[发明专利]基于混沌理论和集成学习的采煤机截割高度预测系统

权利要求书

1.基于混沌理论和集成学习的采煤机截割高度预测系统，其特征在于：包括数据预处理模块、混沌特性计算模块、相空间重构模块、采煤机截割高度极限梯度提升模型建模模块以及采煤机截割高度极限梯度提升模型预测模块；

所述数据预处理模块用以进行采煤机截割高度数据预处理，采用如下过程完成：

(1)从数据库中采集n个采煤机截割高度信号H＝(h₁，h₂，...，h_n)；

(2)对采煤机截割高度信号数据进行归一化处理，得到归一化数据归一化方法如下：

所述混沌特性计算模块用以结合混沌理论，对采煤机截割高度序列的相关混沌特性参数，采用如下过程完成：

(1)计算相空间延迟时间；采用自相关法计算相空间延迟时间，其原理是提取序列间的自相关性；一般地，对于时间序列{h(i)|i＝1，2，...，n}，判断{h(i)}与{h(i+τ)}的相关性是通过计算其自相关函数C(τ)来实现的：

其中观察时间延迟曲线，取C(τ)第一次下降到零时所对应的τ为所需的延迟时间；

(2)计算相空间嵌入维数；采用改进的虚假邻近点法计算相空间嵌入维数，在m维相空间中，每个相点为Y_i(m)＝(h(i)，h(i+τ)，...，h(i+(m-1)τ))都存在某个距离内最近邻点Y_i^NN(m)＝(h^NN(i)，h^NN(i+τ)，...，h^NN(i+(m-1)τ))，其距离为R_m(i)＝||Y_i(m)-Y_i^NN(m)||；当相空间的维数从m增加到m+1时，这两个相点的距离会发生变化；定义

记a(i，m)关于i均值E(m)为

为研究E(m)的变化情况E₁(m)，定义

其中，a(i，m)为当相空间的维数从m增加到m+1时相点距离变化程度、E(m)为相点距离变化的均值，E₁(m)为相点距离变化均值的变化度量函数；

对于随机系统产生的时间序列，E₁(m)不会随着m的增加而达到饱和值，对于混沌序列，当m大于某个m₀时，E₁(m)会停止变化；虚假邻近点法定义了以下变量来辨别完全随机型号和确定混沌信号，定义

其中E^*(m)为虚假邻近点法定义的相点距离变化的均值，E₂(m)为虚假邻近点法定义的相点距离变化均值的变化度量函数；

由于随机时间序列的将来值与过去值独立，所以对任何m，E₂(m)将等于1，而对于确定性系统的观测时间序列，E₂(m)显然与m有关，可以通过对E₁(m)趋于稳定性的值以及E₂(m)是否为常值1的观察来确定时间序列重构相空间的最小嵌入维数；

(3)最大Lyapunov指数；小数据量法计算最大Lyapunov指数，对于n维动力系统，每一维上都存在一个Lyapunov指数表示系统在该维上的发散程度，最大的Lyapunov指数λ₁决定轨道发散即覆盖在整个吸引子的快慢；若λ₁＞0，则系统至少为一维混沌，否则为非混沌，因此，最大Lyapunov指数是判断混沌存在的一个重要依据；小数据量法的计算步骤如下：

(3.1)确定延迟时间τ和嵌入维数m，重构相空间R_i＝(h(i)，h(i+τ)，...，h(i+(m-1)τ))∈R^m，其中i＝1，2，...，n-(m-1)τ；

(3.2)对时间序列{h(i)|i＝1，2，...，n}进行FFT变换，计算出平均周期P；

(3.3)寻找Y_j的最邻近点Y_j1，并限制短暂分离d_j(0)＝min||R_j-R_j1||₂，|j-j1|＞P，其中P为时间序列的平均周期，d_j(0)为第j个参考点R_j和最近邻点R_j1的初始距离；

(3.4)计算邻近对的i个离散时间步后的距离d_j(i)，d_j(i)＝||R_j-R_j1||，i＝1，2，…，min(n-(m-1)τ-j，n-(m-1)τ-j1)；

(3.5)对每个i，计算的值，作为一个点，其中q是d_j(i)≠0的个数；

(3.6)用最小二乘法拟合(3.5)中的各点，直线的斜率就是最大Lyapunov指数λ₁；

所述相空间重构模块根据混沌特性计算模块结果，对归一化处理后的截割高度序列进行重构；

对于随机或确定性序列，设定延迟时间τ＝1和嵌入维数m＝5；对于混沌序列，根据混沌特性计算模块计算的延迟时间τ和嵌入维数m对截割高度序列进行重构，重构方法如下：

其中，x_i为输入特征，y_i为标签，i＝1，2，...，n-1-(m-1)τ；

所述采煤机截割高度XGBoost模型建模模块用以建立采煤机截割高度XGBoost预测模型；采用上面得到的重构数据集进行模型训练，建立基于混沌理论和集成学习XGBoost的采煤机截割高度模型：

Y＝f(X)， (9)

其中Y＝[y₁，y₂，...，y_n-1-(m-1)τ]为标签序列，X＝x₁，x₂，..，x_n-1-(m-1)τ为输入序列，f是XGBoost采煤机截割高度模型；

所述采煤机截割高度XGBoost模型预测模块用以利用训练好的采煤机截割高度XGBoost预测模型，结合历史采煤机截割高度数据对未来采煤机截割高度进行预测；采用如下过程完成：

(1)根据混沌特性计算模块的结果，对于随机或确定性序列，设定延迟时间τ＝1和嵌入维数m＝5；对于混沌序列，根据混沌特性计算模块计算出的延迟时间τ和嵌入维数m从数据库中获取当前时刻t的历史采样点的采煤机截割高度数据H_t＝(h_t，h_t-τ，...，h_t-(m-1)τ)，对测试数据进行标准化：

(2)将标准化后的测试数据重构成相空间

(3)将重构后的测试数据作为预测输入，利用训练好的采煤机截割高度XGBoost模型预测模型对采煤机截割高度进行预测：

其中，f_opt为训练好的采煤机截割高度XGBoost模型，为预测的采煤机截割高度。