CN103711523A - 基于局域分解-进化神经网络的瓦斯浓度实时预测方法 - Google Patents

Abstract

本发明涉及一种基于局域分解-进化神经网络的瓦斯浓度实时预测方法，包括以下步骤：1）通过矿井瓦斯传感器获取煤矿工作面内的瓦斯浓度数据，并将采集的瓦斯浓度数据存入历史数据库；2）将瓦斯浓度历史数据库中的数据作为时间序列进行处理得到瓦斯浓度时间序列数据x(t)，其中，时间为采集到瓦斯数据的实时时间，瓦斯浓度作为时间的因变量；3）利用局域分解算法对瓦斯浓度时间序列数据x(t)进行LMD分解，获得多个PF分量；4）对于获得的多个PF分量分别进行进化神经网络建模预测；5）将各个PF分量预测值进行累加获得瓦斯涌出量预测结果；6）判断是否还需要对其它监测点的瓦斯监测数据进行预测，如果需要则重复步骤3）～5）进行预测，否则，结束预测。本发明可以广泛应用于瓦斯浓度实时预测中。

Description

基于局域分解-进化神经网络的瓦斯浓度实时预测方法

技术领域

本发明涉及煤矿综采、掘进工作面瓦斯浓度预测领域，特别是关于一种基于局域分解-进化神经网络的瓦斯浓度实时预测方法。

背景技术

瓦斯引起的灾害作为煤矿安全生产的主要隐患之一，一直是有关专家及学者关注的重点，我国煤矿瓦斯灾害尤为严重。对于矿井掘进、综采工作面的瓦斯浓度监测并进行有效预测，不仅能够很好地挖掘监测技术的潜在能力，还能够为可能发生的矿井瓦斯灾害提供超前预警，从而减少矿井人员及财产损失。然后，所提供的技术支撑有效性及可靠性完全取决于瓦斯浓度预测的精度及可靠性，基于瓦斯浓度监测结果实施有效的预测，不仅能够发现隐含的影响瓦斯浓度因素的演化规律，而且为发生的其它灾害提供警示作用。不过，这些实际且有效的作用取决于预测结果和实际情况的吻合程度。因此准确预测掘进、综采工作面瓦斯浓度，对于指导矿井通风设计和安全生产具有重要的现实意义。

近年来，各类预测方法被广泛应用到瓦斯浓度预测之中，通过大量前人的实证研究表明，现有预测方法都未能很好地将影响瓦斯浓度变化的物理因素如煤层深度、煤层厚度、煤层瓦斯含量、煤层间距考虑进去，也未考虑实际生产情况如日掘进、日作业计划等考虑进去，这些影响因素之间又存在着高度的非线性关系，仅仅是凭有关经验进行瓦斯浓度预测。因此，采用这些传统方法不能有效准确地预测瓦斯浓度，即使是某些具有人工智能特点的方法，也未能建立有效的瓦斯浓度预测方法。不过，大多数煤矿只能提供瓦斯浓度的历史数据，难以给出煤层深度、煤层厚度、煤层瓦斯含量、煤层间距等相关因素的完整数据，使得所建立多因素瓦斯浓度预测模型与实际情况存在一定差异，已经严重影响到瓦斯浓度预测结果的实施效果。从理论上看，这种瓦斯浓度预测方法存在以下两方面缺陷：一是过度依赖监测数据，不去分析它们与真实物理因素之间的同步性行为特点；二是新建矿井无相关监测资料，对矿井设计不具有指导价值。由此可见，立足于时间序列分析的物理影响因素建模方法，可以极大提高矿井瓦斯浓度预测及相关理论和技术的发展，具有极大的现实价值。

发明内容

针对上述问题，本发明的目的是提供一种基于局域分解-进化神经网络的瓦斯浓度实时预测方法，实现矿井瓦斯浓度的中短期实时预测。

为实现上述目的，本发明采取以下技术方案：一种基于局域分解-进化神经网络的瓦斯浓度实时预测方法，其包括以下步骤：1）通过在煤矿工作面内需要进行预测的监测点设置矿井瓦斯传感器获取煤矿工作面内的瓦斯浓度数据，并将采集的瓦斯浓度数据存入历史数据库；2）将瓦斯浓度历史数据库中的数据作为时间序列进行处理得到瓦斯浓度时间序列数据x(t)，其中，时间为采集到瓦斯数据的实时时间，瓦斯浓度作为时间的因变量；3）利用局域分解算法对瓦斯浓度时间序列数据x(t)进行LMD分解，获得多个PF分量；4）对于获得的多个PF分量分别进行进化神经网络建模预测；5）将各个PF分量预测值进行累加获得瓦斯涌出量预测结果；6）判断是否还需要对其它监测点的瓦斯监测数据进行预测，如果需要则重复步骤3）～5）进行预测，否则，结束预测。

步骤3）利用局域分解算法对瓦斯浓度时间序列数据x(t)进行LMD分解，获得多个PF分量的具体过程为：3.1）计算获取原始信号x(t)的所有局部极值点，并计算所有相邻极值点（可能是相邻极大值或是相邻极小值点）的平均值m_i；3.2）将所有均值点通过光滑曲线连接起来，即得到局部均值函数m₁₁(t)，其中，m₁₁(t)中第一个下标是所求包络函数，第二个下标是指第一次迭代；3.3）寻找局部包络函数，再利用滑动平均法将两个相邻的包络函数值a_i连接起来获得a₁₁(t)，其中，a₁₁(t)第一个下标是所求包络函数，第二个下标是指第一次迭代；3.4)将局部均值函数m₁₁(t)从原始信号x(t)中分离，得到h₁₁(t)；3.5）利用h₁₁(t)除以包络函数a₁₁(t)，再对h₁₁(t)进行解调，得到s₁₁(t)；3.6）将s₁₁(t)替换x(t)重复以上步骤，获得s₁₁(t)的包络估计函数a₁₂(t)，若局部包络函数a₁₂(t)不满足终止迭代准则，则说明s₁₁(t)不是纯调频信号，需要重复上述步骤继续进行p次迭代，直到满足终止迭代准则，停止迭代，最后获取的s_1p(t)为纯调频信号；3.7）将所得到的包络函数相乘就得到其包络信号；3.8)原始信号的首个PF分量由包络信号a₁(t)和纯调频信号s_1p(t)相乘得到PF₁(t)＝a₁(t)s_1p(t)，其它PF分量按照上述步骤得到；3.9）原始信号x(t)采用下式表示：

式中，k为实施分解的次数，它是由原始信号特征所决定的生产函数(PF_r)分量的个数，u_k(t)是分解后所剩余的残差。

步骤4）对于获得的多个PF分量分别进行进化神经网络建模预测时采用BP算法进行训练的网络，训练时引入动态学习因子α和惯性因子β后的权重公式表示如下：①若ΔE<0，说明t次迭代被接受，则：

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

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

②若ΔE>0，说明t次迭代被拒绝，则：

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为隐藏层到输出层的输出向量，O_i为输入层到隐藏层的输出向量，δ_k为隐藏层到输出层所有输出向量的各自权重，δ_j为输入层到隐藏层的所有输出向量的各自权重，ΔE为网络训练时的误差测度，ΔW_jk(t)＝W_jk(t)-W_jk(t-1)，ΔW_ij(t)＝W_ij(t)-W_ij(t-1)分别表示t次迭代和前一次迭代权值修正量，W_jk为隐藏层和输出层之间的连接权重，W_ij为输入层和隐藏层之间的连接权重，λ是动态调节参数，惯性因子β取值范围为［0.75，0.99］，动态学习因子α取值范围为［0.025,0.95］。

本发明由于采取以上技术方案，其具有以下优点：1、本发明首先通过瓦斯传感器获得瓦斯浓度，然后利用局域分解和进化神经网络相结合的方法，对矿井瓦斯浓度进行预测，在实际生产具有操作简单、易于实现的特点，为矿井日常生产提供技术支撑，实现煤矿安全生产。2、本发明由于通过观测数据的信号分解可以寻求不同时间尺度下瓦斯浓度的变化特征，考虑到不同瓦斯涌出控制机制应该具有不同时间尺度效应的事实，可望通过时间尺度的差异探索瓦斯浓度变化内在物理机制之间的联系，克服目前瓦斯浓度预测过程中并未与影响其物理因素相关联的缺陷。3、本发明获得多个生产函数分量，再利用具有良好泛化能力的进化神经网络对分解得到的多个生产函数分量分别进行神经网络预测，由于瓦斯浓度数据中已经蕴含了对瓦斯扩散影响的各个物理因素，而局域分解算法恰恰将蕴含在瓦斯浓度数据中的各个物理影响因素提取出来，因此瓦斯浓度预测方法从理论上是科学的、可靠的和有效的。综上所述，采用本发明对瓦斯浓度进行中短期预测，不仅改变了以往预测仅凭经验，预测过程中蕴含了丰富的物理机制内容，而且预测精度高，为煤矿日常生产提供技术支撑，实现煤矿安全生产。本发明可以广泛应用于瓦斯浓度实时预测中。

附图说明

以下结合附图来对本发明进行详细的描绘。然而应当理解，附图的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。

图1是本发明的瓦斯浓度实时预测方法基本原理示意图；

图2是本发明的局域分解-进化神经网络多分量瓦斯浓度实时预测流程示意图；

图3是本发明的进化神经网络实例示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1、图2所示，本发明的基于局域分解-进化神经网络的瓦斯浓度实时预测方法，包括以下步骤：

1、通过在煤矿工作面内需要进行预测的监测点设置矿井瓦斯传感器获取煤矿工作面内的瓦斯浓度数据，获取的瓦斯浓度数据可以通过现有的数据采集系统进行采集，并将采集的瓦斯浓度数据存入历史数据库，矿井瓦斯传感器可以采用甲烷传感器。

2、将瓦斯浓度历史数据库中的数据作为时间序列进行处理得到瓦斯浓度时间序列数据x(t)，其中，时间为采集到瓦斯数据的实时时间，瓦斯浓度作为时间的因变量；

3、利用局域分解算法对瓦斯浓度时间序列数据x(t)进行LMD(Local meandecomposition)分解，获得多个生产函数(Production function，PF)分量，对于给定的任意信号x(t)进行分解的具体过程为：

1）计算获取原始信号x(t)的所有局部极值点（包括极大值和极小值点），并计算所有相邻极值点（可能是相邻极大值或是相邻极小值点）的平均值m_i：

$m_i=\frac{n_i+n_{i+1}}{2}---\left(1\right)$

式中，n_i为局部极值点，i=1，2，…，I，I为原始信号的局部极值点的个数。

2）将所有均值点通过光滑曲线连接起来，即得到局部均值函数m₁₁(t)，其中，m₁₁(t)中第一个下标是所求包络函数（可以采用三次样条插值拟合得到包络函数），第二个下标是指第一次迭代，其它可同理获得。

3）寻找局部包络函数，例如第i部分局部包络函数值a_i是其两个相邻极值点之差的一半：

$a_i=\frac{|n_i-n_{i+1}|}{2}---\left(2\right)$

再利用滑动平均法将两个相邻的包络函数值a_i连接起来获得a₁₁(t)。同理可知，a₁₁(t)第一个下标是所求包络函数，第二个下标是指第一次迭代，其它可同理获得。

4)将局部均值函数m₁₁(t)从原始信号x(t)中分离，得到h₁₁(t)：

h₁₁(t)＝x(t)-m₁₁(t)    (3)

5）利用h₁₁(t)除以包络函数a₁₁(t)，再对h₁₁(t)进行解调，得到s₁₁(t)：

$s_{11}\left(t\right)=\frac{h_{11}\left(t\right)}{a_{11}\left(t\right)}---\left(4\right)$

6）将s₁₁(t)替换x(t)重复以上步骤，获得s₁₁(t)的包络估计函数a₁₂(t)，若局部包络函数a₁₂(t)不满足终止迭代准则，则说明s₁₁(t)不是纯调频信号，需要重复上述步骤继续进行p次迭代，直到满足终止迭代准则，停止迭代，最后获取的s_1p(t)为纯调频信号：

$\left\{\begin{array}{c}{h}_{11}\left(t\right)=x\left(t\right)-m_{11}\left(t\right)\\ h_{12}\left(t\right)=s_{11}\left(t\right)-m_{12}\left(t\right)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ h_{1p}\left(t\right)s_{1(p-1)}\left(t\right)-m_{1p}\left(t\right)\end{array}\right.---\left(5\right)$

$\left\{\begin{array}{c}{s}_{11}\left(t\right)=\frac{h_{11}\left(t\right)}{a_{11}\left(t\right)}\\ s_{11}\left(t\right)=\frac{h_{12}\left(t\right)}{a_{12}\left(t\right)}\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ s_{1p}\left(t\right)=\frac{h_{1p}\left(t\right)}{a_{1p}\left(t\right)}\end{array}\right.---\left(6\right)$

其中，终止迭代准则： $\mathrm{lin}\underset{n\&RightArrow;\&infin;}{a_{1(p+1)}}=1,$ 在实际中，为减少迭代次数，可近似用下式作为终止迭代准则：a_1p≈1。

7）将所得到的包络函数相乘就得到其包络信号为：

$a_1\left(t\right)=a_{11}\left(t\right)a_{12}\left(t\right)\&CenterDot;\&CenterDot;\&CenterDot;a_{1p}\left(t\right)=\underset{q=1}{\overset{p}{\mathrm{\&Pi;}}}{a}_{1q}\left(t\right)---\left(7\right)$

其瞬时频率f₁(t)可以通过纯调频信号s_1p(t)获得：

$f_1\left(t\right)=\frac{d\left\{\arccos \right[s_{1p}\left(t\right)\left]\right\}}{2\mathrm{\&pi;dt}}---\left(8\right)$

8)原始信号的首个生产函数(PF)分量可由包络信号a₁(t)和纯调频信号s_1p(t)相乘得到，其它PF分量同理可得，在此不再赘述，如下式：

PF₁(t)＝a₁(t)s_1p(t)    (9)

9）原始信号x(t)可以采用下式表示：

$x\left(t\right)=\underset{r=1}{\overset{k}{\mathrm{\&Sigma;}}}P{F}_r+u_k\left(t\right)---\left(10\right)$

式中，k为实施分解的次数，它是由原始信号特征所决定的生产函数(PF_r)分量的个数，u_k(t)是分解后所剩余的残差。

4、对于步骤3获得的多个PF分量分别进行进化神经网络建模预测，其具体过程为：

进化神经网络是采用BP（Back propagation）算法进行训练的网络，该网络具有一个输入层，一个输出层和至少一个隐藏（中间）层，研究结果表明，选用一个隐藏层就可以满足要求。

如图3所示，对于三层进化神经网络，其输入向量为X＝(X₁,X₂,…X_n)^T，输出向量为O=(O₁,O₂,…,O_m)^T，输入层为n个神经元，隐藏层为h个神经元，输出层为m个神经元，W_ij为输入层和隐藏层之间的连接权重，W_jk为隐藏层和输出层之间的连接权重，其中，n为输入向量维数，m为输出向量维数，隐藏层的神经元个数h可以认为与问题相关，目前的研究结果还难以给出h与问题的类型和规模之间的函数关系，在数值实验中发现h大致可在［n/2＋1，3n］之间取值。对于输入层，神经元i的输出即是输入向量的分量X_i，隐藏层和输出层的输出由下式决定：

Y₀＝f(X_inW)    (11)

式中，f为神经元激活函数，要求处处可导，一般的，f可取为Sigmoid形函数，它具有如下形式：

$f\left(x\right)=\frac{1}{1+e^{-x}}---\left(12\right)$

现有的进化神经网络训练过程具体如下：

1）随机给各个权值W_ij和W_jk赋一个初始权值，要求各权值互不相等，且都为一较小的非零数，可以在（-1.0,1.0）之间取值；

2）对样本集中每一个样本（X_p,Y_p），确定网络的实际输出值O_p；

3）计算实际输出O_p和相应的理想输出Y_p之间的差；

4）按极小误差方式调整权值矩阵；

5）判断最大迭次数N是否大于预先给定的大数（具体大数可以根据具体矿井情况确定）或者网络误差（模型训练误差）是否小于较小的值ε，如果不满足则进入步骤2）。

其中步骤1）和2)称为向前传播阶段，步骤3）和4）称为向后传播阶段，这两个阶段的工作一般应受到精度要求的控制，根据进化神经网络算法的严格数学理论，对第p个样本，可取：

$E_p=\frac{1}{2}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{(y_{\mathrm{pj}}-O_{\mathrm{pj}})}^2---\left(13\right)$

网络关于整个样本的误差测度则可记为：

（s为样本数目）   (14)

经试验表明，上述现有的进化神经网络训练算法学习速度较慢，训练次数常需要上千次甚至上万次。为了加快学习速率并减少震荡，本发明采用动态学习因子α和惯性因子β，引入动态学习因子和惯性因子后的权重公式表示如下：

1)若ΔE<0（ΔE为网络训练时的误差测度），说明t次迭代被接受，应该加快学习速率，惯性因子也相应增大，故有：

ΔW_jk(t+1)＝(1+λ)α(t)δ_kO_j+(1+λ)β(t)ΔW_jk(t)    (15)

ΔW_ij(t+1)＝(1+λ)α(t)δ_jO_i+(1+λ)β(t)ΔW_ij(t)    (16)

式中，O_j为隐藏层到输出层的输出向量，O_i为输入层到隐藏层的输出向量，δ_k为隐藏层到输出层所有输出向量的各自权重，δ_j为输入层到隐藏层的所有输出向量的各自权重。

2)若ΔE>0，说明t次迭代被拒绝，应该放慢快学习速率，惯性因子也相应减小，故有：

ΔW_jk(t+1)＝(1-λ)α(t)δ_kO_j+(1-λ)β(t)ΔW_jk(t)    (17)

ΔW_ij(t+1)＝(1-λ)α(t)δ_jO_i+(1-λ)β(t)ΔW_ij(t)    (18)

式中，ΔW_jk(t)＝W_jk(t)-W_jk(t-1)，ΔW_ij(t)＝W_ij(t)-W_ij(t-1)分别表示t次迭代和前一次迭代权值修正量，λ是动态调节参数，一般可取为0.05，通过数值实验发现，惯性因子β的选取对收敛速度影响十分显著，可以将其范围限制在［0.75，0.99］，动态学习因子α可以在［0.025,0.95］之间取值。

对于生产函数分量神经网络建模而言，唯一的差异仅在于用作函数拟合的样本数据不是直接采用监测值。需要说明的是，一般情况下分解的剩余残差u_k(t)比较小，对预测结果不存在实质性影响，因此不再对剩余残差建立预测模型，而直接把它略去。

模型的预测精度采用平均相对误差（MRE）进行评价，其计算关系为

$\mathrm{MRE}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}|(y_i-{\hat{y}}_i)/y_i|\&times;100\%---\left(19\right)$

式中，y_i为监测值，为预测值。

一旦给定时间序列样本数据，通过公式(13)拟合函数，直接进行外推，计算的得到下一点处的函数值，即第一个预测值，再将式(13)中的代换为下一点处函数值，加入预测值重新确定相关参数值，进行外推，计算得到第二个预测值，以此类推，可以得到全部待预测结果。

5、将各个PF分量预测值进行累加获得瓦斯涌出量预测结果；

6、判断是否还需要对其它监测点的瓦斯监测数据进行预测，如果需要则重复步骤3～5进行预测，否则，结束预测。

上述各实施例仅用于说明本发明，其中方法的各实施步骤等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (3)

1.一种基于局域分解-进化神经网络的瓦斯浓度实时预测方法，其包括以下步骤：

1）通过在煤矿工作面内需要进行预测的监测点设置矿井瓦斯传感器获取煤矿工作面内的瓦斯浓度数据，并将采集的瓦斯浓度数据存入历史数据库；

2）将瓦斯浓度历史数据库中的数据作为时间序列进行处理得到瓦斯浓度时间序列数据x(t)，其中，时间为采集到瓦斯数据的实时时间，瓦斯浓度作为时间的因变量；

3）利用局域分解算法对瓦斯浓度时间序列数据x(t)进行LMD分解，获得多个PF分量；

4）对于获得的多个PF分量分别进行进化神经网络建模预测；

5）将各个PF分量预测值进行累加获得瓦斯涌出量预测结果；

6）判断是否还需要对其它监测点的瓦斯监测数据进行预测，如果需要则重复步骤3）～5）进行预测，否则，结束预测。

2.如权利要求1所述的基于局域分解-进化神经网络的瓦斯浓度实时预测方法，其特征在于：步骤3）利用局域分解算法对瓦斯浓度时间序列数据x(t)进行LMD分解，获得多个PF分量的具体过程为：

3.1）计算获取原始信号x(t)的所有局部极值点，并计算所有相邻极值点（可能是相邻极大值或是相邻极小值点）的平均值m_i；

3.2）将所有均值点通过光滑曲线连接起来，即得到局部均值函数m₁₁(t)，其中，m₁₁(t)中第一个下标是所求包络函数，第二个下标是指第一次迭代；

3.3）寻找局部包络函数，再利用滑动平均法将两个相邻的包络函数值a_i连接起来获得a₁₁(t)，其中，a₁₁(t)第一个下标是所求包络函数，第二个下标是指第一次迭代；

3.4)将局部均值函数m₁₁(t)从原始信号x(t)中分离，得到h₁₁(t)；

3.5）利用h₁₁(t)除以包络函数a₁₁(t)，再对h₁₁(t)进行解调，得到s₁₁(t)；

3.6）将s₁₁(t)替换x(t)重复以上步骤，获得s₁₁(t)的包络估计函数a₁₂(t)，若局部包络函数a₁₂(t)不满足终止迭代准则，则说明s₁₁(t)不是纯调频信号，需要重复上述步骤继续进行p次迭代，直到满足终止迭代准则，停止迭代，最后获取的s_1p(t)为纯调频信号；

3.7）将所得到的包络函数相乘就得到其包络信号；

3.8)原始信号的首个PF分量由包络信号a₁(t)和纯调频信号s_1p(t)相乘得到PF₁(t)＝a₁(t)s_1p(t)，其它PF分量按照上述步骤得到；

3.9）原始信号x(t)采用下式表示：

式中，k为实施分解的次数，它是由原始信号特征所决定的生产函数(PF_r)分量的个数，u_k(t)是分解后所剩余的残差。

3.如权利要求1或2所述的基于局域分解-进化神经网络的瓦斯浓度实时预测方法，其特征在于：步骤4）对于获得的多个PF分量分别进行进化神经网络建模预测时采用BP算法进行训练的网络，训练时引入动态学习因子α和惯性因子β后的权重公式表示如下：

①若ΔE<0，说明t次迭代被接受，则：

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，说明t次迭代被拒绝，则：

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为隐藏层到输出层的输出向量，O_i为输入层到隐藏层的输出向量，δ_k为隐藏层到输出层所有输出向量的各自权重，δ_j为输入层到隐藏层的所有输出向量的各自权重，ΔE为网络训练时的误差测度，ΔW_jk(t)＝W_jk(t)-W_jk(t-1)，ΔW_ij(t)＝W_ij(t)-W_ij(t-1)分别表示t次迭代和前一次迭代权值修正量，W_jk为隐藏层和输出层之间的连接权重，W_ij为输入层和隐藏层之间的连接权重，λ是动态调节参数，惯性因子β取值范围为［0.75，0.99］，动态学习因子α取值范围为［0.025,0.95］。

Images