[发明专利]一种基于泛函网络的周期来压预测方法

摘要

本发明公开了一种基于泛函网络的周期来压预测方法，特征在于构造了基于小波和混沌优化的FN方法进行预测，其过程分为三步：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。本发明的目的在于可以通过泛函网络的适应性对周期来压在考虑混沌及重构的情况下预测周期来压。可广泛用于地下采矿的周期来压预测。

主权项

一种基于泛函网络的周期来压预测方法，其特征在于，构造了基于小波和混沌优化的FN方法进行预测，其过程分为三步：第一步，首先使用小波对液压支架周期来压荷载进行分解，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，形成泛函分析的样本数据；第二步，使用混沌理论对第一步的样本数据进行混沌性质的识别，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；分解后的各分量运用混沌理论进行相空间重构，使用FN模型进行训练，使用小波分解后的4个时序序列波形进行预测，使用时序序列的前350个点作为训练集合，后75个点作为模拟对比集合，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；根据调整周期来判断其混沌性，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m=3；利用互信息法求得相空间重构的时间延迟τ=2；利用小数据量法求得平均周期为T=15.44, Lyapunov指数为λ>0；即周期来压时间序列具有混沌特性；在掘进速度保持稳定的情况下，周期来压与掘进距离可以以某种正弦形式表示y=S×sin(2πx/T‑π/2)+D ，式中： S,T,D是拟合求得的参数，T表示周期，即y表示的正弦曲线的周期；S表示缩放系数，即y表示的正弦曲线的振幅程度；D表示纵移系数，即y表示的正弦曲线的纵向平移量；x为掘进深度（m）；第三步，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，空间重构采用Takens定理，延迟时间τ和嵌入维m就可以将混沌时间序列进行重构如式：X_n=(x_n,x_n+τ,…,x_n+(m‑1)τ)，其中τ为延迟时间，m为嵌入维，x_n是周期来压荷载数据。