[发明专利]一种基于泛函网络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，特别是涉及基于泛函网络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，同时要实现工作面的安全高效生产，其周期来压步距及强度也必须掌握，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。

使用FN对时序波的预测有良好效果，并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FN模型进行训练，最后，将各个FN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。

发明内容

构造了基于小波和混沌优化的FN方法进行预测，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FN模型进行训练，进而进行预测。最后，将各个FN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。

预测数据样本集是繁多且存在一定非平稳性、非线性的，FN的预测精度会受到影响，为了解决这一问题，利用小波分析方法的多分辨率分析，对数据进行分层次处理，支架荷载的采样点是对于时间而言的，在时间上是离散的，对于这种情况，可以使用Mallat快速算法实现离散小波变换。Mallat算法是运用小波滤波器对离散信号进行低通和高通的滤波过程。

设第i尺度上的低频分量是a_i，高频分量是d_i，正交小波滤波器分别为h(低通)和g(高通)，则某尺度上的小波分解和合成的Mallat算法表示如式（1）和式（2）。分解和合成过程如图1和图2所示。

₂

                                           (1)

                            (2)

用Mallat小波分析方法对支架来压荷载进行分解，使用matlab中dwt的正交小波基(db4)进行3级分解，共分解出4个分量，其中，a₁为低频分量(趋势项)，d₁，d₂，d₃为各等级高频分量。

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。

系统在某个T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m=2d+1。利用互信息法求得相空间重构的时间延迟。利用小数据量法求得平均周期为T, 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。

设周期来压荷载数据为{x(t)},t=1,2,...,n,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，具体计算过程见文献。

通过上述论述，提出的基于FN的周期来压预测流程如图3所示。

这里使用小波分解后的4个时序序列波形进行预测，预测形成的各个频率的4条时序序列波进行小波重构后形成最终的周期来压荷载预测波。

附图说明

图1 Mallat算法的分解过程。

图2 Mallat算法的合成过程。

图3 基于FN的周期来压预测流程。

图4 泛函网络模型。

图5 可分离泛函网络模型。