歷史數據庫中的數據作為時間序列進行處理得到瓦斯濃度時間序列數據x(t)，其中，時間為采集到瓦斯數據的實時時間，瓦斯濃度作為時間的因變量；

3）利用局域分解算法對瓦斯濃度時間序列數據x(t)進行LMD分解，獲得多個PF分量；

4）對于獲得的多個PF分量分別進行進化神經網絡建模預測；

5）將各個PF分量預測值進行累加獲得瓦斯涌出量預測結果；

6）判斷是否還需要對其它監測點的瓦斯監測數據進行預測，如果需要則重復步驟3）～5）進行預測，否則，結束預測。

2.如權利要求1所述的基于局域分解-進化神經網絡的瓦斯濃度實時預測方法，其特征在于：步驟3）利用局域分解算法對瓦斯濃度時間序列數據x(t)進行LMD分解，獲得多個PF分量的具體過程為：

3.1）計算獲取原始信號x(t)的所有局部極值點，并計算所有相鄰極值點（可能是相鄰極大值或是相鄰極小值點）的平均值m_i；

3.2）將所有均值點通過光滑曲線連接起來，即得到局部均值函數m₁₁(t)，其中，m₁₁(t)中第一個下標是所求包絡函數，第二個下標是指第一次迭代；

3.3）尋找局部包絡函數，再利用滑動平均法將兩個相鄰的包絡函數值a_i連接起來獲得a₁₁(t)，其中，a₁₁(t)第一個下標是所求包絡函數，第二個下標是指第一次迭代；

3.4)將局部均值函數m₁₁(t)從原始信號x(t)中分離，得到h₁₁(t)；

3.5）利用h₁₁(t)除以包絡函數a₁₁(t)，再對h₁₁(t)進行解調，得到s₁₁(t)；

3.6）將s₁₁(t)替換x(t)重復以上步驟，獲得s₁₁(t)的包絡估計函數a₁₂(t)，若局部包絡函數a₁₂(t)不滿足終止迭代準則，則說明s₁₁(t)不是純調頻信號，需要重復上述步驟繼續進行p次迭代，直到滿足終止迭代準則，停止迭代，最后獲取的s_1p(t)為純調頻信號；

3.7）將所得到的包絡函數相乘就得到其包絡信號；

3.8)原始信號的首個PF分量由包絡信號a₁(t)和純調頻信號s_1p(t)相乘得到PF₁(t)＝a₁(t)s_1p(t)，其它PF分量按照上述步驟得到；

3.9）原始信號x(t)采用下式表示：式中，k為實施分解的次數，它是由原始信號特征所決定的生產函數(PF_r)分量的個數，u_k(t)是分解后所剩余的殘差。

3.如權利要求1或2所述的基于局域分解-進化神經網絡的瓦斯濃度實時預測方法，其特征在于：步驟4）對于獲得的多個PF分量分別進行進化神經網絡建模預測時采用BP算法進行訓練的網絡，訓練時引入動態學習因子α和慣性因子β后的權重公式表示如下：

①若ΔE<0，說明t次迭代被接受，則：

ΔW_jk(t+1)＝(1+λ)α(t)δ_kO_j+(1+λ)β(t)ΔW_jk(t)

ΔW_ij(t+1)＝(1+λ)α(t)δ_jO_i+(1+λ)β(t)ΔW_ij(t)

②若ΔE>0，說明t次迭代被拒絕，則：

ΔW_jk(t+1)＝(1-λ)α(t)δ_kO_j+(1-λ)β(t)ΔW_jk(t)

ΔW_ij(t+1)＝(1-λ)α(t)δ_jO_i+(1-λ)β(t)ΔW_ij(t)

式中，O_j為隱藏層到輸出層的輸出向量，O_i為輸入層到隱藏層的輸出向量，δ_k為隱藏層到輸出層所有輸出向量的各自權重，δ_j為輸入層到隱藏層的所有輸出向量的各自權重，ΔE為網絡訓練時的誤差測度，ΔW_jk(t)＝W_jk(t)-W_jk(t-1)，ΔW_ij(t)＝W_ij(t)-W_ij(t-1)分別表示t次迭代和前一次迭代權值修正量，W_jk為隱藏層和輸出層之間的連接權重，W_ij為輸入層和隱藏層之間的連接權重，λ是動態調節參數，慣性因子β取值范圍為［0.75，0.99］，動態學習因子α取值范圍為［0.025,0.95］。