CN104156422A - 一种基于动态神经网络的瓦斯浓度实时预测方法 - Google Patents

Abstract

本发明提供了一种基于动态神经网络的瓦斯浓度实时预测方法，首先利用矿井瓦斯浓度历史数据库中的数据对神经网络进行训练，在训练网络的过程中，动态判断网络隐节点的活跃度和每个隐节点的学习能力，实现对网络隐节点的分裂和删除操作，建立网络初步预测模型；其次，持续实时采集矿井瓦斯浓度信息输入神经网络预测模型预测未来瓦斯浓度变化趋势，已预测过的实时数据，按照先入先出的队列顺序及时训练网络以实时更新神经网络结构，使得神经网络结构能够根据实时工况进行调整，以提高瓦斯浓度的实时预测精度。本发明能够根据实时瓦斯浓度数据，及时在线调整神经网络结构，从而提高瓦斯浓度预测精度，满足矿井瓦斯浓度信息管理系统的技术要求。

Description

一种基于动态神经网络的瓦斯浓度实时预测方法

技术领域

本发明属于检测技术领域，针对矿井瓦斯浓度监控系统的实时性预测的要求，尤其涉及一种基于动态神经网络的瓦斯浓度实时预测方法。

背景技术

中国是一个煤炭资源大国，也是一个以煤炭为主要能源的国家，国家《能源中长期发展规划纲要(2004-2020年)》明确指出中国将以“坚持以煤炭为主体、电力为中心、油气和新能源全面发展的能源战略”。我国的煤炭绝大多数为井工开采，井工产量占煤炭产量的95％以上，约占世界井工总采煤量的40％。由于我国地质条件的特殊性，所有矿井均为含瓦斯矿井，并且一半以上的矿井处于高瓦斯区或瓦斯突出区。煤矿瓦斯灾害是威胁煤矿安全生产的重大灾害之一，据统计，我国煤炭产业每年事故死亡人数近万人，直接经济损失超过40亿元。瓦斯灾害直接妨碍了煤矿的正常生产，阻碍了煤炭工业的持续、稳定、健康发展，所以，加强瓦斯灾害防治是确保煤炭能源的稳定、可靠供应，促进国民经济全面、健康发展的重要保障。

目前，众多国内外研究者对矿井瓦斯浓度预测的问题已经进行了深入细致的研究，提出了多种有效的预测方法。这些方法大致可分为传统预测技术和现代预测技术两大类。传统预测方法是根据含瓦斯煤体性质及其赋存条件的某些量化指标，如煤层性质指标、瓦斯指标、地应力指标或综合指标，来预测其中的单个或多个指标是否超过临界值。由于瓦斯突出是由地应力、高瓦斯、煤的结构性能、地质构造、煤层厚度变化、煤体结构及围岩特征等诸多因素决定的，而这些因素大多数都处于复杂的非线性状态，因此采用传统的预测技术，其预测精度往往难以达到煤矿安全生产的要求。现代预测主要是基于数学和物理的预测技术，即利用神经网络、混沌及非线性理论、模糊理论、灰色理论、专家系统、流变与突变理论等通过预测矿井瓦斯涌出量来判断瓦斯突出，这些方法属于非接触性预测方法，是矿井瓦斯浓度预测方法研究的重要方向之一，也是实现瓦斯浓度预测的有效途径。由此可见，对瓦斯浓度的预测不仅具有理论上的价值，更具有重大的生产实际意义。

随着国家对煤矿安全生产的重视和煤矿企业自身发展的需要，我国各大中型煤矿企业都陆续安装了矿井监测控制系统，针对瓦斯等有毒气体和重要设备进行监控，极大地提高了矿井安全生产水平和安全生产管理效率。然而，这些监控设备仅仅是对当前工作状态进行实时测量，不能对未来的瓦斯浓度的发展趋势进行预测。事实上，对瓦斯浓度准确预测对于瓦斯突出的灾害预报和预防都具有重要的意义。目前，对瓦斯浓度的预测在很大程度上还属于离线式预测，然而，实际的矿井中的瓦斯浓度不断的变化，如果离线预测模型不能及时的修正和更新，必然会影响整个模型的预测精度，最终导致预测失效。综上述，研究和开发矿井瓦斯浓度的实时预测模型势在必行。

发明内容

本发明的目的在于克服目前神经网络瓦斯浓度预测模型中神经网络结构难以确定和预测模型难以在线预测的缺陷，提供了一种基于动态神经网络的在线预测模型，实现实时预测矿井瓦斯浓度。

本发明是这样实现的，一种基于动态神经网络的瓦斯浓度实时预测方法，包括如下步骤：

第一步、通过瓦斯传感器采集瓦斯浓度数据，存入瓦斯浓度历史数据库X_lib＝{x(k)|k＝1,2,…,l}(l＝n+2p)；

第二步、将瓦斯浓度历史数据库中的数据视为混沌时间序列进行处理，利用C-C方法计算该混沌时间序列的延迟时间τ和嵌入维数m；

第三步、分别建立相空间重构X(k)和p步预测向量Y(k)作为神经网络的训练样本集{(X(k)；Y(k))|k＝1+(m-1)τ,…,n+1}，其中神经网络的输入为X(k)＝[x₁(k),x₂(k-τ),…,x_m(k-(m-1)τ)]，神经网络的输出为Y(k)＝[x(k+p)]；

第四步、用训练样本集采取增量学习方式训练神经网络，建立神经网络预测模型，步骤如下：

(1)初始化动态神经网络的结构为m-1-1的连接方式，即输入节点为m个，隐层节点1个，输出节点1个；

假设k时刻动态神经网络中有q个隐节点，则用k时刻的训练样本训练神经网络时，动态神经网络的输出描述为：

$y\left(k\right)=\underset{j=1}{\overset{q}{\mathrm{\Σ}}}{w}_j\left(k\right)f\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{v}_{\mathrm{ji}}{x}_i\left(k\right)\right)---\left(1\right)$

其中，x_i(k)表示k时刻第i个输入节点的输入，其等于X(k)＝[x₁(k),x₂(k-τ),…,x_m(k-(m-1)τ)]中的第i个分量。v_ji表示k时刻第j个隐节点与第i个输入节点之间的权连接值。w_j表示k时刻第j个隐节点与输出节点之间的权连接值。表示k时刻动态神经网络中隐含层中第j个隐节点的输出，为描述方便，以后表示为h_j(k)。函数f(·)表示隐节点的激活函数为：

$f\left(x\right)=\frac{1}{1+e^{-x}}---\left(2\right)$

定义误差函数为

$e\left(k\right)=\frac{1}{M}\underset{k=1}{\overset{M}{\mathrm{\Σ}}}(y\left(k\right)-y_d{\left(k\right)}^{T}y\left(k\right)-y_d\left(k\right))---\left(3\right)$

其中M为训练样本总数，y(k)和y_d(k)分别表示k神经网络的实际输出和期望输出。

(2)获取训练样本集中k时刻的训练样本，采用增量学习方式对神经网络进行训练，训练完k时刻的输入样本后，计算神经网络训练k时刻的输入样本时第j个隐节点的活跃度：

${\mathrm{Af}}_j\left(k\right)=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\left|{\mathrm{\Δv}}_{\mathrm{ji}}\left(k\right)\right|+\left|{\mathrm{\Δw}}_j\left(k\right)\right|}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{q}{\mathrm{\Σ}}}\left|{\mathrm{\Δv}}_{\mathrm{ji}}\left(k\right)\right|+\underset{j=1}{\overset{q}{\mathrm{\Σ}}}\left|{\mathrm{\Δw}}_j\left(k\right)\right|}>\mathrm{\θ}---\left(4\right)$

其中Δv_ji(k)表示第j个隐节点与第i个输入节点的权连接值在训练第k个输入数据时的变化情况，Δw_j(k)表示第j个隐节点与输出节点的权连接值在训练第k个输入数据时的变化情况。式中表示网络训练第k个输入数据时，与第j个隐节点相连的所有权连接值变化的绝对值。表示网络训练第k个输入数据时，整个网络权连接值变化的绝对值。

如果Af_j(k)大于活跃度阀值θ，则将第j个隐节点分裂成j₁和j₂两个隐节点，调整网络结构，设定新分裂的隐节点初始参数：

$\begin{array}{cc}{v}_{j_{1}i}\left(k\right)=v_{\mathrm{ij}}\left(k\right)& w_{j_1}\left(k\right)={\mathrm{\μw}}_j\left(k\right)\end{array}$

$\begin{array}{cc}{v}_{j_{2}i}\left(k\right)=v_{\mathrm{ji}}\left(k\right)& w_{j_2}\left(k\right)=(1-\mathrm{\μ})\end{array},w_j\left(k\right)---\left(5\right)$

其中和分别表示k时刻新分裂的第j₁和j₂两个隐节点与第i个输入节点之间的权连接值；和分别表示k时刻新分裂的第j₁和j₂两个隐节点与输出节点之间的权连接值。

(3)计算每个隐节点当前时刻对信息的学习能力，删除已经丧失学习能力的隐节点；

在神经网络训练期间，设置一神经网络训练步数计数器N_d，当计数器N_d到设定值时，计算网络中第j个隐节点在训练N_d个输入数据时的平均变化量。

${\mathrm{Av}}_j\left(k\right)=\frac{1}{N_d}\underset{i=k+1}{\overset{i=k+N_d}{\mathrm{\&Sigma;}}}|h_j\left(i\right)-h_j(i-1)|<\mathrm{\&xi;}---\left(6\right)$

其中h_j(i)和h_j(i-1)分别表示第j个隐节点在i时刻的输出；如果Av_j(k)小于给定的阀值ξ，则说明，第j个隐节点在训练前N_d个训练样本时变化很小，已经丧失了学习能力，在网络结构调整时，应该删除该隐节点，从而降低神经网络的冗余度。

删除第j个隐节点的同时在隐含层中找出与第j个隐节点相邻的隐节点p，并对第p个隐节点与输出节点之间的权连接值进行调整：

$w_p^{\&prime;}\left(k\right)=w_p\left(k\right)+\frac{h_j\left(k\right)}{h_{j-1}\left(k\right)}{w}_j\left(k\right)---\left(7\right)$

其中w_p(k)表示没有删除第j个隐节点之前的第p个隐节点与输出节点的连接权值；w′_p(k)表示删除第j个隐节点之后的第p个隐节点与输出节点的连接权值；h_j(k)和h_j-1(k)表示第j个隐节点在k和k-1时刻的输出；w_j(k)表示被删除的第j个隐节点在k时刻与输出节点之间的权连接值；

(4)如果误差函数没有达到期望误差E_d，则k＝k+1，到步骤(2)。

第五步、根据已建立的神经网络预测模型进行实时预测，步骤如下：

(1)通过瓦斯传感器实时采集数据X_real＝{X(k)|k＝l+1,l+2,…,l+t}，结合瓦斯浓度历史数据库X_lib，进行相空间重构X(k)＝[x₁(k),x₂(k-τ),…,x_m(k-(m-1)τ)](k＝l+1-p,…,l+t-1)；

(2)将重构得到的X(k)＝[x₁(k),x₂(k-τ),…,x_m(k-(m-1)τ)]作为动态神经网络的输入，动态神经网络的输出则是预测值；

(3)当采样间隔等于更新时间t时，对动态神经网络模型更新：基于历史数据库与实时采集数据构造相空间重构，组成训练样本集{X(k)；Y(k)|k＝l+1-p,…,l+t-p}，然后按照“先入先出”队列顺序，以增量学习方式训练动态神经网络模型，以更新神经网络结构，更好跟踪实时工况，然后将所有t个实时采集数据存入历史数据库，更新历史数据库长度l＝l+t；

(4)判断是否采集，是则返回步骤(1)，否则结束。

所述的实时预测方法，所述第一步的瓦斯传感器采用瓦斯无线监测传感器，放置在煤壁前方和采掘设备和作业人员身上，并在50～100米外设置移动基站接收瓦斯浓度信息，再通过井下通信网络传输至地面监控系统。

所述的实时预测方法，所述第二步的C-C方法计算混沌时间序列的延迟时间τ和嵌入维数m按照以下步骤进行：首先计算以下三个参量：

$\mathrm{\&Delta;}\stackrel{\&OverBar;}{S}\left(t\right)=\frac{1}{4}\underset{m=2}{\overset{5}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;S}(m,t),\stackrel{\&OverBar;}{S}\left(t\right)=\frac{1}{16}\underset{m=2}{\overset{5}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{4}{\mathrm{\&Sigma;}}}S(m,r_k,t),S_{\mathrm{cor}}\left(t\right)=\mathrm{\&Delta;}\stackrel{\&OverBar;}{S}\left(t\right)+\left|\stackrel{\&OverBar;}{S}\left(t\right)\right|;$

其中： $S(m,r_k,t)=\frac{1}{t}\underset{s=1}{\overset{t}{\mathrm{\&Sigma;}}}{C}_s(m,r_k,t)-C_s^m(l,r_k,t)$ 为检验统计量，m＝2,3,4,5，rk＝kσ/2；ΔS(m,t)＝max{S(m,r_j,t)}-min{S(m,r_j,t)}为选择最大和最小两个半径r检验统计量之间的差量； $C(m,r_k,t)=\underset{N\&RightArrow;\&infin;}{\lim }\frac{2}{m(m-1)}\underset{1\&le;i\&le;j\&le;m}{\mathrm{\&Sigma;}}\mathrm{\&delta;}(r_k-||X_i-X_j|\left|\right)$ 为瓦斯浓度时间序列的关联积分，是累积分布函数，其表示相空间中任意两个相点之间距离小于r的概率；表示检验统计量差量的平均值；表示统计量之间的平均值；S_cor(t)为定义的指标量；δ(x)为脉冲函数，满足当x≥0时δ(x)＝1，当x≤0时δ(x)＝0；

然后，取第一个极小值对应的t值为延迟时间τ；再取S_cor(t)(0≤t≤200)全局最小值对应的t值为时间窗口τ_w，由此计算嵌入维数：m＝1+τ_w/τ

所述的实时预测方法，所述第五步更新时间t的设定，根据混沌时间序列的时间延长τ来确定：t＝α×τ,其中α为经验系数，可选择α＝0.5～1.5。

所述的实时预测方法，所述第五步动态神经网络模型在线更新时神经网络的学习方式和神经网络结构调整方法与第四步描述的动态神经网络模型在线更新时神经网络的学习方式和神经网络结构调整方法完全相同。

所述的实时预测方法，所述第五步动态神经网络模型在线更新时训练样本按照实时瓦斯浓度采集的顺序，按照先入先出的队列顺序对神经网络进行训练。

本发明可实现对矿井瓦斯浓度实时准确预测，符合当前矿井瓦斯管理系统的技术要求。与目前存在的瓦斯浓度预测方法相比，本方法具有以下优点：

(1)本发明针对当前矿井瓦斯浓度非接触性预测技术难以在线检测的问题，根据前馈神经网络可以逼近任意非线性映射的特点，利用瓦斯浓度历史数据和实时数据，采用动态神经网络对矿井瓦斯浓度进行实时预测，具有实时性好、稳定性好、精度高等特点。

(2)本发明依据前馈神经网络隐节点的活跃度及信息学习能力的强弱，实现对前馈神经网络结构的在线自适应调整，不但能够增加隐节点以保证网络的学习能力，同时还能删除网络中没有学习能力的隐节点以保证网络的泛化性能，解决了前馈神经网络应用于瓦斯浓度实时预测时结构固定难以跟踪实时工况的问题。

附图说明

图1是利用瓦斯浓度历史数据库中历史数据建立动态神经预测初步模型流程图；

图2是利用实时瓦斯浓度数据进行预测，并在线更新动态神经网络结构流程图；

图3是本发明基于动态神经网络的瓦斯浓度实时预测方法的步骤流程图；

图4是动态神经网络第j个隐节点分裂示意图；

图5是动态神经网络离线训练效果图；

图6是动态神经网络在线预测效果图；

图7是离线训练动态神经网络隐层节点数变化动态图；

图8是在线预测过程中动态神经网络隐含层神经元数变化动态图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明步骤S1～S4先用瓦斯浓度历史数据库中的数据建立动态神经网络初步预测模型(参见图1)，步骤S5利用瓦斯浓度传感器实时采集瓦斯浓度进行预测，并利用实时数据及时更新动态神经网络结构(参见图2)。更具体说明如下：一种基于动态神经网络的瓦斯浓度实时预测方法，如图3所示，包括如下步骤：

S1、通过瓦斯传感器采集瓦斯浓度数据，存入瓦斯浓度历史数据库

在步骤S1中，布置瓦斯无线监测传感器在煤壁前方、采掘设备和作业人员身上，以真实反映随挖掘机不断运动过程中工作面前沿瓦斯涌出量的最真实情况，并在50～100米外设置移动基站接收瓦斯浓度信息，通过井下通信网络将瓦斯浓度传送到地面监控系统的历史数据库X_lib中，有X_lib＝{x(k)|k＝1,2,…,l}(l＝n+2p)。

S2、将瓦斯浓度历史数据库中的数据视为混沌时间序列进行处理，利用C-C方法计算该混沌时间序列的延迟时间和嵌入维数

在步骤S2中，根据Takens定理，对合适的嵌入维数m和时间延迟τ，重构空间在嵌入空间中的“轨线”，在微分同胚意义下与原系统是动力学等价的。将历史数据库中的瓦斯浓度数据看做混沌时间序列，然后参照张宝燕等在2011年在《基于混沌时间序列的瓦斯浓度预测》一文中所介绍的C-C方法来计算相空间的重构参数：嵌入维数m和时间延迟τ。

S3、分别建立相空间重构和p步预测向量作为神经网络的训练样本集

在步骤S3中，根据计算所得嵌入维数m和时间延迟τ，基于瓦斯浓度历史数据库分别建立相空间重构X(k)和p步预测向量Y(k)作为神经网络的训练样本集{(X(k)；Y(k))|k＝1+(m-1)τ,…,n+1}，其中神经网络的输入为X(k)＝[x₁(k),x₂(k-τ),…,x_m(k-(m-1)τ)]，神经网络的输出为Y(k)＝[x(k+p)]。

相空间重构后的神经网络离线训练数据如下表1所示：

表1神经网络瓦斯浓度离线训练数据

S4、用训练样本集采取增量学习方式训练神经网络，建立神经网络预测模型

在步骤S4中，用训练样本集训练神经网络，建立神经网络预测模型，步骤如下：

(1)初始化动态神经网络的结构为m-1-1的连接方式，即输入节点为m个(等于嵌入维数)，隐层节点1个，输出节点1个；初始化神经网络连接权值为0-1的随机数；

(2)获取训练样本集中k时刻的训练样本，采用增量学习方式对神经网络进行训练，训练完k时刻的输入样本后，计算神经网络训练k时刻的输入样本时第j个隐节点的活跃度：

${\mathrm{Af}}_j\left(k\right)=\frac{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\left|{\mathrm{\&Delta;v}}_{\mathrm{ji}}\left(k\right)\right|+\left|{\mathrm{\&Delta;w}}_j\left(k\right)\right|}{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{q}{\mathrm{\&Sigma;}}}\left|{\mathrm{\&Delta;v}}_{\mathrm{ji}}\left(k\right)\right|+\underset{j=1}{\overset{q}{\mathrm{\&Sigma;}}}\left|{\mathrm{\&Delta;w}}_j\left(k\right)\right|}>\mathrm{\&theta;}$

其中Δv_ji(k)表示第j个隐节点与第i个输入节点的权连接值在训练第k个输入数据时的变化情况，Δw_j(k)表示第j个隐节点与输出节点的权连接值在训练第k个输入数据时的变化情况。式(3)中表示网络训练第k个输入数据时，与第j个隐节点相连的所有权连接值变化的绝对值。表示网络训练第k个输入数据时，整个网络权连接值变化的绝对值。如果Af_j(k)大于活跃度阀值Af_o∈[0.01,0.2]，则将第j个隐节点分裂成j₁和j₂两个隐节点，调整网络结构，设定新分裂的隐节点初始参数：

$\begin{array}{cc}{v}_{j_{1}i}\left(k\right)=v_{\mathrm{ij}}\left(k\right)& w_{j_1}\left(k\right)={\mathrm{\&mu;w}}_j\left(k\right)\end{array}$

$\begin{array}{cc}{v}_{j_{2}i}\left(k\right)=v_{\mathrm{ji}}\left(k\right)& w_{j_2}\left(k\right)=(1-\mathrm{\&mu;})\end{array},w_j\left(k\right)$

其中和分别表示k时刻新分裂的第j₁和j₂两个隐节点与第i个输入节点之间的权连接值；和分别表示k时刻新分裂的第j₁和j₂两个隐节点与输出节点之间的权连接值。第j隐节点分裂成两个隐节点的具体操作参见图4。

(3)计算每个隐节点当前时刻对信息的学习能力，删除已经丧失学习能力的隐节点；

在神经网络训练期间，设置一神经网络训练步数计数器N_d，其值是5到10之间的整数，若N_d记到设定值，则N_d＝0，重新开始计数。当计数器N_d到设定值时，计算第j个隐节点在训练N_d个输入数据时的平均变化量。

${\mathrm{Av}}_j\left(k\right)=\frac{1}{N_d}\underset{i=k+1}{\overset{i=k+N_d}{\mathrm{\&Sigma;}}}|h_j\left(i\right)-h_j(i-1)|<\mathrm{\&xi;}$

其中h_j(i)和h_j(i-1)分别表示第j个隐节点在i时刻的输出；如果Av_j(k)小于给定的阀值Av_o∈[0.01,0.05]，则说明，第j个隐节点在训练前N_d个训练样本时变化很小，已经丧失了学习能力，在网络结构调整时，就删除该隐节点，从而降低神经网络的冗余度。

删除第j个隐节点，同时在隐含层中找出与第j个隐节点相邻的隐节点p，并对第p个隐节点与输出节点之间的权连接值进行调整：

$w_p^{\&prime;}\left(k\right)=w_p\left(k\right)+\frac{h_j\left(k\right)}{h_{j-1}\left(k\right)}{w}_j\left(k\right)$

其中w_p(k)表示没有删除第j个隐节点之前的第p个隐节点与输出节点的连接权值；w′_p(k)表示删除第j个隐节点之后的第p个隐节点与输出节点的连接权值；h_j(k)和h_j-1(k)表示第j个隐节点在k和k-1时刻的输出；w_j(k)表示被删除的第j个隐节点在k时刻与输出节点之间的权连接值；

(4)如果误差函数e(k)没有达到期望误差E_d＝0.001，则k＝k+1，到步骤(2)

离线训练效果如图5所示，离线训练动态神经网络隐层节点数变化动态如图7所示。

S5、根据已建立的神经网络预测模型进行实时预测

在步骤S5中，根据已建立的神经网络预测模型进行实时预测(参见图2)，具体操作为：

(1)通过瓦斯传感器实时采集数据X_real＝{X(k)|k＝l+1,l+2,…,l+t}，结合瓦斯浓度历史数据库X_lib，进行相空间重构X(k)＝[x₁(k),x₂(k-τ),…,x_m(k-(m-1)τ)](k＝l+1-p,…,l+t-1)。其中，相空间重构后的神经网络在线预测输入数据如下表2所示：

表2动态神经网络在线预测数据(神经网络输入数据)

0.4846	0.5830	0.5632	0.5609	0.4997	0.2763	0.6003	0.5677	0.5123	0.5012
										0.2431	0.4846	0.5830	0.5632	0.5609	0.1996	0.2763	0.6003	0.5677	0.5123
0.2122	0.2431	0.4846	0.5830	0.5632	0.3129	0.1996	0.2763	0.6003	0.5677
										0.3569	0.2122	0.2431	0.4846	0.5830	0.4009	0.3129	0.1996	0.2763	0.6003
0.4897	0.3569	0.2122	0.2431	0.4846	0.4993	0.4009	0.3129	0.1996	0.2763
										0.4557	0.4897	0.3569	0.2122	0.2431	0.4511	0.4993	0.4009	0.3129	0.1996
0.4004	0.4557	0.4897	0.3569	0.2122	0.5102	0.4511	0.4993	0.4009	0.3129

0.4889	0.4004	0.4557	0.4897	0.3569	0.5005	0.5102	0.4511	0.4993	0.4009
										0.5001	0.4889	0.4004	0.4557	0.4897	0.4995	0.5005	0.5102	0.4511	0.4993
0.4393	0.5001	0.4889	0.4004	0.4557	0.4991	0.4995	0.5005	0.5102	0.4511
										0.2203	0.4393	0.5001	0.4889	0.4004	0.3896	0.4991	0.4995	0.5005	0.5102
0.3100	0.2203	0.4393	0.5001	0.4889	0.2188	0.3896	0.4991	0.4995	0.5005
										0.3007	0.3100	0.2203	0.4393	0.5001	0.2001	0.2188	0.3896	0.4991	0.4995
0.1653	0.3007	0.3100	0.2203	0.4393	0.2116	0.2001	0.2188	0.3896	0.4991
										0.3011	0.1653	0.3007	0.3100	0.2203	0.2112	0.2116	0.2001	0.2188	0.3896
0.3009	0.3011	0.1653	0.3007	0.3100	0.2200	0.2112	0.2116	0.2001	0.2188
										0.2275	0.3009	0.3011	0.1653	0.3007	0.5236	0.2200	0.2112	0.2116	0.2001
0.4863	0.2275	0.3009	0.3011	0.1653	0.5668	0.5236	0.2200	0.2112	0.2116
										0.5881	0.4863	0.2275	0.3009	0.3011	0.5995	0.5668	0.5236	0.2200	0.2112
0.6026	0.5881	0.4863	0.2275	0.3009	0.5474	0.5995	0.5668	0.5236	0.2200
										0.4879	0.6026	0.5881	0.4863	0.2275	0.5523	0.5474	0.5995	0.5668	0.5236
0.4931	0.4879	0.6026	0.5881	0.4863	0.5499	0.5523	0.5474	0.5995	0.5668
										0.4812	0.4931	0.4879	0.6026	0.5881	0.4209	0.5499	0.5523	0.5474	0.5995
0.3963	0.4812	0.4931	0.4879	0.6026	0.2211	0.4209	0.5499	0.5523	0.5474
										0.2197	0.3963	0.4812	0.4931	0.4879	0.1997	0.2211	0.4209	0.5499	0.5523
0.1865	0.2197	0.3963	0.4812	0.4931	0.2837	0.1997	0.2211	0.4209	0.5499
										0.4005	0.1865	0.2197	0.3963	0.4812	0.5583	0.2837	0.1997	0.2211	0.4209
0.5562	0.4005	0.1865	0.2197	0.3963	0.5326	0.5583	0.2837	0.1997	0.2211
										0.3233	0.5562	0.4005	0.1865	0.2197	0.3326	0.5326	0.5583	0.2837	0.1997
0.5097	0.3233	0.5562	0.4005	0.1865	0.5031	0.3326	0.5326	0.5583	0.2837
										0.5122	0.5097	0.3233	0.5562	0.4005	0.4836	0.5031	0.3326	0.5326	0.5583
0.4991	0.5122	0.5097	0.3233	0.5562	0.5669	0.4836	0.5031	0.3326	0.5326
										0.5893	0.4991	0.5122	0.5097	0.3233	0.4823	0.5669	0.4836	0.5031	0.3326
0.4013	0.5893	0.4991	0.5122	0.5097	0.3112	0.4823	0.5669	0.4836	0.5031
										0.2275	0.4013	0.5893	0.4991	0.5122	0.2033	0.3112	0.4823	0.5669	0.4836
0.1979	0.2275	0.4013	0.5893	0.4991	0.2035	0.2033	0.3112	0.4823	0.5669
										0.2261	0.1979	0.2275	0.4013	0.5893	0.3565	0.2035	0.2033	0.3112	0.4823
0.4013	0.2261	0.1979	0.2275	0.4013	0.4109	0.3565	0.2035	0.2033	0.3112
										0.4503	0.4013	0.2261	0.1979	0.2275	0.4008	0.4109	0.3565	0.2035	0.2033
0.4609	0.4503	0.4013	0.2261	0.1979	0.4710	0.4008	0.4109	0.3565	0.2035
										0.5193	0.4609	0.4503	0.4013	0.2261	0.5921	0.4710	0.4008	0.4109	0.3565
0.4996	0.5193	0.4609	0.4503	0.4013	0.5862	0.5921	0.4710	0.4008	0.4109
										0.4749	0.4996	0.5193	0.4609	0.4503	0.4935	0.5862	0.5921	0.4710	0.4008
0.4799	0.4749	0.4996	0.5193	0.4609	0.4502	0.4935	0.5862	0.5921	0.4710
										0.3116	0.4799	0.4749	0.4996	0.5193	0.2443	0.4502	0.4935	0.5862	0.5921
0.2359	0.3116	0.4799	0.4749	0.4996	0.1995	0.2443	0.4502	0.4935	0.5862
										0.1657	0.2359	0.3116	0.4799	0.4749	0.2104	0.1995	0.2443	0.4502	0.4935
0.3378	0.1657	0.2359	0.3116	0.4799	0.3991	0.2104	0.1995	0.2443	0.4502
										0.4493	0.3378	0.1657	0.2359	0.3116	0.3995	0.3991	0.2104	0.1995	0.2443
0.4452	0.4493	0.3378	0.1657	0.2359	0.4978	0.3995	0.3991	0.2104	0.1995

(2)将重构得到的X(k)＝[x₁(k),x₂(k-τ),…,x_m(k-(m-1)τ)]作为动态神经网络的输入，动态神经网络的输出则是预测值；

(3)当采样间隔等于更新时间t时，对动态模块化神经网络模型更新：基于历史数据库与实时采集数据构造相空间重构，组成训练样本集{X(k)；Y(k)|k＝l+1-p,…,l+t-p}，然后按照“先入先出”队列顺序，以增量学习方式训练动态神经网络模型，以更新神经网络结构，更好跟踪实时工况，然后将所有t个实时采集数据存入历史数据库，更新历史数据库长度l＝l+t；

(4)判断是否继续采集下一时刻的实时数据，是则返回步骤(1)，否则结束。

动态神经网络在线预测效果如图6所示，在线预测过程中动态神经网络隐含层神经元数变化动态如图8所示。动态神经网络预测值与实际瓦斯浓度值的对比如下表3所示：

表3在线预测效果对比

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于动态神经网络的瓦斯浓度实时预测方法，其特征在于，包括以下步骤：

S1、通过瓦斯传感器采集瓦斯浓度数据，存入瓦斯浓度历史数据库；

S2、将瓦斯浓度历史数据库中的数据视为混沌时间序列进行处理，利用C-C方法计算该混沌时间序列的延迟时间和嵌入维数；

S3、分别建立相空间重构和p步预测向量作为神经网络的训练样本集；

S4、用训练样本集采取增量学习方式训练神经网络，建立神经网络预测模型；

S5、根据已建立的神经网络预测模型进行实时预测。

2.如权利要求1所述的基于动态神经网络的瓦斯浓度实时预测方法，其特征在于，在步骤S1中，所述通过瓦斯传感器采集瓦斯浓度数据具体为：采用瓦斯无线监测传感器，放置在煤壁前方和采掘设备和作业人员身上，并在50～100米外设置移动基站接收瓦斯浓度信息，再通过井下通信网络传输至地面监控系统。

3.如权利要求1所述的基于动态神经网络的瓦斯浓度实时预测方法，其特征在于，在步骤S2中，所述利用C-C方法计算该混沌时间序列的延迟时间和嵌入维数具体包括以下过程：

(1)计算以下三个参量：

$\mathrm{\&Delta;}\stackrel{\&OverBar;}{S}\left(t\right)=\frac{1}{4}\underset{m=2}{\overset{5}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;S}(m,t),\stackrel{\&OverBar;}{S}\left(t\right)=\frac{1}{16}\underset{m=2}{\overset{5}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{4}{\mathrm{\&Sigma;}}}S(m,r_k,t),S_{\mathrm{cor}}\left(t\right)=\mathrm{\&Delta;}\stackrel{\&OverBar;}{S}\left(t\right)+\left|\stackrel{\&OverBar;}{S}\left(t\right)\right|;$

其中： $S(m,r_k,t)=\frac{1}{t}\underset{s=1}{\overset{t}{\mathrm{\&Sigma;}}}{C}_s(m,r_k,t)-C_s^m(l,r_k,t)$ 为检验统计量，m＝2,3,4,5，rk＝kσ/2；ΔS(m,t)＝max{S(m,r_j,t)}-min{S(m,r_j,t)}为选择最大和最小两个半径r检验统计量之间的差量； $C(m,r_k,t)=\underset{N\&RightArrow;\&infin;}{\lim }\frac{2}{m(m-1)}\underset{1\&le;i\&le;j\&le;m}{\mathrm{\&Sigma;}}\mathrm{\&delta;}(r_k-||X_i-X_j|\left|\right)$ 为瓦斯浓度时间序列的关联积分，是累积分布函数，其表示相空间中任意两个相点之间距离小于r的概率；表示检验统计量差量的平均值；表示统计量之间的平均值；S_cor(t)为定义的指标量；δ(x)为脉冲函数，满足当x≥0时δ(x)＝1，当x≤0时δ(x)＝0；

(2)取第一个极小值对应的t值为延迟时间τ；再取S_cor(t)(0≤t≤200)全局最小值对应的t值为时间窗口τ_w，由此计算嵌入维数：m＝1+τ_w/τ。

4.如权利要求1所述的基于动态神经网络的瓦斯浓度实时预测方法，其特征在于，在步骤S4中，所述神经网络预测模型的建立包括以下过程：

(1)初始化动态神经网络的结构为m-1-1的连接方式，假设k时刻动态神经网络中有q个隐节点，则用k时刻的训练样本训练神经网络时描述动态神经网络的输出；

(2)获取训练样本集中k时刻的训练样本，采用增量学习方式对神经网络进行训练，训练完k时刻的输入样本后，计算神经网络训练k时刻的输入样本时第j个隐节点的活跃度；

(3)计算每个隐节点当前时刻对信息的学习能力，删除已经丧失学习能力的隐节点；

(4)判断误差函数没有达到期望误差E_d，则k＝k+1，到步骤(2)。

5.如权利要求1所述的基于动态神经网络的瓦斯浓度实时预测方法，其特征在于，在步骤S5中，所述神经网络预测模型进行实时预测方法包括以下过程：

(1)通过瓦斯传感器实时采集数据，结合瓦斯浓度历史数据库，进行相空间重构；

(2)将重构得到的相空间作为动态神经网络的输入，动态神经网络的输出则是预测值；

(3)当采样间隔等于更新时间t时，对动态模块化神经网络模型更新：基于历史数据库与实时采集数据构造相空间重构，组成训练样本集，然后按照“先入先出”队列顺序，以增量学习方式训练动态神经网络模型，以更新神经网络结构，更好跟踪实时工况，然后将所有t个实时采集数据存入历史数据库，更新历史数据库长度l＝l+t；

(4)判断是否采集，是则返回步骤(1)，否则结束。

6.如权利要求5所述的基于动态神经网络的瓦斯浓度实时预测方法，其特征在于，在步骤(3)中，所述更新时间t的设定，根据混沌时间序列的时间延长τ来确定：t＝α×τ,其中α为经验系数，可选择α＝0.5～1.5。

7.如权利要求6所述的基于动态神经网络的瓦斯浓度实时预测方法，其特征在于，在步骤(3)中，所述动态神经网络模型在线更新时神经网络的学习方式和神经网络结构调整方法与上述权利要求4中步骤(1)完全相同。

8.如权利要求7所述的基于动态神经网络的瓦斯浓度实时预测方法，其特征在于，在步骤(3)中，所述动态神经网络模型在线更新时训练样本按照实时瓦斯浓度采集的顺序，以先入先出的队列顺序对神经网络进行训练。