[发明专利]一种基于小波和混沌优化LSSVM的周期来压预测方法

说明书

技术领域

本发明涉及地下采矿工程周期荷载预测问题，特别是涉及基于小波和混沌优化LSSVM的周期来压预测方法。

背景技术

在巷道内的液压支架是承受顶板压力的主要构件，在设置支架时要考虑很多因素，其中荷载的形式和变化规律是主要的考察因素。如何根据已有的数据了解未来液压支架的荷载形式和变化规律成为关键问题。要实现工作面的安全高效生产，其周期来压步距及强度必须掌握。因此必须以科学的方法来正确预测周期来压波形，传统的预测方法主要有:经验估算法、威尔逊估算法、老顶结构平衡关系估算法等。

针对周期来压预测研究较少，且准确性差的现状，构造了基于小波和混沌优化的LSSVM方法进行预测。使用LSSVM并结合小波的分解作用或混沌的优化作用，对时序波的预测已取得良好效果。将这些研究成果应用到周期来压预测。模型的预测首先利用小波分解技术将所选的样本集数据根据不同频率分解成不同的分量。分解后的各分量运用混沌理论进行相空间重构。重构分量使用LS-SVM模型进行训练，训练LS-SVM的参数的确定是通过混沌粒子群算法实现的。最后，将各个LS-SVM模型得到的预测结果进行重组得到完整的预测周期来压荷载波形。将结果与加权一阶局域法、BP神经网络、混沌对角神经网络预测到的波形相比较，说明该模型的正确性。

发明内容

针对采矿过程中，选择支架的主要根据是其将要承受的周期来压荷载，如何预测该周期来压荷载的问题。本发明提出一种基于小波和混沌优化LSSVM的周期来压预测方法。

为更好地对发明内容进行说明，先简要介绍实施例情况。

在工作面建五条测线监测支架工作阻力变化情况，选取10#的观测数据进行分析，每班次交班时检查液压支架压力，即采样点时间间隔8小时，一共425组数据。10#支架来压荷载实际波形如图中第一条曲线所示。

1.       液压支架周期来压荷载混沌性的确定

预测模型的训练样本是通过对时间序列进行相空间重构产生。对该空间的重构首先要证明其混沌性。通过计算混沌吸引子的维数和Lyapunov特征指数来识别其混沌性。液压支架周期来压荷载在不同周期下循环形成的时序图如图4所示。

从图4可以看出，系统在T=16时更接近混沌。根据G-P算法计算出时间序列的关联维d，嵌入维数                                                。根据本例数据可求m=3。利用互信息法求得相空间重构的时间延迟=2。利用小数据量法求得平均周期为T=15.44, Lyapunov指数为>0。由此可知，周期来压时间序列具有混沌特性。

相空间重构认为系统的每个分量的演化均收到相关联的其他分量影响。因此在重构时，考察一个分量，并将它在某个固定的时间延迟上的测量作为增维处理，确定某多维状态空间的一点，不断重复上述过程并对于不同时间测量各延迟量，就可以产生大量这样的点，这样吸引子的许多性质便保留下来，就可以通过采用系统的一个分量重构原动力系统模型，初步确定系统的真实相空间的维数。

设10#支架的周期来压荷载数据为,其中n为样本个数。根据Takens定理，延迟时间（）和嵌入维（m）就可以将混沌时间序列进行重构如式（3）。

    (3)

同样也可采用C-C法进行相空间重构。

2.       最小二乘支持向量机参数的混沌粒子群优化

采用的支持向量机的核函数为径向基函数，如式（4）。最后LSSVM的回归模型如式（5）。

  (4)

  (5)

式中：回归系数；b阀值；表示径向基核数宽度。

从式（5）中可以看出，进行回归分析的效果取决于（表示核函数参数，未列出相关表达式），等参数。模型中采用混沌粒子群对和进行优化。混沌粒子群优化就是一种随机全局优化算法，其具有收敛速度快，且精度高的特点。混沌粒子群优化的具体步骤：

1）.初始化粒子群。包括：算法参数、迭代次数、混沌寻优次数。

2）.根据基本粒子群算法公式更新粒子的速度和位置。