[发明专利]用于预测瓦斯浓度的误差补偿回声状态网络模型构建方法

权利要求书

1.用于预测瓦斯浓度的误差补偿回声状态网络模型构建方法，其特征在于：具体包括如下步骤：

步骤1，建立瓦斯浓度数据集；

步骤2，构建并通过随机选取的参数初始化P个不同的回声状态网络，计算回声状态网络的核心等级、泛化等级及记忆容量，以此构建行为空间，通过行为空间对P个不同的回声状态网络进行筛选，得到M个回声状态网络，其中P≥M；

步骤3，将步骤1建立的数据集分为训练集和校验集，基于训练集采用遗传算法对步骤2得到的M个回声状态网络参数进行寻优，得到最优回声状态网络模型；

步骤4，基于步骤3所得结果构建误差补偿回声状态网络。

2.根据权利要求1所述的用于预测瓦斯浓度的误差补偿回声状态网络模型构建方法，其特征在于：所述步骤1的具体过程为：

将瓦斯浓度无线监测传感器放置在不同监测点处，采集矿井中不同区域的瓦斯浓度数据，然后将采集的瓦斯浓度数据存入瓦斯浓度数据库，并建立瓦斯浓度数据集X_lib＝{x(k)|k＝1,2,…,N},其中X_lib(k)表示k时刻采集的瓦斯浓度数据。

3.根据权利要求2所述的用于预测瓦斯浓度的误差补偿回声状态网络模型构建方法，其特征在于：所述步骤2中，核心等级KR、泛化等级GR、记忆容量MC采用如下公式(1)～(3)计算：

其中，为从时刻n开始收集的网络状态矩阵，共收集T组；为[-1,1]均匀分布的随机数，为添加干扰信号后的输入y_k(t)为回声状态网络的第k个输出值，对应的期望值为u(t-k)，cov²和σ²分别为协方差及方差算子，MC反映了回声状态网络输出对输入信号的复现能力，MC_k是y_k(t)和u(t-k)的相关系数；

通过行为空间筛选回声状态网络的具体方法如下：

根据如下公式(4)对回声状态网络进行筛选，其中S_i为0时表示淘汰，为1时表示保留；

其中，S_i表示初步行为空间分布。

4.根据权利要求3所述的用于预测瓦斯浓度的误差补偿回声状态网络模型构建方法，其特征在于：所述步骤3的具体过程为：

将每个瓦斯检测点的数据X_lib(k)，分为训练集X_train(k)和校验集X_test(k),通过X_train(k)采用遗传算法对步骤2得到的M个回声状态网络参数进行寻优，得到最优回声状态网络模型，输入校验集X_test(k)进行初步预测，预测结果为

5.根据权利要求4所述的用于预测瓦斯浓度的误差补偿回声状态网络模型构建方法，其特征在于：所述步骤4的具体过程为：

误差补偿回声状态网络包括计算层和补偿层，采用热重启生成N个符合条件当前行为分布的储层，作为补偿层的初始化参数，初始化补偿层，将步骤3中得到的最优回声状态网络模型预测结果和输入参数X_test(k)根据如下公式(5)、(6)计算训练误差：

E(t)＝(e(1),…,e(t)) (6)；

其中，e(t)为t时刻误差；y(t)即为输入参数X_test(k)，将E(t)作为补偿层训练集进行训练，根据补偿层训练的最终误差，选择最优的一组补偿层参数生成补偿层，计算层则取步骤3中通过遗传算法寻优得到的最优回声状态网络模型，最后通过公式(7)集成计算层与补偿层，即实现误差补偿回声状态网络的构建：

其中，和分别为计算层及补偿层的输出权值，x^RC(t)和x^ET(t)分别代表计算层及补偿层的内部状态。