[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

说明书

本发明公开了一种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，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，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；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。本发明解决了传统神经网络瓦斯浓度预测模型未考虑相关性误差及误差累积的因素，导致传统神经网络在实际工程应用中误差大的问题。

技术领域

本发明属于矿井瓦斯浓度检测技术领域，涉及一种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。

背景技术

瓦斯突出是煤炭资源开采工程主要灾害之一，实现对采区瓦斯浓度变化精准预测是预防瓦斯突出灾害的关键。瓦斯突出发生内在机理非常复杂，其机理模型依然不明确。目前对瓦斯浓度预测主要采用神经网络、混沌及非线性理论、灰色理论等方法，通过预测采区瓦斯涌出量来判断瓦斯突出灾害。

近年来，国内外学者在瓦斯浓度预测方面提出了多种方法，对时间序列瓦斯浓度预测做出了诸多贡献。然而，井下实际生产环境较为复杂，井下瓦斯浓度受多种因素影响，将其视为低阶非线性系统必然会影响预测精度，且传统的神经网络瓦斯浓度预测模型大都未考虑相关性误差及误差累积的影响。

发明内容

本发明的目的是提供一种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，通过该方法构建的误差补偿回声状态网络模型解决了传统神经网络瓦斯浓度预测模型未考虑相关性误差及误差累积的因素，导致传统神经网络在实际工程应用中误差大的问题。

本发明所采用的技术方案是，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，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。

本发明的特点还在于：

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。

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：