欧美在线观看视频网站,亚洲熟妇色自偷自拍另类,啪啪伊人网,中文字幕第13亚洲另类,中文成人久久久久影院免费观看 ,精品人妻人人做人人爽,亚洲a视频

基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)集成的礦井瓦斯?jié)舛戎卸唐趯崟r預(yù)測方法

文檔序號:5294137閱讀:647來源:國知局

專利名稱::基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)集成的礦井瓦斯?jié)舛戎卸唐趯崟r預(yù)測方法
技術(shù)領(lǐng)域
:本發(fā)明屬于礦井瓦斯?jié)舛阮A(yù)測領(lǐng)域,針對礦井瓦斯?jié)舛缺O(jiān)控系統(tǒng)的實時性和從短期到中期的預(yù)測要求,本發(fā)明尤其涉及一種基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)集成技術(shù)的礦井瓦斯?jié)舛戎卸唐趯崟r預(yù)測方法。
背景技術(shù)
:國家《能源中長期發(fā)展規(guī)劃綱要(2004-2020年)》確定了中國將“堅持以煤炭為主題、電力為中心、油氣和新能源全面發(fā)展的能源戰(zhàn)略”,很顯然煤炭和煤炭工業(yè)仍然是我國的能源主題和基礎(chǔ)產(chǎn)業(yè)。隨著我國對能源需求的增長,煤炭產(chǎn)量也迅速增長,給煤炭業(yè)帶來可觀的經(jīng)濟效益。然而事故頻繁發(fā)生,駭人聽聞。據(jù)統(tǒng)計,我國煤炭產(chǎn)業(yè)每年事故死亡人數(shù)近萬人,直接經(jīng)濟損失超過40億元。瓦斯災(zāi)害直接妨礙了煤礦單位的正常生產(chǎn),阻滯了煤炭工業(yè)的持續(xù)、健康、穩(wěn)定地發(fā)展,所以加強瓦斯災(zāi)害防治是確保煤炭能源的穩(wěn)定、可靠供應(yīng),促進國民經(jīng)濟全面、健康發(fā)展的重要保障。目前,國內(nèi)外學(xué)者對礦井瓦斯的預(yù)測問題已進行了深入而細致的研究,提出了很多有效的預(yù)測方法。根據(jù)歷史順序,這些方法大致可以分為傳統(tǒng)預(yù)測技術(shù)和現(xiàn)代預(yù)測技術(shù)兩大類。傳統(tǒng)預(yù)測技術(shù)屬于對瓦斯突出的靜態(tài)和不連續(xù)接觸式預(yù)測,是根據(jù)含瓦斯煤體性質(zhì)及其賦存條件的某些量化指標(biāo),如瓦斯指標(biāo)、煤層性質(zhì)指標(biāo)、地應(yīng)力指標(biāo)或其綜合指標(biāo),預(yù)測就是考察其中的單個或多個指標(biāo)是否超過臨界值。較常用的指標(biāo)有鉆屑解吸指標(biāo)、鉆孔瓦斯涌出初速度、鉆屑量、瓦斯放散指數(shù)、煤體普氏系數(shù)、瓦斯壓力等。由于瓦斯突出是由地應(yīng)力、高壓瓦斯、煤的結(jié)構(gòu)性能、地質(zhì)構(gòu)造、煤厚變化、煤體結(jié)構(gòu)及圍巖特征等諸多因素決定的,各種力學(xué)作用與這些作用所形成的地質(zhì)體,大多數(shù)都處于復(fù)雜的非線性狀態(tài),所以傳統(tǒng)技術(shù)的預(yù)測精度往往難以達到煤礦安全生產(chǎn)的要求?,F(xiàn)代預(yù)測是主要是基于數(shù)學(xué)和物理的預(yù)測技術(shù),即利用模糊理論、灰色理論、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、分形、混沌及非線性理論、流變與突變理論等通過預(yù)測礦井涌出量作為判斷瓦斯突出這一非接觸預(yù)測指標(biāo)的有效途徑。由此可見,對瓦斯涌出量(即瓦斯?jié)舛?的預(yù)測不僅具有理論上的價值,更有重大的生產(chǎn)實際意義。隨著國家對煤礦安全生產(chǎn)要求的不斷提高和企業(yè)自身發(fā)展的需要,我國各大中型煤礦都陸續(xù)裝備了礦井監(jiān)測監(jiān)控系統(tǒng),針對瓦斯等有毒氣體和重要設(shè)備進行監(jiān)控,極大地提高了礦井安全生產(chǎn)水平和安全生產(chǎn)管理效率。然而,這些監(jiān)控數(shù)據(jù)僅僅是對當(dāng)前工作狀態(tài)的一種記錄,還缺乏在未來一段時間內(nèi)對監(jiān)控數(shù)據(jù)的發(fā)展趨勢做出有效預(yù)測的舉措,事實上對瓦斯?jié)舛鹊臏?zhǔn)確預(yù)測工作對于瓦斯突出的災(zāi)害預(yù)報和預(yù)防都具有顯著的意義。目前,對瓦斯?jié)舛鹊念A(yù)測在很大程度上還屬于離線式預(yù)測,如人工神經(jīng)網(wǎng)絡(luò)和混沌時間序列等預(yù)測方法。瓦斯?jié)舛刃畔⒊掷m(xù)不斷的被采集和傳輸,如果離線預(yù)測模型不能及時的被修正和更新,勢必會影響整個模型的預(yù)測精度,最終導(dǎo)致預(yù)測失效。綜上,開發(fā)和發(fā)展礦井瓦斯?jié)舛鹊膶崟r預(yù)測方法已勢在必行。
發(fā)明內(nèi)容本發(fā)明的目的克服目前基于混沌時間序列離線預(yù)測礦井瓦斯?jié)舛鹊娜毕?,提供一種基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)集成技術(shù)的在線預(yù)測方法,實現(xiàn)從短期到中期范圍的實時預(yù)測礦井瓦斯?jié)舛?。本發(fā)明是一種基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)集成的礦井瓦斯?jié)舛戎卸唐趯崟r預(yù)測方法,本
發(fā)明內(nèi)容如下—種基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)集成的礦井瓦斯?jié)舛戎卸唐趯崟r預(yù)測方法,包括如下步驟第一步、通過瓦斯傳感器采集瓦斯?jié)舛葦?shù)據(jù),存入瓦斯?jié)舛葰v史數(shù)據(jù)庫Xlib={Xi|i=1,2,···,1}(1=n+2p);第二步、將數(shù)據(jù)庫所存的瓦斯?jié)舛葦?shù)據(jù)作為混沌時間序列進行處理,利用C-C方法計算序列的延遲時間τ和嵌入維數(shù)m;第三步、設(shè)定徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)集成的容量參數(shù)P和更新時間t;第四步、建立徑向基函數(shù)網(wǎng)絡(luò)集成的預(yù)測模型,步驟如下(1)分別建立相空間重構(gòu)Xi和ρ步預(yù)測向量Yi+P(i=l+(m-l)τ,...,η+ρ),Xi=[Xin)τ,···,χ",Xi],Yi+p—[Xi+l,Xi+2,···,Xi+p],其中,Xi為i時刻采集的瓦斯?jié)舛葦?shù)據(jù);(2)根據(jù)訓(xùn)練樣本集KXi;Yi+P)Ii=l+(m-l)τ,...,η+1},整體式訓(xùn)練徑向基函數(shù)網(wǎng)絡(luò)(RBF)的預(yù)測網(wǎng)絡(luò)為f1;(3)再由增量訓(xùn)練樣本集KXi;Yi+P)Ii=n+2}在f1基礎(chǔ)上增量式訓(xùn)練RBF預(yù)測網(wǎng)絡(luò),或由KXi;Yi+P)Ii=l+(m-l)τ,...,n+2}整體式訓(xùn)練RBF網(wǎng)絡(luò)為f2;(4)以此類推,直到由增量訓(xùn)練樣本集KXi;Yi+P)Ii=η+ρ}在嚴(yán)基礎(chǔ)上增量式訓(xùn)練或由KXi;Yi+P)Ii=l+(m-l)τ,...,η+ρ}整體式訓(xùn)練RBF網(wǎng)絡(luò)為fp(5)完成徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)集成的初始化工作,得到含有ρ個RBF網(wǎng)絡(luò)的集成預(yù)測模型f1,f2,...,fP;第五步、根據(jù)RBF網(wǎng)絡(luò)集成模型進行實時預(yù)測,步驟如下(1)通過瓦斯傳感器實時采集數(shù)據(jù)Xreal=IxiIi=1+1,1+2,1+t},結(jié)合瓦斯?jié)舛葰v史數(shù)據(jù)庫Xlib,進行相空間重構(gòu)Xi=[XiH)τ,···,χ",Xi](i=l+1-p,···,1+t-l);(2)根據(jù)相空間Xi進行RBF網(wǎng)絡(luò)集成模型的預(yù)測工作,分別將Xi;Xi+1,...,X^1G=l+1-p,...,1+t-l)帶入預(yù)測模型f1,f2,...,fp,有%+ρ=[υ.+2,···ρ]=/(式)<藝+ρ+ι=[足+2,"-,足+口,足+/>+1]=f(^/+1)6得到xi+p的ρ個同步預(yù)測結(jié)果兄^^“,…,私-,然后將其加權(quán)平均值作為RBF網(wǎng)絡(luò)集成的預(yù)測值權(quán)利要求一種基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)集成的礦井瓦斯?jié)舛戎卸唐趯崟r預(yù)測方法,其特征在于,包括如下步驟第一步、通過瓦斯傳感器采集瓦斯?jié)舛葦?shù)據(jù),存入瓦斯?jié)舛葰v史數(shù)據(jù)庫Xlib={xi|i=1,2,...,l}(l=n+2p);第二步、將數(shù)據(jù)庫所存的瓦斯?jié)舛葦?shù)據(jù)作為混沌時間序列進行處理,利用CC方法計算序列的延遲時間τ和嵌入維數(shù)m;第三步、設(shè)定徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)集成的容量參數(shù)p和更新時間t;第四步、建立徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)集成的預(yù)測模型,步驟如下(1)分別建立相空間重構(gòu)Xi和p步預(yù)測向量Yi+p(i=1+(m1)τ,...,n+p),Xi=[xi(m1)τ,...,xiτ,xi],Yi+p=[xi+1,xi+2,...,xi+p],其中,xi為i時刻采集的瓦斯?jié)舛葦?shù)據(jù);(2)根據(jù)訓(xùn)練樣本集{(Xi;Yi+p)|i=1+(m1)τ,...,n+1},整體式訓(xùn)練徑向基函數(shù)網(wǎng)絡(luò)(RBF)的預(yù)測網(wǎng)絡(luò)為f1;(3)再由增量訓(xùn)練樣本集{(Xi;Yi+p)|i=n+2}在f1基礎(chǔ)上增量式訓(xùn)練RBF預(yù)測網(wǎng)絡(luò),或由{(Xi;Yi+p)|i=1+(m1)τ,...,n+2}整體式訓(xùn)練RBF網(wǎng)絡(luò)為f2;(4)以此類推,直到由增量訓(xùn)練樣本集{(Xi;Yi+p)|i=n+p}在fp1基礎(chǔ)上增量式訓(xùn)練或由{(Xi;Yi+p)|i=1+(m1)τ,...,n+p}整體式訓(xùn)練RBF網(wǎng)絡(luò)為fp;(5)完成徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)集成的初始化工作,得到含有p個RBF網(wǎng)絡(luò)的集成預(yù)測模型f1,f2,...,fp;第五步、根據(jù)RBF網(wǎng)絡(luò)集成模型進行實時預(yù)測,步驟如下(1)通過瓦斯傳感器實時采集數(shù)據(jù)Xreal={xi|i=l+1,l+2,...,l+t},結(jié)合瓦斯?jié)舛葰v史數(shù)據(jù)庫Xlib,進行相空間重構(gòu)Xi=[xi(m1)τ,...,xiτ,xi](i=l+1p,...,l+t1);(2)根據(jù)相空間Xi進行RBF網(wǎng)絡(luò)集成模型的預(yù)測工作,分別將Xi,Xi+1,...,Xi+p1(i=l+1p,...,l+t1)帶入預(yù)測模型f1,f2,...,fp,有<mrow><mfencedopen='{'close=''><mtable><mtr><mtd><msubsup><mover><mi>Y</mi><mo>~</mo></mover><mrow><mi>i</mi><mo>+</mo><mi>p</mi></mrow><mn>1</mn></msubsup><mo>=</mo><mo>[</mo><msubsup><mover><mi>x</mi><mo>~</mo></mover><mrow><mi>i</mi><mo>+</mo><mn>1</mn></mrow><mn>1</mn></msubsup><mo>,</mo><msubsup><mover><mi>x</mi><mo>~</mo></mover><mrow><mi>i</mi><mo>+</mo><mn>2</mn></mrow><mn>1</mn></msubsup><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msubsup><mover><mi>x</mi><mo>~</mo></mover><mrow><mi>i</mi><mo>+</mo><mi>p</mi></mrow><mn>1</mn></msubsup><mo>]</mo><mo>=</mo><msup><mi>f</mi><mn>1</mn></msup><mrow><mo>(</mo><msub><mi>X</mi><mi>i</mi></msub><mo>)</mo></mrow></mtd></mtr><mtr><mtd><msubsup><mover><mi>Y</mi><mo>~</mo></mover><mrow><mi>i</mi><mo>+</mo><mi>p</mi><mo>+</mo><mn>1</mn></mrow><mn>2</mn></msubsup><mo>=</mo><mo>[</mo><msubsup><mover><mi>x</mi><mo>~</mo></mover><mrow><mi>i</mi><mo>+</mo><mn>2</mn></mrow><mn>2</mn></msubsup><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msubsup><mover><mi>x</mi><mo>~</mo></mover><mrow><mi>i</mi><mo>+</mo><mi>p</mi></mrow><mn>2</mn></msubsup><mo>,</mo><msubsup><mover><mi>x</mi><mo>~</mo></mover><mrow><mi>i</mi><mo>+</mo><mi>p</mi><mo>+</mo><mn>1</mn></mrow><mn>2</mn></msubsup><mo>]</mo><mo>=</mo><msup><mi>f</mi><mn>2</mn></msup><mrow><mo>(</mo><msub><mi>X</mi><mrow><mi>i</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo></mtd></mtr><mtr><mtd><msubsup><mover><mi>Y</mi><mo>~</mo></mover><mrow><mi>i</mi><mo>+</mo><mn>2</mn><mi>p</mi><mo>-</mo><mn>1</mn></mrow><mi>p</mi></msubsup><mo>=</mo><mo>[</mo><msubsup><mover><mi>x</mi><mo>~</mo></mover><mrow><mi>i</mi><mo>+</mo><mi>p</mi></mrow><mi>p</mi></msubsup><mo>,</mo><msubsup><mover><mi>x</mi><mo>~</mo></mover><mrow><mi>i</mi><mo>+</mo><mi>p</mi><mo>+</mo><mn>1</mn></mrow><mi>p</mi></msubsup><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msubsup><mover><mi>x</mi><mo>~</mo></mover><mrow><mi>i</mi><mo>+</mo><mn>2</mn><mi>p</mi><mo>-</mo><mn>1</mn></mrow><mi>p</mi></msubsup><mo>]</mo><mo>=</mo><msup><mi>f</mi><mi>p</mi></msup><mrow><mo>(</mo><msub><mi>X</mi><mrow><mi>i</mi><mo>+</mo><mi>p</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>)</mo></mrow></mtd></mtr></mtable></mfenced><mo>,</mo></mrow>得到xi+p的p個同步預(yù)測結(jié)果然后將其加權(quán)平均值作為RBF網(wǎng)絡(luò)集成的預(yù)測值<mrow><msub><mover><mi>x</mi><mo>^</mo></mover><mrow><mi>i</mi><mo>+</mo><mi>p</mi></mrow></msub><mo>=</mo><msub><mi>w</mi><mn>1</mn></msub><msubsup><mover><mi>Y</mi><mo>~</mo></mover><mrow><mi>i</mi><mo>+</mo><mi>p</mi></mrow><mn>1</mn></msubsup><mo>&CirclePlus;</mo><msub><mi>w</mi><mn>2</mn></msub><msubsup><mover><mi>Y</mi><mo>~</mo></mover><mrow><mi>i</mi><mo>+</mo><mi>p</mi><mo>+</mo><mn>1</mn></mrow><mn>2</mn></msubsup><mo>&CirclePlus;</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>&CirclePlus;</mo><msub><mi>w</mi><mi>p</mi></msub><msubsup><mover><mi>Y</mi><mo>~</mo></mover><mrow><mi>i</mi><mo>+</mo><mn>2</mn><mi>p</mi><mo>-</mo><mn>1</mn></mrow><mi>p</mi></msubsup><mo>=</mo><munderover><mi>&Sigma;</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>p</mi></munderover><msub><mi>w</mi><mi>j</mi></msub><msubsup><mover><mi>x</mi><mo>~</mo></mover><mrow><mi>i</mi><mo>+</mo><mi>p</mi></mrow><mi>j</mi></msubsup><mo>.</mo></mrow>(3)當(dāng)采樣間隔等于更新時間t時,進行集成預(yù)測模型更新基于歷史數(shù)據(jù)與實時采集數(shù)據(jù)構(gòu)造相空間重構(gòu)Xi和p步預(yù)測向量Yi+p,組成增量訓(xùn)練樣本集{(Xi;Yi+p)|i=l+1p,...,l+tp},在fp基礎(chǔ)上進行增量式訓(xùn)練記為fp+1,再按“先入先出”隊列順序更新集成預(yù)測模型所含的預(yù)測子模型,然后將所有t個實時采集數(shù)據(jù)存入歷史數(shù)據(jù)庫,更新歷史數(shù)據(jù)庫長度l=l+t;(4)判斷是否繼續(xù)采集,是則返回(1)繼續(xù),否則結(jié)束。FSA00000334446300022.tif2.根據(jù)權(quán)利要求1所述的實時預(yù)測方法,其特征在于所述第一步的瓦斯傳感器采用瓦斯無線監(jiān)測傳感器,放置在煤壁前方和采掘設(shè)備和作業(yè)人員身上,并在50100米外設(shè)置移動基站接受瓦斯?jié)舛刃畔?,再通過井下通信網(wǎng)絡(luò)傳輸傳至地面監(jiān)控系統(tǒng)。3.根據(jù)權(quán)利要求1所述的實時預(yù)測方法,其特征在于所述第二步的C-C方法計算混沌時間序列的延遲時間τ和嵌入維數(shù)m按照以下步驟進行首先,計算以下三個參量式中,徹,rt“)=境QKOXW)(m=2,3,4,5;^=—);ttt2ΔS(m,t)=max{S(m,Ti,t)}-min{S(m,rpt)};C(m,rt,0=lim—^―^1|Z,.-Zy||);―00m\jn—ι)j<,mf1,x>0脈沖函數(shù)科力=Λη;[O,λ<0然后,取第一個極小值對應(yīng)的t值為延遲時間τ;再取S。(t)(O^t^200)全局最小值對應(yīng)的t值為時間窗口τw,由此計算嵌入維數(shù):m=τ¥/τ+I04.根據(jù)權(quán)利要求1所述的實時預(yù)測方法,其特征在于所述第三步中集成容量參數(shù)P下限等于1,上限等于混沌時間序列最大Lyapimov指數(shù)λ的倒數(shù)1/λ工,即1彡ρ彡1/λ工,其中最大Lyapimov指數(shù)λ按照如下步驟進行(1)對時間序列IxiIi=1,2,…,η}進行傅立葉變換FFT,計算平均周期為P;(2)根據(jù)C-C方法計算嵌入維數(shù)m和時間延遲τ,并重構(gòu)相空間(YiIi=1,2,-,M=n-(m-l)τ};(3)尋找相空間每個點Y」的最近鄰點巧*,并限制短暫分離^.(0)=min||y.-r..II,丨丨_/-/·=丨丨(4)計算相空間點Y」鄰點對的i個離散步后距離djii)=IlYj+i-Yj*+iII,i=1,2,…,min(M-j,Μ-/);1q(5)對i=1,2,…,min(M-j,M_j*),計算·二"^"!^^⑴,q為非零d」⑴數(shù)目,基于最小二乘法做回歸直線,該直線斜率即為最大Lyapimov指數(shù)λ廠5.根據(jù)權(quán)利要求1所述的實時預(yù)測方法,其特征在于所述第三步更新時間t的設(shè)定,依據(jù)混沌時間序列的時間延遲τ來確定t=kXτ,其中k為經(jīng)驗系數(shù),可選擇k=0.51.5。6.根據(jù)權(quán)利要求1所述的實時預(yù)測方法,其特征在于所述第四步徑向基函數(shù)網(wǎng)絡(luò)整體式訓(xùn)練采用混合學(xué)習(xí)策略的方法,從輸入層到隱層利用自組織聚類方法為隱層節(jié)點的徑向基函數(shù)確定合適的數(shù)據(jù)中心,并根據(jù)各數(shù)據(jù)中心之間的距離確定隱層節(jié)點的擴展常數(shù);從隱層到輸出層利用梯度下降算法算法訓(xùn)練對應(yīng)的權(quán)重。7.根據(jù)權(quán)利要求1所述的實時預(yù)測方法,其特征在于所述第四步徑向基函數(shù)網(wǎng)絡(luò)的增量式訓(xùn)練,當(dāng)訓(xùn)練樣本量較小時,可根據(jù)RBF整體式訓(xùn)練方法進行;否則按照如下步驟進行(1)在已有RBF網(wǎng)絡(luò)基礎(chǔ)上,增加一個訓(xùn)練樣本(X;Y),先找到對應(yīng)輸入X的最近數(shù)據(jù)中心Cf,并計算對應(yīng)的輸出誤差E;(2)若E和IIX-CfII分別大于對應(yīng)閾值,則在RBF網(wǎng)絡(luò)上增加一個隱節(jié)點,同時生成一個長時記憶項;否則,基于所有長時記憶項生成一系列偽訓(xùn)練樣本,然后計算其隱層輸出值組成矩陣Φ,利用奇異值分解計算RBF網(wǎng)絡(luò)權(quán)值矩陣,然后計算輸入X對應(yīng)的RBF網(wǎng)絡(luò)輸出誤差Ε,若E大于對應(yīng)閾值則在RBF網(wǎng)絡(luò)上增加一個隱節(jié)點;(3)給定另一個新訓(xùn)練樣本時,返回(1)繼續(xù)。8.根據(jù)權(quán)利要求1所述的實時預(yù)測方法,其特征在于所述第五步徑向基函數(shù)網(wǎng)絡(luò)集成預(yù)測結(jié)果的計算按下表進行9.根據(jù)權(quán)利要求1所述的實時預(yù)測方法,其特征在于所述第五步RBF網(wǎng)絡(luò)集成預(yù)測模型,按照先入先出的隊列順序進行更新。全文摘要本發(fā)明公開了一種基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)集成的礦井瓦斯?jié)舛戎卸唐趯崟r預(yù)測方法,該方法將礦井瓦斯?jié)舛葦?shù)據(jù)視為混沌時間序列以構(gòu)建多個徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)的預(yù)測子模型,對所有預(yù)測子模型同步預(yù)測結(jié)果的加權(quán)平均作為集成預(yù)測值,實現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)集成的預(yù)測模型初始化;然后通過設(shè)定集成容量參數(shù)(也等于RBF網(wǎng)絡(luò)預(yù)測步長)實現(xiàn)對瓦斯?jié)舛榷唐诘街衅诜秶念A(yù)測;針對瓦斯?jié)舛刃畔⒈怀掷m(xù)采集的特點,可利用增量式訓(xùn)練模式獲得新的預(yù)測子模型,再按照先入先出的隊列順序?qū)崿F(xiàn)對RBF神經(jīng)網(wǎng)絡(luò)集成的更新,以提高瓦斯?jié)舛鹊膶崟r預(yù)測精度。這樣,可以在預(yù)測范圍和預(yù)測精度要求之間取得適當(dāng)折衷,滿足礦井瓦斯信息管理系統(tǒng)的技術(shù)要求。文檔編號E21F17/18GK101975092SQ20101053341公開日2011年2月16日申請日期2010年11月5日優(yōu)先權(quán)日2010年11月5日發(fā)明者孟江,安坤申請人:中北大學(xué)
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1
永清县| 龙海市| 道真| 社旗县| 永德县| 云霄县| 长子县| 哈巴河县| 奉新县| 江西省| 永年县| 兰州市| 丹巴县| 曲沃县| 兴业县| 哈尔滨市| 赤峰市| 兰考县| 旬邑县| 承德县| 滦南县| 大庆市| 淮南市| 南陵县| 仁怀市| 东至县| 遵化市| 林周县| 洪湖市| 久治县| 建始县| 临城县| 长海县| 从江县| 临潭县| 玛多县| 河津市| 上思县| 呼玛县| 分宜县| 琼结县|