CN106503792B - 一种基于自适应模块化神经网络的瓦斯浓度预测方法 - Google Patents

一种基于自适应模块化神经网络的瓦斯浓度预测方法 Download PDF

Info

Publication number
CN106503792B
CN106503792B CN201610936088.7A CN201610936088A CN106503792B CN 106503792 B CN106503792 B CN 106503792B CN 201610936088 A CN201610936088 A CN 201610936088A CN 106503792 B CN106503792 B CN 106503792B
Authority
CN
China
Prior art keywords
training sample
submodule
gas density
neural network
functional module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201610936088.7A
Other languages
English (en)
Other versions
CN106503792A (zh
Inventor
张昭昭
郭伟
耿涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Science and Technology
Original Assignee
Xian University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN201610936088.7A priority Critical patent/CN106503792B/zh
Publication of CN106503792A publication Critical patent/CN106503792A/zh
Application granted granted Critical
Publication of CN106503792B publication Critical patent/CN106503792B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于自适应模块化神经网络的瓦斯浓度预测方法，涉及矿井瓦斯浓度检测技术领域。该方法首先采集瓦斯浓度数据，并存入瓦斯浓度数据库，对数据库中的瓦斯浓度数据进行自适应除噪处理后视为混沌时间序列，建立自适应模块化神经网络的训练样本集，构建自适应模块化神经网络软测量预测模型，根据新获得的瓦斯浓度数据与瓦斯浓度数据库中的历史数据，利用构建的预测模型对瓦斯浓度进行预测。该方法除噪效果显著，在有效去除噪声的同时能够很好的保留瓦斯浓度时间序列中的有用信息，构建自适应模块化神经网络的软测量预测模型，输入信息由多个不同子模型集成处理，可以提高预测模型的学习精度和泛化性能，提高预测模型的鲁棒性。

Description

一种基于自适应模块化神经网络的瓦斯浓度预测方法
技术领域：
本发明涉及矿井瓦斯浓度检测技术领域，尤其涉及一种基于自适应模块化神经网络的瓦斯浓度预测方法。
背景技术：
中国是一个以煤炭为主要能源的国家，中国国家《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。近年来，利用神经网络，借助矿井中实测的大量历史数据，采用混沌时间序列预测方法成为预测瓦斯浓度的热点，然而，瓦斯浓度历史数据来自矿井中不同的区域，这些来自不同区域的历史数据其扰动幅度和对象特性均不相同，且往往含有噪声。如果采用单神经网络的预测模型，经常会导致预测模型学习时间过长、精度和外推能力差等缺陷，另外单模型也存在健忘问题，使得其自适应能力差，鲁棒性不强。
发明内容：
针对现有技术的缺陷，本发明提供一种基于自适应模块化神经网络的瓦斯浓度预测方法，该方法除噪效果显著，在有效去除噪声的同时能够很好的保留瓦斯浓度时间序列中的有用信息，构建自适应模块化神经网络的软测量预测模型，输入信息由多个不同子模型集成处理，可以提高预测模型的学习精度和泛化性能，提高预测模型的鲁棒性。
一种基于自适应模块化神经网络的瓦斯浓度预测方法，包括如下步骤：
步骤1、通过瓦斯浓度传感器采集瓦斯浓度数据，作为历史数据存入瓦斯浓度数据库；
步骤2、对瓦斯浓度数据库中的瓦斯浓度数据进行基于经验模态分解的自适应除噪处理；
步骤3、将除噪后的瓦斯浓度数据视为混沌时间序列，并建立自适应模块化神经网络的训练样本集{(X(k)；Y(k))|k＝1，2，…，N}，其中，X(k)表示自适应模块化神经网络的第k个输入，Y(k)表示自适应模块化神经网络的输出，N表示采集的训练样本个数；
步骤4、利用获得的自适应模块化神经网络的训练样本集，构建自适应模块化神经网络软测量预测模型；
步骤5、根据新获得的瓦斯浓度数据与瓦斯浓度数据库中的历史数据，利用自适应模块化神经网络软测量预测模型对瓦斯浓度进行预测：将新监测到的瓦斯浓度数据与瓦斯浓度数据库中的历史数据结合，得到预测模型的训练样本，并作为所述自适应模块化神经网络软测量预测模型的输入，预测模型的输出即为瓦斯浓度的预测结果。
进一步地，所述步骤1中通过瓦斯浓度传感器采集瓦斯浓度数据并存入瓦斯浓度数据库的具体方法为：
将瓦斯浓度无线监测传感器放置在煤壁前方、采掘设备和作业人员身上，采集矿井中不同区域的瓦斯浓度数据，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将采集的瓦斯浓度数据传输到地面监控系统，作为历史数据存入瓦斯浓度数据库中，瓦斯浓度数据库中的历史数据集为Xlib＝{x(k)|k＝1，2，…，N}，其中，x(k)表示k时刻采集的瓦斯浓度数据。
进一步地，所述步骤2的自适应除噪处理的方法为，对瓦斯浓度数据库中的数据进行经验模态分解，将分解后的小尺度本征模函数(Intrinsic mode function，IMF)进行低通滤波自适应阈值除噪。
进一步地，所述步骤4中的自适应模块化神经网络软测量预测模型由多个功能模块组成，每个功能模块包括多个子模块，每个子模型的结构由功能分配层分配来的训练样本自适应确定；该预测模型的最终输出由不同功能模块中的子模块输出整合而得到；该预测模型在学习过程中，对于某一训练样本，通过选择机制从不同的功能模块中选择合适的子模块进行学习，从而使得每一个训练样本都有一个或多个不同功能模块中的子模块协同处理；
自适应模块化神经网络软测量预测模型的构建过程包括：
步骤4.1、进行功能模块的划分；
步骤4.2、进行子模块的划分；
步骤4.3、进行功能模块中的子模块的选择；
步骤4.4、进行子模块学习结果的集成；
步骤4.5、进行子模块网络结构的自适应构建。
进一步地，所述功能模块的划分方法为：
步骤4.1.1、对神经网络的训练样本集{(X(k)；Y(k))|k＝1，2，…，N}进行初始化及预处理，确定训练样本集X(k)中的两个自适应模块化神经网络训练样本Xi和Xj之间的欧式距离dij＝dist(Xi，Xj)，并令dij＝dji，i＜j，i，j＝1，2，…，N；dij共M＝N(N-1)/2个，将dij进行升序排列，得到序列d1≤di2≤…≤dM，令截断距离dc为dc＝df(Mt)，其中，dc＞0，f(Mt)表示对输入变量Mt进行四舍五入后得到的整数；
步骤4.1.2、针对训练样本集X(k)中的任意一个训练样本Xi，根据式(1)确定训练样本Xi的局部概率密度ρi，i＝1，2，…，N，并对ρi按照降序排列；
步骤4.1.3、针对训练样本集中的任意一个训练样本Xi，根据式(2)确定训练样本Xi与其他具有更高局部密度的训练样本之间的最小距离δi，i＝1，2，…，N，并对δi按照降序排列；
步骤4.1.4、令γi＝ρiδi，对γi按照从大到小的顺序排列，生成决策图，确定训练样本集的F个聚类中心为{C1，C2，…，Cn，…，CF}，其中，聚类中心Cn即为训练样本模糊集；
步骤4.1.5、对所有输入样本依据式(3)分别构建F个训练样本模糊集；
其中，fnk表示训练样本Xk隶属于第n个训练样本模糊集Cn的模糊隶属度，n＝1，2，…，F，在所有的训练样本中，若Xk距离Cn越近，则Xk隶属于Cn的隶属度就越大；
步骤4.1.6、根据建立的F个训练样本模糊集，在自适应模块化神经网络中根据训练样本的空间分布，划分出F个功能模块，用FMn表示第n个功能模块，n＝1，2，…，F，每个功能模块都有其对应的训练样本集。
进一步地，所述子模块的划分利用条件模糊聚类法进行，具体方法为：
步骤4.2.1、根据训练样本集{(X(k)；Y(k))|k＝1，2，…，N}及步骤4.1.2中辨识出的训练集聚类中心{C1，C2，…，Cn，…，CF}，确定每个功能模块训练样本集条件模糊聚类的个数Hn(n＝1，2，…，F)，即每个功能模块中的子模块数量；
步骤4.2.2、针对F个训练样本模糊集中的每一个训练样本模糊集，利用式(3)确定的训练样本Xk隶属于第n个训练样本模糊集Cn的模糊隶属度fnk作为条件模糊聚类的监督条件，将该训练样本模糊集中的训练样本Xk进行二次条件模糊聚类，根据式(4)确定第n个训练样本模糊集对应的训练样本模糊聚类的分割矩阵unsk，且unsk∈[0，1]；
其中，Vns表示第n(n＝1，2，…，F)个功能模块中第s(s＝1，2，…，Hn)个子模块训练样本的聚类中心，Vnm表示第n(n＝1，2，…，F)个训练样本模糊集Cn对应的第m(m＝1，2，…，Hn)个聚类中心，Hn为第n个训练样本模糊集所对应的训练样本模糊聚类个数；
步骤4.2.3、根据式(5)修正第n个功能模块中第s个子模块训练样本的聚类中心，得到新的聚类中心V′ns；
其中，unsk满足式(6)；
步骤4.2.4、确定新聚类中心V′ns与旧聚类中心Vns的距离，若该距离满足设定的阈值，则子模块划分结束，每个功能模块分为数量不等的Hn个子模块，用SMns表示第n个功能模块中的第s个子模块，s＝1，2，…，Hn，且每个子模块都有其对应的训练样本集，将F个功能模块中的训练样本集划分为HT个训练样本子集，否则，转入步骤步骤4.2.3，利用新的聚类中心重新进行子模块的划分。
进一步地，所述功能模块中的子模块的选择方法为：
步骤4.3.1、采用相对距离测度来度量训练样本Xk隶属于子模块SMns的程度，确定每个功能模块中不同子模块学习训练样本Xk隶属于该子模块的隶属度wns；
定义性能指标Jn为式(7)；
其中，wns表示训练样本Xk隶属于子模块SMns的隶属度，满足且wns∈[0，1]；dns表示训练样本Xk与子模块SMns的相对距离测度，满足式(8)；
dns＝||Xk-Vns||/dans (8)
其中，dans表示子模块SMns中所有训练样本间的平均距离，满足Nns表示子模块SMns的训练样本总数；
采用拉格朗日Lagrangian乘子法，使性能指标Jn最小化，得到wns为式(9)；
步骤4.3.2、采用最大隶属度法在每个功能模块中选择出一个最适合学习训练样本Xk的子模块SMns，此时每个功能模块的输出即为被选中的该功能模块中的子模块的输出；
步骤4.3.3、对选中的子模块构建性能指标函数，确定被选中的子模块学习训练样本Xk的权值wn；
性能指标函数为：
其中，权值wn满足且wn∈[0，1]；dn为样本Xk对功能模块FMn的相对距离测度，满足式(11)；
dn＝||Xk-Cn||/dan (11)
其中，dan表示功能模块FMn中所有训练样本间的平均距离，Nn表示功能模块FMn中训练样本的总数；Cn表示功能模块FMn所对应的聚类中心；
采用拉格朗日Lagrangian乘子法，使性能指标J最小化，得到权值wn为式(12)；
步骤4.3.4、对选中的子模块进行二次选择，设置隶属度阈值K，筛选出wn＞K的子模块参与对训练样本Xk的学习。
进一步地，所述子模块学习结果的集成方法为：
令w＝{w1，w2，…，wF}，若wn＜K，则wn＝0，对w进行归一化处理，则自适应模块化神经网络的集成输出为：
其中，C表示经过二次选择后最终参与训练样本Xk学习的子模块的个数；ys表示被二次选择选中的第s个子模块的输出；
设第n(n＝1，…，F)个功能模块中第s个子模块的RBF网络结构为L-M-1，即L个输入节点、M个隐节点和1个输出节点，分配给子模块Hn的输入样本为Xp＝[xp，1，xp，2，…，xp，T]，即第p(p＝1，2，…，P)个T维输入样本，则第n(n＝1，…，F)个功能模块中第s(s＝1，2，…，Hn)个子模块的输出为：
其中，Ons，p表示RBF网络(第n个功能模块中第s个子模块)对训练样本Xp的输出，wh为第h个隐节点与输出节点的连接权值，w0为输出节点的偏置连接权值，示RBF网络中第h个隐节点对训练样本Xp的输出，如式(15)所示；
其中，ch和σh分别表示第h个隐节点的核函数中心和宽度。
进一步地，所述子模块网络结构的自适应构建过程中采用Levenberg-Marquardt法(简称LM法)进行学习训练，在每一次迭代计算后，得到本次迭代的最大误差，在该最大误差处增加一个隐节点，以补偿当前RBF网络学习误差曲面最大误差，得到最为紧凑的RBF神经网络结构，具体方法为：
步骤4.5.1、对所有训练样本，确定Jacobian矩阵中的所有元素；
RBF神经网络训练误差ep为式(16)；
ep＝yp-op (16)
其中，yp为RBF神经网络对输入的训练样本Xp＝[xp，1，xp，2，…，xp，T]的期望输出，op为RBF神经网络对输入的训练样本Xp＝[xp，1，xp，2，…，xp，T]的实际输出；
根据式(17)确定Jacobian矩阵第p行的行元素jp；
其中，Δ表示RBF神经网络中的可调参数，包括RBF神经网络隐节点核函数的中心c、宽度σ，以及RBF神经网络隐节点与输出节点的连接权值w；
对于给定输入的P个训练样本，则Jacobian矩阵中的行元素值为：
其中，H表示隐节点的个数，ch，t表示第h个隐节点的核函数中心的第t维；
结合式(17)、(18)和(16)，根据微分链式法则，则用式(18)确定输入为第p个训练样本Xp时，Jacobian矩阵中行元素的值为：
步骤4.5.2、确定quasi-Hiessian矩阵Q和梯度向量g
通过Subquasi-Hessian矩阵求和得到Quasi-Hessian矩阵Q，如式(23)所示；
其中，qp为输入为第p个训练样本Xp时的Subquasi-Hessian矩阵，
通过子梯度向量ηp求和得到梯度向量g，如式(24)所示；
其中，
步骤4.5.3、利用式(25)更新LM法的RBF神经网络可调参数；
Δr+1＝Δr-(Qr+μrI)-1gr (25)
其中，Δr+1表示第r+1次迭代更新得到的RBF神经网络可调参数；Qr表示第r次迭代中得到的quasi-Hiessian矩阵；μr表示第r次迭代中的组合系数；I为单位矩阵；gr表示第r次迭代中得到的梯度向量。
由上述技术方案可知，本发明的有益效果在于：本发明提供的一种基于自适应模块化神经网络的瓦斯浓度预测方法，可实现对矿井瓦斯浓度的精确预测，符合当前矿井瓦斯管理系统的技术要求。本发明针对当前矿井瓦斯浓度数据中通常含有大量噪声影响预测模型预测精度的问题，通过经验模态分解将历史瓦斯浓度序列数据分解成多个小尺度本征模函数，再将分解后的小尺度本征模函数经过低通滤波器自适应阈值除噪，除噪效果显著，并能在有效去除噪声的同时，很好的保留瓦斯浓度时间序列中的有用信息，除噪效果理想；本发明针对单模型预测模型学习时间长、预测精度和外推能力差的缺陷，构建一个自适应模块化神经网络预测模型，该预测模型输入信息由多个不同子模型集成处理，可以提高预测模型的精度，提高预测模型的鲁棒性；本发明提供的自适应模块化神经网络软测量预测模型，相比较于其他单模型预测方法，预测精度得到有效提高。
附图说明：
图1是本发明实施例提供的一种基于自适应模块化神经网络的瓦斯浓度预测方法流程图；
图2是本发明实施例提供的原始瓦斯浓度数据时间序列图；
图3是本发明实施例提供的除噪后的瓦斯浓度数据时间序列图；
图4是本发明实施例提供的自适应模块化神经网络软测量预测模型结构图；
图5是本发明实施例提供的自适应模块化神经网络软测量预测模型预测效果图。
具体实施方式：
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
通过瓦斯浓度传感器采集某煤矿实际采掘工作面的瓦斯数据，并作为预测对象，进行该矿井瓦斯浓度的预测，如图1所示，具体方法如下。
步骤1、将瓦斯浓度无线监测传感器放置在煤壁前方、采掘设备和作业人员身上，通过瓦斯浓度传感器采集矿井中不同区域的瓦斯浓度数据，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，再通过井下通信网络将采集的瓦斯浓度数据传输到地面监控系统，作为历史数据存入瓦斯浓度数据库中，瓦斯浓度数据库中的历史数据集为Xlib＝{x(k)|k＝1，2，…，N}，其中，x(k)表示k时刻采集的瓦斯浓度数据，N表示瓦斯浓度数据的数量。
本实施例中采用的瓦斯浓度数据库中的原始数据共500组数据，该数据中含有大量的噪声信号如图2所示。
步骤2、对瓦斯浓度数据库中的瓦斯浓度数据进行基于经验模态分解的自适应除噪处理，先对瓦斯浓度数据库中的数据进行经验模态分解，将分解后的IMF进行低通滤波自适应阈值除噪，具体方法参考文献：曲从善，路廷镇，谭营.《一种改进型经验模特分解及其在信号消噪中的应用》，自动化学报，2010,36(1)：67-73。除噪瓦斯后浓度数据序列图如图3所示。
步骤3、将除噪后的瓦斯浓度数据视为混沌时间序列，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方法计算相空间重构的参数：嵌入维数m和时间延迟τ。基于除噪后的瓦斯浓度数据序列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＝1，2，…，N}，其中，X(k)表示自适应模块化神经网络的第k个输入，Y(k)表示自适应模块化神经网络的输出，N表示采集的训练样本个数。本实施例中，自适应模块化神经网络的输入为X(k)＝[x(k)，x(k-2)，…，x(k-6)]，在进行相空间重构时，k的取值为k＝7，8，…，N，x(k)表示k时刻的采集的瓦斯浓度数据，所以x(k-2)表示的就是当前时刻前2个时刻的瓦斯浓度数据，依次类推；N表示采集的训练样本个数，本实施例中，输入的训练样本个数为N-6。由于实际瓦斯浓度数据的采集时间间隔为1分钟，考虑到矿工的安全逃逸，本实施例预测20分钟后的瓦斯浓度，自适应模块化神经网络的输出为Y(k)＝[x(k+20)]，其中x(k+20)表示的就是20分钟后的瓦斯浓度预测值。
相空间重构后的神经网络训练样本集如下表1所示，共300组数据。
表1神经网络训练样本数据集
步骤4、利用获得的自适应模块化神经网络的训练样本集，构建自适应模块化神经网络软测量预测模型，该模型由多个功能模块组成，每个功能模块包括多个子模块，每个子模型的结构由功能分配层分配来的训练样本自适应确定；该预测模型的最终输出由不同功能模块中的子模块输出整合而得到；该预测模型在学习过程中，对于某一训练样本，通过选择机制从不同的功能模块中选择合适的子模块进行学习，从而使得每一个训练样本都有一个或多个不同功能模块中的子模块协同处理。
自适应模块化神经网络软测量预测模型的构建方法具体如下。
步骤4.1、进行功能模块的划分，具体方法为：
步骤4.1.1、对神经网络的训练样本集进行初始化及预处理，确定训练样本集X(k)中的两个自适应模块化神经网络训练样本Xi和Xj之间的欧式距离dij＝dist(Xi，Xj)，并令dij＝dji，i＜j，i，j＝1，2，…，N；dij共M＝N(N-1)/2个，将dij进行升序排列，得到序列d1≤di2≤…≤dM，令截断距离dc为dc＝df(Mt)，其中，dc＞0，f(Mt)表示对输入变量Mt进行四舍五入后得到的整数；
步骤4.1.2、针对训练样本集X(k)中的任意一个训练样本Xi，根据式(1)确定训练样本Xi的局部概率密度ρi，i＝1，2，…，N，并对ρi按照降序排列；
步骤4.1.3、针对训练样本集中的任意一个训练样本Xi，根据式(2)确定数据点i与其他具有更高局部密度数据点之间的最小距离δi，i＝1，2，…，N，并对δi按照降序排列；
步骤4.1.4、令γi＝ρiδi，对γi按照从大到小的顺序排列，生成决策图，确定训练样本集的F个聚类中心为{C1，C2，…，Cn，…，CF}，其中决策图就是将γi按照从大到小的顺序排列生成的排序图，便于在设计自适应模块化神经网络结构时，确定整个模块化神经网络中应该有几个功能模块；
步骤4.1.5、对所有输入样本依据式(3)分别构建F个训练样本模糊集；
其中，fnk表示数据样本Xk隶属于第n个训练样本模糊集的模糊隶属度，n＝1，2，…，F，在所有的训练样本中，若Xk距离Cn越近，则Xk隶属于Cn的隶属度就越大；
步骤4.1.6、根据建立的F个训练样本模糊集，在自适应模块化神经网络中根据训练样本的空间分布，划分出F个功能模块，用FMn表示第n个功能模块，n＝1，2，…，F，每个功能模块都有其对应的训练样本集。
步骤4.2、功能模块的划分初步实现了对训练样本的分隔，为进一步提高子模块的学习性能，在对训练样本进行分隔的基础上，对每个功能模块所对应的训练样本集进一步分隔，进行子模块的划分，具体方法为：
步骤4.2.1、根据训练样本集{(X(k)；Y(k))|k＝1，2，…，N}及步骤4.1.2中辨识出的训练集聚类中心{C1，C2，…，Cn，…，CF}，确定每个功能模块训练样本集条件模糊聚类的个数Hn(n＝1，2，…，F)，即每个功能模块中的子模块数量，具体实施中，可以根据实际情况人为设定合适的Hn；
步骤4.2.2、针对第F个训练样本模糊集中的每一个训练样本模糊集，利用式(3)确定的训练样本Xk隶属于第n个训练样本模糊集Cn的模糊隶属度fnk作为条件模糊聚类的监督条件，将该训练样本模糊集中的训练样本Xk进行条件模糊聚类，根据式(4)确定第n个训练样本模糊集对应的训练样本模糊聚类的分割矩阵unsk，且unsk∈[0，1]；
其中，Vns表示第n(n＝1，2，…，F)个训练样本模糊集对应的第s(s＝1，2，…，Hn)个聚类中心，Vnm表示第n(n＝1，2，…，F)个训练样本模糊集Cn对应的第m(m＝1，2，…，Hn)个聚类中心，Hn为第n个训练样本模糊集所对应的训练样本模糊聚类个数；在聚类算法每次迭代过程中，s变化一次，m相应地从1变化到Hn
步骤4.2.3、根据式(5)修正第n个功能模块中第s个子模块训练样本的聚类中心，得到新的聚类中心V′ns，每一个训练样本模糊集对应一个子模块，他们是一一对应的，因此第s个训练样本模糊集就对应第s个子模块；
其中，unsk满足式(6)；
步骤4.2.4、确定新聚类中心V′ns与旧聚类中心Vns的距离，若该距离满足设定的阈值，则子模块划分结束，每个功能模块分为数量不等的Hn个子模块，用SMns表示第n个功能模块中的第s个子模块，s＝1，2，…，Hn，且每个子模块都有其对应的训练样本集，将F个功能模块中的训练样本集划分为HT个训练样本子集，否则，转入步骤步骤4.2.3，利用新的聚类中心重新进行子模块的划分。
经对训练样本集的两次划分，在自适应模块化神经网络中共有F个功能模块，每个功能模块又包含数量不等的Hn个子模块，且每个子模块都有其对应的训练样本集。
步骤4.3、进行功能模块中的子模块的选择，具体方法为：
步骤4.3.1、依照上述对训练样本集的划分方法，训练样本集与功能模块中每个子模块间都存在一定的隶属关系，如果训练样本Xk与第n个功能模块中的第s个子模块SMns距离比较近，则Xk隶属于SMns的可能性就大，采用相对距离测度来度量Xk隶属于子模块SMns的程度，确定每个功能模块中不同子模块学习训练样本Xk隶属于该子模块的隶属度wns；
定义性能指标Ji为式(7)；
其中，wns表示训练样本Xk隶属于子模块SMns的隶属度，满足且wns∈[0，1]；dns表示训练样本Xk与子模块SMns的相对距离测度，满足式(8)；
dns＝||Xk-Vns||/dans (8)
其中，daij表示子模块SMns中所有训练样本间的平均距离，满足Nns表示子模块SMns的训练样本总数；
采用拉格朗日Lagrangian乘子法，使性能指标Jn最小化，得到wij为式(9)；
从式(9)可看出，dns越大则wns越小，意味着Xk隶属于SMns的可能性就越小；反之，则Xk隶属于SMns的可能性就越大；
步骤4.3.2、采用最大隶属度法在每个功能模块中选择出一个最适合学习训练样本Xk的子模块SMns，此时每个功能模块的输出即为被选中的该功能模块中的子模块的输出；
步骤4.3.3、由功能模块的划分过程可知，Xk有可能距离某个或某几个功能模块的聚类中心很远，采用步骤4.3.2所述方法仍然会在该功能模块中选出一个子模块来学习该样本，因此，为提高BMNN的学习速度和精度，有必要对选中的子模块进行筛选，对选中的子模块构建性能指标函数，确定被选中的子模块学习训练样本Xk的权值wn；
性能指标函数为：
其中，权值wn满足且wn∈[0，1]，每一个功能模块中只选出一个子模块，因此选出的子模块数量与功能模块数量是一样的；dn为样本Xk对功能模块FMn的相对距离测度，满足式(11)；
dn＝||Xk-Cn||/dan (11)
其中，dan表示功能模块FMn中所有训练样本间的平均距离，Nn表示功能模块FMn中训练样本的总数；Cn表示功能模块FMn所对应的聚类中心；
采用拉格朗日Lagrangian乘子法，使性能指标J最小化，得到权值wn为式(12)；
由式(12)知，若Xk距离某个功能模块FMn的聚类中心Cn越远，则wn越小，即表明该功能模块中的子模块不适合对样本Xk进行学习，反之则适合；
步骤4.3.4、对选中的子模块进行二次选择，设置隶属度阈值K，筛选出wn＞K的子模块参与对训练样本Xk的学习。
步骤4.4、进行子模块学习结果的集成，具体方法为：
令w＝{w1，w2，…，wF}，若wn＜K，则wn＝0，对w进行归一化处理，则自适应模块化神经网络的集成输出为：
其中，C表示经过二次选择后最终参与训练样本Xk学习的子模块的个数；yi表示被二次选择选中的第s个子模块的输出；
在自适应模块化神经网络中，每个具体的子模块为结构相对简单的RBF神经网络，其结构由功能模块分配层分配来的输入样本自适应构建，其任务是学习功能模块选择层分配来的输入样本。设第n(n＝1，…，F)个功能模块中第s个子模块的RBF网络结构为L-M-1，即L个输入节点、M个隐节点和1个输出节点，分配给子模块Hn的输入样本为Xp＝[xp，1，xp，2，…，xp，T]，即第p(p＝1，2，…，P)个T维输入样本，则第n(n＝1，…，F)个功能模块中第s(s＝1，2，…，Hn)个子模块的输出为：
其中，Ons，p表示RBF网络(第n个功能模块中第s个子模块)对训练样本Xp的输出，wh为第h个隐节点与输出节点的连接权值，w0为输出节点的偏置连接权值，示RBF网
络中第h个隐节点对训练样本Xp的输出，如式(15)所示；
其中，ch和σh分别表示第h个隐节点的核函数中心和宽度；
步骤4.5、进行子模块网络结构的自适应构建，自适应模块化神经网络中子模块为RBF网络，学习算法采用Levenberg-Marquardt算法(简称LM法)，RBF网络结构设计的思想是在每一次迭代计算后，计算出本次迭代的最大误差，在该最大误差处增加一个隐节点，以补偿当前RBF网络学习误差曲面最大误差，该算法能够设计出最为紧凑的RBF神经网络结构，具体方法为：
步骤4.5.1、对所有训练样本，确定Jacobian矩阵中的所有元素；
RBF神经网络训练误差ep为式(16)；
ep＝yp-op (16)
其中，yp为RBF神经网络对输入的训练样本Xp＝[xp，1，xp，2，…，xp，T]的期望输出，op为RBF神经网络对输入的训练样本Xp＝[xp，1，xp，2，…，xp，T]的实际输出；
根据式(17)确定Jacobian矩阵第p行的行元素jp；
其中，Δ表示RBF神经网络中的可调参数，包括RBF神经网络隐节点核函数的中心c、宽度σ，以及RBF神经网络隐节点与输出节点的连接权值w；
对于给定输入的P个训练样本，则Jacobian矩阵中的行元素值为：
其中，H表示隐节点的个数，ch，t表示第h个隐节点的核函数中心的第t维；
结合式(17)、(18)和(16)，根据微分链式法则，则用式(18)确定输入为第p个训练样本Xp时，Jacobian矩阵中行元素的值为：
步骤4.5.2、确定quasi-Hiessian矩阵Q和梯度向量g
通过Subquasi-Hessian矩阵求和得到Quasi-Hessian矩阵Q，如式(23)所示；
其中，qp为输入为第p个训练样本Xp时的Subquasi-Hessian矩阵，
通过子梯度向量ηp求和得到梯度向量g，如式(24)所示；
其中，
步骤4.5.3、利用式(25)所示的更新规则更新LM法的参数；
Δk+1＝Δk-(Qk+μkI)-1gk (25)
其中，Δr+1表示第r+1次迭代更新得到的RBF神经网络可调参数；Qr表示第r次迭代中得到的quasi-Hiessian矩阵；μr表示第r次迭代中的组合系数；I为单位矩阵；gr表示第r次迭代中得到的梯度向量。
依据式(19)～(22)可求得Jacobian矩阵第p(p＝1，2，…，P)行的所有行元素jp，对输入的所有训练样本，则可求得Jacobian矩阵中的所有元素，随后，可依据式(23)和(24)分别求得quasi-Hiessian矩阵Q和梯度向量g，进而依据式(25)对RBF网络中三个可调参数进行更新调整。
依照上述学习算法和RBF网络结构增长算法，在自适应模块化神经网络中，每个功能模块中的子模块均能根据任务分配层分配来的训练样本自适应构建自身的网络结构，不需要人工参与，本实施例中，构建的自适应模块化神经网络软测量预测模型的结构如图4所示。
步骤5、根据新获得的矿井采掘工作面的瓦斯浓度数据与瓦斯浓度数据库中的历史数据，利用自适应模块化神经网络软测量预测模型对瓦斯浓度进行预测：将新监测到的瓦斯浓度数据与瓦斯浓度数据库中的历史数据结合，得到预测模型的训练样本，并作为所述自适应模块化神经网络软测量预测模型的输入，预测模型的输出即为瓦斯浓度的预测结果。
采用步骤4所述构造包含多模型的自适应模块化神经网络软测量预测模型的方法，本实施例中，自适应模块化神经网络软测量预测模型的功能模块数为3，每个功能模块中子模块的数量均为2，设置模糊隶属度阈值K＝0.12。采用表1所给数据后189组数据作为测试数据，对瓦斯浓度进行预测，如表2所示，为本实施例自适应模块化神经网络软测量预测模型预测值与实际检测的瓦斯浓度值的对比，其对比效果如图5所示。
表2自适应模块化神经网络预测模型预测效果对比
本发明提供的一种基于自适应模块化神经网络的瓦斯浓度预测方法，可实现对矿井瓦斯浓度的精确预测，符合当前矿井瓦斯管理系统的技术要求。本发明针对当前矿井瓦斯浓度数据中通常含有大量噪声影响预测模型预测精度的问题，通过经验模态分解将历史瓦斯浓度序列数据分解成多个小尺度本征模函数，再将分解后的小尺度本征模函数经过低通滤波器自适应阈值除噪，并能在有效去除噪声的同时，很好的保留瓦斯浓度时间序列中的有用信息，除噪效果理想；本发明针对单模型预测模型学习时间长、预测精度和外推能力差的缺陷，构建一个自适应模块化神经网络预测模型，该预测模型输入信息由多个不同子模型集成处理，可以提高预测模型的精度，提高预测模型的鲁棒性；本发明提供的自适应模块化神经网络软测量预测模型，相比较于其他单模型预测方法，预测精度得到有效提高。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (8)

1.一种基于自适应模块化神经网络的瓦斯浓度预测方法，其特征在于，该方法包括如下步骤：
步骤1、通过瓦斯浓度传感器采集瓦斯浓度数据，作为历史数据存入瓦斯浓度数据库；
步骤2、对瓦斯浓度数据库中的瓦斯浓度数据进行基于经验模态分解的自适应除噪处理；
步骤3、将除噪后的瓦斯浓度数据视为混沌时间序列，并建立自适应模块化神经网络的训练样本集{(X(k)；Y(k))|k＝1，2，…，N}，其中，X(k)表示自适应模块化神经网络的第k个输入，Y(k)表示自适应模块化神经网络的输出，N表示采集的训练样本个数；
步骤4、利用获得的自适应模块化神经网络的训练样本集，构建自适应模块化神经网络软测量预测模型；所述自适应模块化神经网络软测量预测模型由多个功能模块组成，每个功能模块包括多个子模块，每个子模型的结构由功能分配层分配来的训练样本自适应确定；该预测模型的最终输出由不同功能模块中的子模块输出整合而得到；该预测模型在学习过程中，对于某一训练样本，通过选择机制从不同的功能模块中选择合适的子模块进行学习，从而使得每一个训练样本都有一个或多个不同功能模块中的子模块协同处理；
自适应模块化神经网络软测量预测模型的构建过程包括：
步骤4.1、进行功能模块的划分；
步骤4.2、进行子模块的划分；
步骤4.3、进行功能模块中的子模块的选择；
步骤4.4、进行子模块学习结果的集成；
步骤4.5、进行子模块网络结构的自适应构建；
步骤5、根据新获得的瓦斯浓度数据与瓦斯浓度数据库中的历史数据，利用自适应模块化神经网络软测量预测模型对瓦斯浓度进行预测：将新监测到的瓦斯浓度数据与瓦斯浓度数据库中的历史数据结合，得到预测模型的训练样本，并作为所述自适应模块化神经网络软测量预测模型的输入，预测模型的输出即为瓦斯浓度的预测结果。
2.根据权利要求1所述的一种基于自适应模块化神经网络的瓦斯浓度预测方法，其特征在于，所述步骤1中通过瓦斯浓度传感器采集瓦斯浓度数据并存入瓦斯浓度数据库的具体方法为：
将瓦斯浓度无线监测传感器放置在煤壁前方、采掘设备和作业人员身上，采集矿井中不同区域的瓦斯浓度数据，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将采集的瓦斯浓度数据传输到地面监控系统，作为历史数据存入瓦斯浓度数据库中，瓦斯浓度数据库中的历史数据集为Xlib＝{x(k)|k＝1，2，…，N}，其中，x(k)表示k时刻采集的瓦斯浓度数据。
3.根据权利要求2所述的一种基于自适应模块化神经网络的瓦斯浓度预测方法，其特征在于，所述步骤2的自适应除噪处理的方法为，对瓦斯浓度数据库中的数据进行经验模态分解，将分解后的小尺度本征模函数(Intrinsic mode function，IMF)进行低通滤波自适应阈值除噪。
4.根据权利要求3所述的一种基于自适应模块化神经网络的瓦斯浓度预测方法，其特征在于，所述步骤4.1进行功能模块的划分方法为：
步骤4.1.1、对神经网络的训练样本集{(X(k)；Y(k))|k＝1，2，…，N}进行初始化及预处理，确定训练样本集X(k)中的两个自适应模块化神经网络训练样本Xi和Xi之间的欧式距离dij＝dist(Xi，Xj)，并令dij＝dji，i＜j，i，j＝1，2，…，N；dij共M＝N(N-1)/2个，将dij进行升序排列，得到序列d1≤di2≤…≤dM，令截断距离dc为dc＝df(Mt)，其中，dc＞0，f(Mt)表示对输入变量Mt进行四舍五入后得到的整数；
步骤4.1.2、针对训练样本集X(k)中的任意一个训练样本Xi，根据式(1)确定训练样本Xi的局部概率密度ρi，i＝1，2，…，N，并对ρi按照降序排列；
步骤4.1.3、针对训练样本集中的任意一个训练样本Xi，根据式(2)确定训练样本Xi与其他具有更高局部密度的训练样本之间的最小距离δi，i＝1，2，…，N，并对δi按照降序排列；
步骤4.1.4、令γi＝ρiδi，对γi按照从大到小的顺序排列，生成决策图，确定训练样本集的F个聚类中心为{C1，C2，…，Cn，…，CF}，其中，聚类中心Cn即为训练样本模糊集；
步骤4.1.5、对所有输入样本依据式(3)分别构建F个训练样本模糊集；
其中，fnk表示训练样本Xk隶属于第n个训练样本模糊集Cn的模糊隶属度，n＝1，2，…，F，在所有的训练样本中，若Xk距离Cn越近，则Xk隶属于Cn的隶属度就越大；
步骤4.1.6、根据建立的F个训练样本模糊集，在自适应模块化神经网络中根据训练样本的空间分布，划分出F个功能模块，用FMn表示第n个功能模块，n＝1，2，…，F，每个功能模块都有其对应的训练样本集。
5.根据权利要求4所述的一种基于自适应模块化神经网络的瓦斯浓度预测方法，其特征在于，所述步骤4.2进行子模块的划分利用条件模糊聚类法进行，具体方法为：
步骤4.2.1、根据训练样本集{(X(k)；Y(k))|k＝1，2，…，N}及步骤4.1.2中辨识出的训练集聚类中心{C1，C2，…，Cn，…，CF}，确定每个功能模块训练样本集条件模糊聚类的个数Hn(n＝1，2，…，F)，即每个功能模块中的子模块数量；
步骤4.2.2、针对F个训练样本模糊集中的每一个训练样本模糊集，利用式(3)确定的训练样本Xk隶属于第n个训练样本模糊集Cn的模糊隶属度fnk作为条件模糊聚类的监督条件，将该训练样本模糊集中的训练样本Xk进行二次条件模糊聚类，根据式(4)确定第n个训练样本模糊集对应的训练样本模糊聚类的分割矩阵unsk，且unsk∈[0，1]；
其中，Vns表示第n个功能模块中第s个子模块训练样本的聚类中心，n＝1，2，…，F，s＝1，2，…，Hn，Vnm表示第n个训练样本模糊集Cn对应的第m个聚类中心，m＝1，2，…，Hn，Hn为第n个训练样本模糊集所对应的训练样本模糊聚类个数；
步骤4.2.3、根据式(5)修正第n个功能模块中第s个子模块训练样本的聚类中心，得到新的聚类中心V′ns；
其中，unsk满足式(6)；
步骤4.2.4、确定新聚类中心V′ns与旧聚类中心Vns的距离，若该距离满足设定的阈值，则子模块划分结束，每个功能模块分为数量不等的Hn个子模块，用SMns表示第n个功能模块中的第s个子模块，s＝1，2，…，Hn，且每个子模块都有其对应的训练样本集，将F个功能模块中的训练样本集划分为HT个训练样本子集，否则，转入步骤4.2.3，利用新的聚类中心重新进行子模块的划分。
6.根据权利要求5所述的一种基于自适应模块化神经网络的瓦斯浓度预测方法，其特征在于，所述步骤4.3进行功能模块中的子模块的选择方法为：
步骤4.3.1、采用相对距离测度来度量训练样本Xk隶属于子模块SMns的程度，确定每个功能模块中不同子模块学习训练样本Xk隶属于该子模块的隶属度wns；
定义性能指标Jn为式(7)；
其中，wns表示训练样本Xk隶属于子模块SMns的隶属度，满足且wns∈[0，1]；dns表示训练样本Xk与子模块SMns的相对距离测度，满足式(8)；
dns＝||Xk-Vns||/dans (8)
其中，dans表示子模块SMns中所有训练样本间的平均距离，满足Nns表示子模块SMns的训练样本总数；
采用拉格朗日Lagrangian乘子法，使性能指标Jn最小化，得到wns为式(9)；
步骤4.3.2、采用最大隶属度法在每个功能模块中选择出一个最适合学习训练样本Xk的子模块SMns，此时每个功能模块的输出即为被选中的该功能模块中的子模块的输出；
步骤4.3.3、对选中的子模块构建性能指标函数，确定被选中的子模块学习训练样本Xk的权值wn；
性能指标函数为：
其中，权值wn满足且wn∈[0，1]；dn为样本Xk对功能模块FMn的相对距离测度，满足式(11)；
dn＝||Xk-Cn||/dan (11)
其中，dan表示功能模块FMn中所有训练样本间的平均距离，Nn表示功能模块FMn中训练样本的总数；Cn表示功能模块FMn所对应的聚类中心；
采用拉格朗日Lagrangian乘子法，使性能指标J最小化，得到权值wn为式(12)；
步骤4.3.4、对选中的子模块进行二次选择，设置隶属度阈值K，筛选出wn＞K的子模块参与对训练样本Xk的学习。
7.根据权利要求6所述的一种基于自适应模块化神经网络的瓦斯浓度预测方法，其特征在于，所述步骤4.4进行子模块学习结果的集成方法为：
令w＝{w1，w2，…，wF}，若wn＜K，则wn＝0，对w进行归一化处理，则自适应模块化神经网络的集成输出为：
其中，C表示经过二次选择后最终参与训练样本Xk学习的子模块的个数；yn表示被二次选择选中的第s个子模块的输出；
设第n个功能模块中第s个子模块的RBF网络结构为L-M-1，n＝1，…，F，即L个输入节点、M个隐节点和1个输出节点，分配给子模块Hn的输入样本为Xp＝[xp，1，xp，2，…，xp，T]，即第p个T维输入样本，p＝1，2，…，P，则第n个功能模块中第s个子模块的输出为：
其中，Ons，p表示RBF网络第n个功能模块中第s个子模块对训练样本Xp的输出，wh为第h个隐节点与输出节点的连接权值，w0为输出节点的偏置连接权值，示RBF网络中第h个隐节点对训练样本Xp的输出，如式(15)所示；
其中，ch和σh分别表示第h个隐节点的核函数中心和宽度。
8.根据权利要求7所述的一种基于自适应模块化神经网络的瓦斯浓度预测方法，其特征在于，所述步骤4.5进行子模块网络结构的自适应构建过程中采用Levenberg-Marquardt法(简称LM法)进行学习训练，在每一次迭代计算后，得到本次迭代的最大误差，在该最大误差处增加一个隐节点，以补偿当前RBF网络学习误差曲面最大误差，得到最为紧凑的RBF神经网络结构，具体方法为：
步骤4.5.1、对所有训练样本，确定Jacobian矩阵中的所有元素；
RBF神经网络训练误差ep为式(16)；
ep＝yp-op (16)
其中，yp为RBF神经网络对输入的训练样本Xp＝[xp，1，xp，2，…，xp，T]的期望输出，op为RBF神经网络对输入的训练样本Xp＝[xp，1，xp，2，…，xp，T]的实际输出；
根据式(17)确定Jacobian矩阵第p行的行元素jp；
其中，Δ表示RBF神经网络中的可调参数，包括RBF神经网络隐节点核函数的中心c、宽度σ，以及RBF神经网络隐节点与输出节点的连接权值w；
对于给定输入的P个训练样本，则Jacobian矩阵中的行元素值为：
其中，H表示隐节点的个数，ch，t表示第h个隐节点的核函数中心的第t维；
结合式(17)、(18)和(16)，根据微分链式法则，则用式(18)确定输入为第p个训练样本Xp时，Jacobian矩阵中行元素的值为：
步骤4.5.2、确定quasi-Hiessian矩阵Q和梯度向量g
通过Subquasi-Hessian矩阵求和得到Quasi-Hessian矩阵Q，如式(23)所示；
其中，qp为输入为第p个训练样本Xp时的Subquasi-Hessian矩阵，
通过子梯度向量ηp求和得到梯度向量g，如式(24)所示；
其中，
步骤4.5.3、利用式(25)更新LM法的RBF神经网络可调参数；
Δr+1＝Δr-(Qr+μrI)-1gr (25)
其中，Δr+1表示第r+1次迭代更新得到的RBF神经网络可调参数；Qr表示第r次迭代中得到的quasi-Hiessian矩阵；μr表示第r次迭代中的组合系数；I为单位矩阵；gr表示第r次迭代中得到的梯度向量。
CN201610936088.7A 2016-10-25 2016-10-25 一种基于自适应模块化神经网络的瓦斯浓度预测方法 Expired - Fee Related CN106503792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610936088.7A CN106503792B (zh) 2016-10-25 2016-10-25 一种基于自适应模块化神经网络的瓦斯浓度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610936088.7A CN106503792B (zh) 2016-10-25 2016-10-25 一种基于自适应模块化神经网络的瓦斯浓度预测方法

Publications (2)

Publication Number Publication Date
CN106503792A CN106503792A (zh) 2017-03-15
CN106503792B true CN106503792B (zh) 2018-12-18

Family

ID=58319976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610936088.7A Expired - Fee Related CN106503792B (zh) 2016-10-25 2016-10-25 一种基于自适应模块化神经网络的瓦斯浓度预测方法

Country Status (1)

Country Link
CN (1) CN106503792B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108661715B (zh) * 2018-04-17 2019-10-15 天地（常州）自动化股份有限公司 煤矿监控系统瓦斯涌出预警结果的评判方法
CN108830217B (zh) * 2018-06-15 2021-10-26 辽宁工程技术大学 一种基于模糊均值哈希学习的签名自动判别方法
CN108921359B (zh) * 2018-07-26 2022-03-11 安徽大学 一种分布式瓦斯浓度预测方法及装置
CN110309616A (zh) * 2019-07-09 2019-10-08 精英数智科技股份有限公司 构建瓦斯浓度预测模型的方法、装置、系统及存储介质
CN110555570B (zh) * 2019-09-16 2023-04-18 武汉理工大学 矿井受限空间灾害气体浓度智能预测方法及装置
CN111537565B (zh) * 2020-03-27 2022-04-15 上海交通大学 化学传感器定量检测结果预测模型形成方法及检测方法
CN113689032A (zh) * 2021-08-09 2021-11-23 陕煤集团神木张家峁矿业有限公司 一种基于深度学习的多传感器融合瓦斯浓度多步预测方法
CN113657582B (zh) * 2021-08-20 2024-04-09 西安科技大学 一种基于时空数据的时空图神经网络瓦斯浓度预测方法
CN115856204B (zh) * 2022-09-06 2023-06-23 昆明理工大学 基于三维回声状态网络的掘进工作面瓦斯浓度预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617469A (zh) * 2013-12-18 2014-03-05 重庆大学 电力系统设备故障预测方法及系统
WO2014063436A1 (zh) * 2012-10-25 2014-05-01 国网山东省电力公司电力科学研究院 基于时间序列和神经网络法的风电功率预测方法
CN104156422A (zh) * 2014-08-06 2014-11-19 辽宁工程技术大学 一种基于动态神经网络的瓦斯浓度实时预测方法
CN104850901A (zh) * 2015-04-27 2015-08-19 辽宁工程技术大学 一种基于多模型预测瓦斯浓度的软测量方法及系统
JP2015166962A (ja) * 2014-03-04 2015-09-24 日本電気株式会社 情報処理装置、学習方法、及び、プログラム
CN105930916A (zh) * 2016-04-07 2016-09-07 大连理工大学 一种基于并行模块化神经网络的副产煤气实时预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014063436A1 (zh) * 2012-10-25 2014-05-01 国网山东省电力公司电力科学研究院 基于时间序列和神经网络法的风电功率预测方法
CN103617469A (zh) * 2013-12-18 2014-03-05 重庆大学 电力系统设备故障预测方法及系统
JP2015166962A (ja) * 2014-03-04 2015-09-24 日本電気株式会社 情報処理装置、学習方法、及び、プログラム
CN104156422A (zh) * 2014-08-06 2014-11-19 辽宁工程技术大学 一种基于动态神经网络的瓦斯浓度实时预测方法
CN104850901A (zh) * 2015-04-27 2015-08-19 辽宁工程技术大学 一种基于多模型预测瓦斯浓度的软测量方法及系统
CN105930916A (zh) * 2016-04-07 2016-09-07 大连理工大学 一种基于并行模块化神经网络的副产煤气实时预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"动态自适应模块化神经网络结构设计";张昭昭;《控制与决策》;20140131;第29卷(第1期);第1章、第2.3节、第4章 *

Also Published As

Publication number Publication date
CN106503792A (zh) 2017-03-15

Similar Documents

Publication Publication Date Title
CN106503792B (zh) 一种基于自适应模块化神经网络的瓦斯浓度预测方法
CN107525907B (zh) 地下水污染监测网多目标优化方法
Sun et al. Data-driven models for accurate groundwater level prediction and their practical significance in groundwater management
CN104850901B (zh) 一种基于多模型预测瓦斯浓度的软测量方法及系统
CN104021267B (zh) 一种地质灾害易发性判定方法和装置
Amiri et al. Improving water saturation estimation in a tight shaly sandstone reservoir using artificial neural network optimized by imperialist competitive algorithm–A case study
CN104156422A (zh) 一种基于动态神经网络的瓦斯浓度实时预测方法
Ito et al. Play fairway analysis of geothermal resources across the state of Hawaii: 2. Resource probability mapping
CN113720639B (zh) 一种污染场地调查补充采样的方法
Zhang et al. Mineral prospectivity mapping with weights of evidence and fuzzy logic methods
CN111476472A (zh) 硫铁矿山地质环境评价方法
CN107358363A (zh) 基于径向基函数神经网络组合模型的煤工发病率预测方法
Liu et al. Improving the distributed hydrological model performance in upper Huai River basin: using streamflow observations to update the basin states via the ensemble Kalman filter
CN105046453A (zh) 一种引入云模型进行评价选择的建设工程项目群构建方法
CN111882244A (zh) 基于层次框架的多源国土开发风险评估体系的构建方法
CN111144637A (zh) 基于机器学习的区域电网地质灾害预报模型构建方法
CN109118004A (zh) 一种工程构筑选址适宜区预测方法
CN105447292A (zh) 一种油气预探井筛选方法
Du et al. Risk evaluation of colluvial cutting slope based on fuzzy analytic hierarchy process and multilevel fuzzy comprehensive evaluation
Wang et al. A novel evaluation method for the stability of construction sites on an abandoned goaf: A case study
Kühn et al. Multivariate regression model from water level and production rate time series for the geothermal reservoir Waiwera (New Zealand)
CN104502962B (zh) 一种设计炮点的方法及装置
CN110458722A (zh) 基于多目标随机向量函数连接网络的洪水区间预报方法
CN116090696A (zh) 适用于山区铁路沿线的滑坡地质灾害风险分类预测方法
Zhang et al. Assessment of Geological Hazards in Ningde Based on Hybrid Intelligent Algorithm.

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20181101

Address after: No. 58, Yanta Middle Road, Xi'an, Shaanxi, Shaanxi

Applicant after: XI'AN University OF SCIENCE AND TECHNOLOGY

Address before: 125105 Longwan South Street, Huludao, Huludao, Liaoning

Applicant before: Liaoning Technical University

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20181218

Termination date: 20211025

CF01 Termination of patent right due to non-payment of annual fee