CN109657361B - 瓦斯含量预测方法、终端设备及计算机可读存储介质 - Google Patents

瓦斯含量预测方法、终端设备及计算机可读存储介质 Download PDF

Info

Publication number
CN109657361B
CN109657361B CN201811574454.4A CN201811574454A CN109657361B CN 109657361 B CN109657361 B CN 109657361B CN 201811574454 A CN201811574454 A CN 201811574454A CN 109657361 B CN109657361 B CN 109657361B
Authority
CN
China
Prior art keywords
input vector
gas content
input
value
content prediction
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.)
Active
Application number
CN201811574454.4A
Other languages
English (en)
Other versions
CN109657361A (zh
Inventor
王丹
王纯斌
赵神州
覃进学
蓝科
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.)
Chengdu Sefon Software Co Ltd
Original Assignee
Chengdu Sefon Software Co Ltd
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 Chengdu Sefon Software Co Ltd filed Critical Chengdu Sefon Software Co Ltd
Priority to CN201811574454.4A priority Critical patent/CN109657361B/zh
Publication of CN109657361A publication Critical patent/CN109657361A/zh
Application granted granted Critical
Publication of CN109657361B publication Critical patent/CN109657361B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Pipeline Systems (AREA)

Abstract

本发明公开了一种瓦斯含量预测方法、终端设备及计算机可读存储介质，该方法包括：根据瓦斯相关参数构建瓦斯含量预测模型；初始化第一预定数量的输入向量的值，根据输入向量的值确定最优输入向量；将除最优输入向量之外的其他所有输入向量分为两组；分别计算第一组中的每一输入向量及第二组中每一输入向量对应的新值；对两组中所有新值进行寻优操作，根据寻优结果更新最优输入向量；将最优输入向量中值赋予瓦斯含量预测模型，通过第二预定数量的样本数据对预测模型进行训练得到误差值，并继续寻找最优输入向量直至达到预设条件后停止训练。本发明能够较好的预测瓦斯含量，对于煤矿生产安全具有重要意义。

Description

瓦斯含量预测方法、终端设备及计算机可读存储介质
技术领域
本发明涉及深度学习技术领域，具体而言，涉及一种瓦斯含量预测方法、终端设备及计算机可读存储介质。
背景技术
瓦斯是古代植物在堆积成煤的初期，纤维素和有机质经厌氧菌的作用分解而成。在高温、高压的环境中，在成煤的同时，由于物理和化学作用，继续生成瓦斯。瓦斯对空气的相对密度是0.554，在标准状态下瓦斯的密度为0.716kg/m3，瓦斯的渗透能力是空气的1.6倍，难溶于水，不助燃也不能维持呼吸，达到一定浓度时，能使人因缺氧而窒息，并能发生燃烧或爆炸。瓦斯在煤体或围岩中是以游离状态和吸着状态存在的。
瓦斯涌出量达到一定浓度时，是导致煤矿瓦斯灾害的主要来源，其直接影响煤矿安全生产和经济技术指标。因此，准确预测瓦斯涌出量，对于指导矿井设计和安全生产具有重要意义。
发明内容
鉴于上述问题，本发明实施例的目的在于提供一种瓦斯含量预测方法、终端设备及计算机可读存储介质，以解决现有技术的不足。
根据本发明的一个实施方式，提供一种瓦斯含量预测方法，包括：
S1根据瓦斯相关参数构建瓦斯含量预测模型；
S2根据所述瓦斯含量预测模型中所有的权值和神经元阈值作为输入向量的维数，初始化第一预定数量的输入向量的值；
S3根据所述输入向量的值与目标函数对所述第一预定数据量的输入向量进行寻优操作以确定最优输入向量；
S4将除所述最优输入向量之外的其他所有输入向量分为两组；
S5计算第一组中的每一输入向量的繁殖数目，根据所述繁殖数目计算该输入向量对应的新值，根据初始化的搜索角度计算搜索方向，及根据所述搜索方向计算第二组中每一输入向量对应的新值；
S6根据第一组中所有输入向量的新值及第二组中所有输入向量的新值对两组输入向量进行所述寻优操作，根据寻优结果更新所述最优输入向量；
S7将所述最优输入向量中权值和阈值赋予所述瓦斯含量预测模型，通过第二预定数量的样本数据对瓦斯含量预测模型进行训练，并继续执行步骤S3及后续步骤直至达到预设条件后停止训练，根据训练好的瓦斯含量预测模型进行瓦斯含量预测。
在上述的瓦斯含量预测方法中，所述瓦斯含量预测模型包括输入层、预定数量的隐藏层及输出层；
所述“根据瓦斯相关参数构建瓦斯含量预测模型”包括：
将瓦斯相关参数作为输入层参数及根据输入层参数的个数和输出层参数的个数确定隐藏层神经元数目，根据该神经元数目为所述预定数量的隐藏层分配神经元，其中，每一神经元均采用如下所示的模型公式：
Figure BDA0001916359430000021
其中，Q为神经元的输出，n为输入层中瓦斯相关参数的个数，wi为输入层中第i个瓦斯相关参数对应的权值，xi为输入层中第i个瓦斯相关参数，m为前一时刻瓦斯含量预测模型的输出参数的个数，yj为前一时刻瓦斯含量预测模型的第j个输出参数，b为神经元阈值。
在上述的瓦斯含量预测方法中，通过下述公式对所述第一预定数量的输入向量的值进行初始化：
xij＝β(xup-xdown)+xdown
其中，xij为输入向量的值，β为混沌随机数，其取值范围为(0，1)，[xdown,xup]为xij的定义域。
在上述的瓦斯含量预测方法中，所述“根据所述输入向量的值与目标函数对所述第一预定数据量的输入向量进行寻优操作以确定最优输入向量”包括：
分别将所有输入向量的权值和阈值赋予所述瓦斯含量预测模型，通过预定样本数据对每一输入向量对应的瓦斯含量预测模型进行训练得到瓦斯含量的预测值，其中，所述样本数据中包括瓦斯含量的实际值；
将每一输入向量对应的样本数据的数目、瓦斯含量的预测值及瓦斯含量的实际值通过所述目标函数后得到对应目标值，所述目标函数为：
Figure BDA0001916359430000031
其中，g为目标函数，k为每一输入向量对应样本数据的数目，
Figure BDA0001916359430000032
为每一输入向量对应的第i个样本数据通过所述瓦斯含量预测模型后输出的瓦斯含量的预测值，yi为每一输入向量对应的第i个样本数据的瓦斯含量的实际值；
将所有输入向量的目标值进行排序，选取最小目标值对应的输入向量作为最优输入向量。
在上述的瓦斯含量预测方法中，所述“计算第一组中的每一输入向量的繁殖数目，根据所述繁殖数目计算该输入向量对应的新值”包括：
根据所述最小目标值计算所述输入向量的繁殖数目：
N＝round(exp(f/fbest))
其中，N为第一组中所述输入向量的繁殖数目，f为第一组中所述输入向量的目标值，fbest为最小目标值；
根据所述繁殖数目计算该输入向量对应的新值：
xij k+1＝xij kSN+(1-SN)xbest
其中，xij k+1为第一组中所述输入向量对应的新值，xij k为第一组中所述输入向量对应的值，S为混沌算子，xbest为最优输入向量。
在上述的瓦斯含量预测方法中，所述“根据初始化的搜索角度计算搜索方向，及根据所述搜索方向计算第二组中每一输入向量对应的新值”包括：
根据下式计算搜索方向：
Figure BDA0001916359430000041
其中，Dij k为搜索方向，
Figure BDA0001916359430000042
为第二组中第i个输入向量的搜索角度；
根据下式计算第二组中每一输入向量对应的新值：
xij k+1＝xij k+r·levy·Dij k
其中，xij k+1为第二组中第i个输入向量对应的新值，xij k为第二组中第i个输入向量对应的值，r为随机数，其取值范围为(0，1)，levy为第二组中输入向量采用莱维飞行随机游走，Dij k为第二组中第i个输入向量的搜索方向。
在上述的瓦斯含量预测方法中，所述“将除所述最优输入向量之外的其他所有输入向量分为两组”包括：
确定第一组中所有输入向量和第二组中所有输入向量的总数，同时设定第一组中所有输入向量的个数和第二组中所有输入向量的个数的比值，根据所述总数和所述比值将所述最优输入向量之外的其他所有输入向量分为两组。
在上述的瓦斯含量预测方法中，所述预设条件为训练次数达到预设阈值或者所述误差值不再发生改变。
根据本发明的另一个实施方式，提供一种瓦斯含量预测装置，该装置包括：
构建模块，用于根据瓦斯相关参数构建瓦斯含量预测模型；
初始化模块，用于根据所述瓦斯含量预测模型中所有的权值和神经元阈值作为输入向量的维数，初始化第一预定数量的输入向量的值；
第一寻优模块，用于根据所述输入向量的值与目标函数对所述第一预定数据量的输入向量进行寻优操作以确定最优输入向量；
分组模块，用于将除所述最优输入向量之外的其他所有输入向量分为两组；
计算模块，用于计算第一组中的每一输入向量的繁殖数目，根据所述繁殖数目计算该输入向量对应的新值，根据初始化的搜索角度计算搜索方向，及根据所述搜索方向计算第二组中每一输入向量对应的新值；
第二寻优模块，用于根据第一组中所有输入向量的新值及第二组中所有输入向量的新值对两组输入向量进行寻优操作，根据寻优结果更新所述最优输入向量；
训练模块，用于将所述最优输入向量中权值和阈值赋予所述瓦斯含量预测模型，通过第二预定数量的样本数据对瓦斯含量预测模型进行训练，并继续执行所述第一寻优模块及后续所有模块中的功能直至达到预设条件后停止训练，根据训练好的瓦斯含量预测模型进行瓦斯含量预测。
根据本发明的再一个实施方式，提供一种终端设备，所述终端设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述终端设备执行上述的瓦斯含量预测方法。
根据本发明的又一个实施方式，提供一种计算机可读存储介质，其存储有所述终端设备中所用的所述计算机程序。
本公开的实施例提供的技术方案可以包括如下有益效果：
本发明中一种瓦斯含量预测方法、终端设备及计算机可读存储介质，将瓦斯含量预测模型中所有的权值和阈值作为输入向量，并在多个输入向量中寻找最优输入向量，并将除最优输入向量之外的其他输入向量分为两组，分别进行不同的操作得到输入向量的新值，在所有的新值中重新进行寻优操作，根据寻优结果对最优输入向量进行更新，避免选优操作陷入局部最优，无法跳出局部最优的情况，将寻找的最优的输入向量中阈值和权值赋予瓦斯含量预测模型，对瓦斯含量预测模型进行训练，循环执行多次寻优操作对瓦斯含量预测模型进行训练直到训练结果达到条件时结束训练，收敛速度快，避免了认为确定各种权值和阈值对瓦斯含量预测的影响，实现瓦斯含量预测的自动化。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明第一实施例提供的一种瓦斯含量预测方法的流程示意图。
图2示出了本发明实施例提供的一种瓦斯含量预测模型的示意图。
图3示出了本发明实施例提供的一种神经元模型的示意图。
图4示出了本发明第二实施例提供的一种瓦斯含量预测方法的流程示意图。
图5示出了本发明实施例提供的一种瓦斯含量预测装置的结构示意图。
主要元件符号说明：
500-瓦斯含量预测装置；510-构建模块；520-初始化模块；530-第一寻优模块；540-分组模块；550-计算模块；560-第二寻优模块；570-训练模块。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
图1示出了本发明第一实施例提供的一种瓦斯含量预测方法的流程示意图。
该瓦斯含量预测方法包括以下步骤：
在步骤S110中，根据瓦斯含量参数构建瓦斯含量预测模型。
具体地，所述瓦斯含量参数可以选取影响采煤工作面瓦斯涌出量的主要因素，例如，工作面煤层埋藏深度、煤层厚度、煤层瓦斯含量、工作面煤层与邻近煤层的层间距、工作面平均日进度及工作面平均日产量等。
具体地，所述瓦斯含量预测模型包括输入层、预定数量的隐藏层及输出层。
进一步地，所述“根据瓦斯相关参数构建瓦斯含量预测模型”包括：
将瓦斯相关参数作为输入层参数及根据输入层参数的个数和输出层参数的个数确定隐藏层神经元数目，根据该神经元数目为所述预定数量的隐藏层分配神经元。
具体地，通过下式计算隐藏层神经元数目：
Figure BDA0001916359430000081
其中，m为隐藏层神经元数目，n为输入层的输入参数的个数，l为输出层的输出参数的个数。
若得到的m不是整数，对m进行向上取整。
例如，如图2所示，n可取为6，l可取1，m为3.6457，对m向上取整后，m＝4。
本实施例中，可将每一隐藏层设置为一个神经元，例如，在输入层有6个输入参数，输出层有1个输出参数时，该瓦斯含量预测模型可包括4个隐藏层，每一层具有一个神经元。
其中，如图3所示，每一神经元模型公式如下所示：
Figure BDA0001916359430000082
其中，Q为神经元的输出，函数f为非线性激活函数，n为输入层中瓦斯相关参数的个数，wi为输入层中第i个瓦斯相关参数对应的权值，xi为输入层中第i个瓦斯相关参数，m为前一时刻瓦斯含量预测模型的输出参数的个数，yj为前一时刻瓦斯含量预测模型的第j个输出参数，b为神经元阈值。
本实施例中，所述非线性激活函数为Sigmoid函数。在一些其他的实施例中，所述非线性激活函数还可以为tanh函数等。
在瓦斯含量预测模型中，将输入参数x1(工作面煤层埋藏深度)、x2(煤层厚度)、x3(煤层瓦斯含量)x4(工作面煤层与邻近煤层的层间距)、x5(工作面平均日进度)及x6(工作面平均日产量)送入第一隐藏层的神经元模型公式后，得到第一隐藏层的输出，将第一隐藏层的输出及输入参数x1～x6送入第二隐藏层的神经元模型公式后，得到第二隐藏层的输出，将第二隐藏层的输出及输入参数x1～x6送入第三隐藏层的神经元模型公式后，得到第三隐藏层的输出，等等，依次类推，直到得到最后一个隐藏层的神经元的输出，将该最后一个隐藏层的神经元的输出作为瓦斯含量预测模型的输出。
在步骤S120中，根据瓦斯含量预测模型中所有的权值和神经元阈值作为输入向量的维数，初始化第一预定数量的输入向量的值。
具体地，瓦斯含量预测模型中所有的权值和神经元阈值中包括径向基层的权值和阈值，还包括输出层中的权值。
由图2和图3可知，若输入层共有六个输入参数，输出层共有一个输出参数，那么该瓦斯含量预测模型中四个隐藏层中共有6×4+4＝28个权值和神经元阈值，以28作为输入向量的维数，初始化第一预定数量个28维的输入向量的值。
进一步地，通过下述公式对所述第一预定数量的输入向量的值进行初始化：
xij＝β(xup-xdown)+xdown
其中，xij为输入向量的值，β为混沌随机数，其取值范围为(0，1)，其比rand随机数遍历性强，随机性更强，[xdown,xup]为xij的定义域。
在步骤S130中，根据输入向量的值与目标函数对第一预定数据量的输入向量进行寻优操作以确定最优输入向量。
具体地，在步骤S130之前还需要确定目标函数：
Figure BDA0001916359430000091
其中，g为目标函数，k为每一输入向量对应样本数据的数目，
Figure BDA0001916359430000092
为每一输入向量对应的第i个样本数据通过所述瓦斯含量预测模型后输出的瓦斯含量的预测值，yi为每一输入向量对应的第i个样本数据的瓦斯含量的实际值。
进一步地，所述“根据输入向量的值与目标函数对第一预定数据量的输入向量进行寻优操作以确定最优输入向量”包括：
分别将每一输入向量中权值和阈值赋予所述瓦斯含量预测模型，通过预定样本数据对每一输入向量对应的瓦斯含量预测模型进行训练得到瓦斯含量的预测值，其中，所述样本数据中包括瓦斯含量的实际值；将每一输入向量对应的样本数据的数目、瓦斯含量的预测值及瓦斯含量的实际值通过所述目标函数后得到对应目标值；将所有输入向量的目标值进行排序，选取最小目标值对应的输入向量作为最优输入向量。
具体地，根据初始化的第一预定数量的输入向量的值为所述瓦斯含量预测模型赋予对应权值及阈值，在该赋值后的瓦斯含量预测模型中，通过第二预定数量的预定样本数据对该瓦斯含量预测模型进行训练，得到每一样本数据对应的瓦斯含量的预测值，将每一输入向量对应的第二预定数量样本数据对应的所有瓦斯含量的预测值代入上述的目标函数，得到该输入向量对应的目标值。
将第一预定数量的输入向量对应的目标值进行排序，选取最小目标值对应的输入向量作为最优输入向量，该最小目标值为最优目标值。
在步骤S140中，将除最优输入向量之外的其他所有输入向量分为两组。
进一步地，所述“将除所述最优输入向量之外的其他所有输入向量分为两组”包括：
确定第一组中所有输入向量和第二组中所有输入向量的总数，同时设定第一组中所有输入向量的个数和第二组中所有输入向量的个数的比值，根据所述总数和所述比值将所述最优输入向量之外的其他所有输入向量分为两组。
本实施例中，可通过经验预先设定两组输入向量的比例。
确定两组输入向量的比例后，根据该比例和两组输入向量的总数确定每一组中对应的输入向量的个数。其中，两组输入向量的总数为第一预定数量的值减一。
具体地，若根据比例和总数得到的其中一组中输入向量的个数为小数，则将小数点后的小数舍去，只取小数点前面的整数，将总数减去该整数后得到另外一组中输入向量的个数。
例如，若比例为1/3，两组输入向量的总数10，那么根据比例1/3和总数10计算各组输入向量的个数：1/3×10约等于3.3333，那么第一组中输入向量的个数为3.3333，那么将第一组中输入向量的个数取3，第二组中输入向量的个数为10-3＝7个。
可将第一组的输入向量进行迁移操作，将第二组的输入向量进行探索操作。
在步骤S150中，计算第一组中的每一输入向量的繁殖数目，根据繁殖数目计算该输入向量对应的新值，根据初始化的搜索角度计算搜索方向，及根据搜索方向计算第二组中每一输入向量对应的新值。
具体地，所述迁移操作与繁殖数目相关，每个输入向量的繁殖数目依赖于其当前的目标值，其在每步中能够繁衍的同类数目依赖于自身的目标值，目标值越优，繁殖数目越多。
进一步地，所述“计算第一组中的每一输入向量的繁殖数目，根据繁殖数目计算该输入向量对应的新值”包括：
根据所述最小目标值计算所述输入向量的繁殖数目：
N＝round(exp(f/fbest))
其中，N为第一组中所述输入向量的繁殖数目，f为第一组中所述输入向量的目标值，fbest为最小目标值；
根据所述繁殖数目计算该输入向量对应的新值：
xij k+1＝xij kSN+(1-SN)xbest
其中，xij k+1为第一组中所述输入向量对应的新值，xij k为第一组中所述输入向量对应的值，S为混沌算子，xbest为最优输入向量。
探索操作需要通过环境进行导航，不受各组中其他输入向量的影响。
进一步地，所述“根据初始化的搜索角度计算搜索方向，及根据搜索方向计算第二组中每一输入向量对应的新值”包括：
根据下式计算搜索方向：
Figure BDA0001916359430000121
其中，Dij k为搜索方向，
Figure BDA0001916359430000122
为第二组中第i个输入向量的搜索角度；
根据下式计算第二组中每一输入向量对应的新值：
xij k+1＝xij k+r·levy·Dij k
其中，xij k+1为第二组中第i个输入向量对应的新值，xij k为第二组中第i个输入向量对应的值，r为随机数，其取值范围为(0，1)，levy为第二组中输入向量采用莱维飞行随机游走，Dij k为第二组中第i个输入向量的搜索方向。
在步骤S160中，根据第一组中所有输入向量的新值及第二组中所有输入向量的新值对两组输入向量进行寻优操作，根据寻优结果更新最优输入向量。
具体地，由于第一组中所有输入向量进行迁移操作后得到了各输入向量的新值，第二组中所有输入向量进行探索操作后得到了各输入向量的新值。
那么，将第一组中和第二组中所有输入向量的新值分别代入上述的目标函数，得到该所有输入向量对应的目标值，将第一组中和第二组中所有输入向量的目标值进行排序，得到最小目标值，将最小目标值与最优输入向量对应的最优目标值进行对比，若该最小目标值小于所述最优输入向量的目标值，将最优目标值更新为该最小目标值，将最优输入向量更新为该最小目标值对应的输入向量；若该最小目标值不小于所述最优输入向量的目标值，则不进行更新操作。
在步骤S170中，将最优输入向量中权值和阈值赋予瓦斯含量预测模型，通过第二预定数量的样本数据对瓦斯含量预测模型进行训练。
具体地，将得到的该最优输入向量中的权值和神经元阈值赋予所述瓦斯含量预测模型，通过第二预定数量的样本数据对赋值的瓦斯含量预测模型进行训练，得到每一样本数据对应的瓦斯含量的预测值。
在步骤S180中，判断是否达到预设条件。
进一步地，所述预设条件为训练次数达到预设阈值或者所述误差值不再发生改变。
具体地，若预设条件为训练次数达到预设阈值，将当前训练次数与预设阈值进行比较，若所述训练次数未达到预设阈值，则未达到预设条件，返回至步骤S130循环执行步骤S130及后续步骤的操作，直至当前训练次数达到预设阈值后，前进至步骤S210。
若预设条件为误差值不再发生改变，所述误差值为将最优输入向量对应的所有样本数据的瓦斯含量的预测值与瓦斯含量的实际值通过上述的目标函数后得到的值。
将该次的误差值与上一训练的误差值进行对比，若预设个数的误差值不再发生改变，那么前进至步骤S210；否则，返回值步骤S130循环执行步骤S130及后续步骤的操作，继续对水体参数预测模型进行训练。
值得注意的是，步骤S130至步骤S180为对第一预定数量的输入向量进行全局寻优的所有步骤，当未达到预设条件时，重复执行步骤S130至步骤S160的操作，进行新一轮的寻优操作得到最优输入向量，将最优输入向量通过步骤S170赋予瓦斯含量预测模型新的权值和神经元阈值，对瓦斯含量预测模型进行新一轮的训练，直到达到预设条件时，结束训练。
在步骤S190中，停止训练，根据训练好的瓦斯含量预测模型进行瓦斯含量预测。
通过将每一轮全部寻优操作(步骤S130至步骤S160的操作)后得到该轮对应的最优输入向量，根据该最优输入向量的值自动为瓦斯含量预测模型中的权值及神经元阈值进行赋值，得到对应的瓦斯含量预测值，重复执行多轮全部寻优操作，将将多轮全部寻优操作的后的最优输入向量赋予为瓦斯含量预测模型中的权值及神经元阈值进行赋值，得到对应的瓦斯含量预测值，根据该多轮寻优操作对应的瓦斯含量预测值判断是否达到预设条件，若达到预设条件，则停止下一轮的全部寻优操作，根据达到条件时的最优输入向量的值为瓦斯含量预测模型赋权值及神经元阈值，并根据赋值后的瓦斯含量预测模型对不同输入参数的瓦斯含量进行预测，真正实现了瓦斯含量预测模型的自动化，收敛速度慢，并避免确定最优输入向量时容易陷入局部最优解的难点，避免了人为确定参数的不确定性，为煤矿安全生产管理提供良好依据。
实施例2
图4示出了本发明第二实施例提供的一种瓦斯含量预测方法的流程示意图。
该瓦斯含量预测方法包括以下步骤：
在步骤S210中，根据瓦斯含量参数构建瓦斯含量预测模型。
在步骤S220中，定义目标函数，初始化第一预定数量的输入向量的值。
在步骤S230中，根据输入向量的值与目标函数进行寻优操作确定最优输入向量及对应的目标值。
在步骤S240中，将除最优输入向量之外的其他所有输入向量分为两组。
在步骤S250中，计算第一组中每一输入向量的繁殖数目，根据繁殖数目计算该输入向量对应的新值。
在步骤S260中，根据搜索角度计算搜索方向，根据搜索方向计算第二组每一输入向量的新值。
在步骤S270中，根据第一组所有输入向量的新值及第二组所有输入向量的新值进行寻优操作，根据寻优结果更新最优输入向量。
在步骤S280中，将最优输入向量中权值和阈值赋予瓦斯含量预测模型。
在步骤S290中，将样本数据进行归一化处理。
具体地，样本数据表达的合理性对于瓦斯含量预测模型的预测具有重要的影响，可通过将输入的样本数据进行归一化处理，防止输出饱和，以解决样本数据数据量不统一造成的对瓦斯含量预测模型的预测结果的影响。
进一步地，通过下式对样本数据进行归一化处理：
Figure BDA0001916359430000151
其中，I(t)为样本数据归一化处理的结果，d(t)为样本数据。
在步骤S300中，输入归一化处理后的样本数据并根据样本数据对瓦斯含量预测模型进行训练。
在步骤S310中，判断是否达到预设条件。
在步骤S320中，停止训练，根据训练好的瓦斯含量预测模型进行瓦斯含量预测。
在步骤S330中，将预测结果进行反归一化处理得到真实预测值。
由于输入层输入的样本数据中已经进行归一化处理，例如，将样本数据限制在[0,1]范围内，在瓦斯含量预测模型的输出层的输出参数同样为限制在[0,1]范围内的数据。因此，将该限制在[0,1]范围内的数据进行反归一化处理，得到该限制在[0,1]范围内的数据对应的真实预测值。
进一步地，可通过下式进行反归一化处理：
T(t)＝o(t)*(max(d(t))-min(d(t)))+min(d(t))
其中，T(t)为真实预测值，o(t)为瓦斯含量预测模型的输出层的输出参数。
实施例3
图5示出了本发明实施例提供的一种瓦斯含量预测装置的结构示意图。该瓦斯含量预测装置500对应于实施例1中的瓦斯含量预测方法，实施例1中的瓦斯含量预测方法同样也适用于该瓦斯含量预测装置500，在此不再赘述。
所述瓦斯含量预测装置500包括构建模块510、初始化模块520、第一寻优模块530、分组模块540、计算模块550、第二寻优模块560及训练模块570。
构建模块510，用于根据瓦斯相关参数构建瓦斯含量预测模型。
初始化模块520，用于根据所述瓦斯含量预测模型中所有的权值和神经元阈值作为输入向量的维数，初始化第一预定数量的输入向量的值。
第一寻优模块530，用于根据所述输入向量的值与目标函数对所述第一预定数据量的输入向量进行寻优操作以确定最优输入向量。
分组模块540，用于将除所述最优输入向量之外的其他所有输入向量分为两组。
计算模块550，用于计算第一组中的每一输入向量的繁殖数目，根据所述繁殖数目计算该输入向量对应的新值，根据初始化的搜索角度计算搜索方向，及根据所述搜索方向计算第二组中每一输入向量对应的新值。
第二寻优模块560，用于根据第一组中所有输入向量的新值及第二组中所有输入向量的新值对两组输入向量进行寻优操作，根据寻优结果更新所述最优输入向量。
训练模块570，用于将所述最优输入向量中权值和阈值赋予所述瓦斯含量预测模型，通过第二预定数量的样本数据对瓦斯含量预测模型进行训练，并继续执行所述第一寻优模块及后续所有模块中的功能直至达到预设条件后停止训练，根据训练好的瓦斯含量预测模型进行瓦斯含量预测。
本发明另一实施例还提供了一种终端设备，所述终端设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述终端设备执行上述的瓦斯含量预测方法或上述的瓦斯含量预测装置中各模块的功能。
存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
该终端设备可以为计算机终端(台式电脑、服务器等)，还可以为移动终端(手机、平板的电脑、笔记本电脑等)。
本实施例还提供了一种计算机可读存储介质，用于储存上述的终端设备中所使用的瓦斯含量预测方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种瓦斯含量预测方法，其特征在于，包括：
S1根据瓦斯相关参数构建瓦斯含量预测模型；
S2根据所述瓦斯含量预测模型的隐藏层中所有的权值和神经元阈值数量的总和作为输入向量的维数，初始化第一预定数量的输入向量的值；
S3根据所述输入向量的值与目标函数对所述第一预定数量的输入向量进行寻优操作以确定最优输入向量；
S4将除所述最优输入向量之外的其他所有输入向量分为两组；
S5计算第一组中的每一输入向量的繁殖数目，根据所述繁殖数目计算该输入向量对应的新值，根据初始化的搜索角度计算搜索方向，及根据所述搜索方向计算第二组中每一输入向量对应的新值；
S6根据第一组中所有输入向量的新值及第二组中所有输入向量的新值对两组输入向量进行所述寻优操作，根据寻优结果更新所述最优输入向量；
S7将所述最优输入向量中权值和阈值赋予所述瓦斯含量预测模型，通过第二预定数量的样本数据对瓦斯含量预测模型进行训练，并继续执行步骤S3及后续步骤直至达到预设条件后停止训练，根据训练好的瓦斯含量预测模型进行瓦斯含量预测；
所述瓦斯含量预测模型包括输入层、预定数量的隐藏层及输出层；
所述“根据瓦斯相关参数构建瓦斯含量预测模型”包括：
将瓦斯相关参数作为输入层参数及根据输入层参数的个数和输出层参数的个数确定隐藏层神经元数目，根据该神经元数目为所述预定数量的隐藏层分配神经元，其中，每一神经元均采用如下所示的模型公式：
Figure FDA0003750919120000011
其中，Q为神经元的输出，n为输入层中瓦斯相关参数的个数，wi为输入层中第i个瓦斯相关参数对应的权值，xi为输入层中第i个瓦斯相关参数，m为前一时刻瓦斯含量预测模型的输出参数的个数，yj为前一时刻瓦斯含量预测模型的第j个输出参数，b为神经元阈值。
2.根据权利要求1所述的瓦斯含量预测方法，其特征在于，通过下述公式对所述第一预定数量的输入向量的值进行初始化：
xij＝β(xup-xdown)+xdown
其中，xij为输入向量的值，β为混沌随机数，其取值范围为(0，1)，[xdown,xup]为xij的定义域。
3.根据权利要求1所述的瓦斯含量预测方法，其特征在于，所述“根据所述输入向量的值与目标函数对所述第一预定数量的输入向量进行寻优操作以确定最优输入向量”包括：
分别将所有输入向量的权值和阈值赋予所述瓦斯含量预测模型，通过预定样本数据对每一输入向量对应的瓦斯含量预测模型进行训练得到瓦斯含量的预测值，其中，所述样本数据中包括瓦斯含量的实际值；
将每一输入向量对应的样本数据的数目、瓦斯含量的预测值及瓦斯含量的实际值通过所述目标函数后得到对应目标值，所述目标函数为：
Figure FDA0003750919120000021
其中，g为目标函数，k为每一输入向量对应样本数据的数目，
Figure FDA0003750919120000022
为每一输入向量对应的第i个样本数据通过所述瓦斯含量预测模型后输出的瓦斯含量的预测值，yi为每一输入向量对应的第i个样本数据的瓦斯含量的实际值；
将所有输入向量的目标值进行排序，选取最小目标值对应的输入向量作为最优输入向量。
4.根据权利要求3所述的瓦斯含量预测方法，其特征在于，所述“计算第一组中的每一输入向量的繁殖数目，根据所述繁殖数目计算该输入向量对应的新值”包括：
根据所述最小目标值计算所述输入向量的繁殖数目：
N＝round(exp(f/fbest))
其中，N为第一组中所述输入向量的繁殖数目，f为第一组中所述输入向量的目标值，fbest为最小目标值；
根据所述繁殖数目计算该输入向量对应的新值：
xij k+1＝xij kSN+(1-SN)xbest
其中，xij k+1为第一组中所述输入向量对应的新值，xij k为第一组中所述输入向量对应的值，S为混沌算子，xbest为最优输入向量。
5.根据权利要求1所述的瓦斯含量预测方法，其特征在于，所述“根据初始化的搜索角度计算搜索方向，及根据所述搜索方向计算第二组中每一输入向量对应的新值”包括：
根据下式计算搜索方向：
Figure FDA0003750919120000031
其中，Dij k为搜索方向，
Figure FDA0003750919120000032
为第二组中第i个输入向量的搜索角度；
根据下式计算第二组中每一输入向量对应的新值：
xij k+1＝xij k+r·levy·Dij k
其中，xij k+1为第二组中第i个输入向量对应的新值，xij k为第二组中第i个输入向量对应的值，r为随机数，其取值范围为(0，1)，levy为第二组中输入向量采用莱维飞行随机游走。
6.根据权利要求1所述的瓦斯含量预测方法，其特征在于，所述“将除所述最优输入向量之外的其他所有输入向量分为两组”包括：
确定第一组中所有输入向量和第二组中所有输入向量的总数，同时设定第一组中所有输入向量的个数和第二组中所有输入向量的个数的比值，根据所述总数和所述比值将所述最优输入向量之外的其他所有输入向量分为两组。
7.根据权利要求1所述的瓦斯含量预测方法，其特征在于，所述预设条件为训练次数达到预设阈值或者误差值不再发生改变。
8.一种终端设备，其特征在于，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述终端设备执行权利要求1至7任一项所述的瓦斯含量预测方法。
9.一种计算机可读存储介质，其特征在于，其储存有权利要求8所述终端设备中所用的所述计算机程序。
CN201811574454.4A 2018-12-21 2018-12-21 瓦斯含量预测方法、终端设备及计算机可读存储介质 Active CN109657361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811574454.4A CN109657361B (zh) 2018-12-21 2018-12-21 瓦斯含量预测方法、终端设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811574454.4A CN109657361B (zh) 2018-12-21 2018-12-21 瓦斯含量预测方法、终端设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109657361A CN109657361A (zh) 2019-04-19
CN109657361B true CN109657361B (zh) 2022-09-13

Family

ID=66115362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811574454.4A Active CN109657361B (zh) 2018-12-21 2018-12-21 瓦斯含量预测方法、终端设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109657361B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334451B (zh) * 2019-07-09 2021-04-02 精英数智科技股份有限公司 确定影响瓦斯浓度变化的因素及趋势的方法、装置及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529725A (zh) * 2016-11-10 2017-03-22 河南理工大学 一种基于萤火虫算法和som网络的瓦斯突出预测方法
CN106869990A (zh) * 2017-03-02 2017-06-20 新疆大学 基于lvq‑cpso‑bp算法的煤体瓦斯渗透率预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9229127B2 (en) * 2013-02-21 2016-01-05 Saudi Arabian Oil Company Methods program code, computer readable media, and apparatus for predicting matrix permeability by optimization and variance correction of K-nearest neighbors

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529725A (zh) * 2016-11-10 2017-03-22 河南理工大学 一种基于萤火虫算法和som网络的瓦斯突出预测方法
CN106869990A (zh) * 2017-03-02 2017-06-20 新疆大学 基于lvq‑cpso‑bp算法的煤体瓦斯渗透率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Prediction of total organic carbon content in shale reservoir based on a new integrated hybrid neural network and conventional well logging curves;Linqi Zhu 等;《Journal of Geophysics and Engineering》;20180322;第15卷(第3期);第1050-1061页 *
基于小波KPCA与IQGA-ELM的煤与瓦斯突出预测研究;徐耀松 等;《传感技术学报》;20180612;第31卷(第5期);第720-725页 *

Also Published As

Publication number Publication date
CN109657361A (zh) 2019-04-19

Similar Documents

Publication Publication Date Title
Liu et al. The effect of sample size on the accuracy of species distribution models: considering both presences and pseudo‐absences or background sites
CN111406267B (zh) 使用性能预测神经网络的神经架构搜索
KR102177232B1 (ko) 압축된 순환 신경망 모델들
WO2019226451A1 (en) Multi-hop knowledge graph reasoning with reward shaping
US11308399B2 (en) Method for topological optimization of graph-based models
CN114548591B (zh) 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统
CN113705775A (zh) 一种神经网络的剪枝方法、装置、设备及存储介质
CN106803039B (zh) 一种恶意文件的同源判定方法及装置
Shafiei et al. Application of neural network and genetic algorithm in identification of a model of a variable mass underwater vehicle
CN109657361B (zh) 瓦斯含量预测方法、终端设备及计算机可读存储介质
Das et al. Network analysis of hyphae forming proteins in Candida albicans identifies important proteins responsible for pathovirulence in the organism
JP6795721B1 (ja) 学習システム、学習方法、及びプログラム
CN109783769B (zh) 一种基于用户项目评分的矩阵分解方法和装置
CN116733453A (zh) 基于蚂蚁追踪的致密气藏水侵预警的方法及系统
CN109740804B (zh) 水体质量预测方法、终端设备及计算机可读存储介质
Altay et al. Chaos numbers based a new representation scheme for evolutionary computation: applications in evolutionary association rule mining
CN114996829A (zh) 近接隧道施工条件下新建隧道设计优化方法及设备
CN110889316A (zh) 一种目标对象识别方法、装置及存储介质
JP6713099B2 (ja) 学習済モデル統合方法、装置、プログラム、ｉｃチップ、及びシステム
CN113158088A (zh) 一种基于图神经网络的位置推荐方法
Nagornov et al. tugHall: a tool to reproduce darwinian evolution of cancer cells for simulation-based personalized medicine
Mohebpour et al. CCGDC: A new crossover operator for genetic data clustering
Cococcioni mspMEA: The microcones separation parallel multiobjective evolutionary algorithm and its application to fuzzy rule-based ship classification
US20240303505A1 (en) Federated learning method and device using device clustering
Gal High level mission assignment optimization

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant