[发明专利]一种基于自适应模块化神经网络的瓦斯浓度预测方法

摘要

本发明提供一种基于自适应模块化神经网络的瓦斯浓度预测方法，涉及矿井瓦斯浓度检测技术领域。该方法首先采集瓦斯浓度数据，并存入瓦斯浓度数据库，对数据库中的瓦斯浓度数据进行自适应除噪处理后视为混沌时间序列，建立自适应模块化神经网络的训练样本集，构建自适应模块化神经网络软测量预测模型，根据新获得的瓦斯浓度数据与瓦斯浓度数据库中的历史数据，利用构建的预测模型对瓦斯浓度进行预测。该方法除噪效果显著，在有效去除噪声的同时能够很好的保留瓦斯浓度时间序列中的有用信息，构建自适应模块化神经网络的软测量预测模型，输入信息由多个不同子模型集成处理，可以提高预测模型的学习精度和泛化性能，提高预测模型的鲁棒性。

主权项

1.一种基于自适应模块化神经网络的瓦斯浓度预测方法，其特征在于，该方法包括如下步骤：步骤1、通过瓦斯浓度传感器采集瓦斯浓度数据，作为历史数据存入瓦斯浓度数据库；步骤2、对瓦斯浓度数据库中的瓦斯浓度数据进行基于经验模态分解的自适应除噪处理；步骤3、将除噪后的瓦斯浓度数据视为混沌时间序列，并建立自适应模块化神经网络的训练样本集{(X(k)；Y(k))|k＝1，2，…，N}，其中，X(k)表示自适应模块化神经网络的第k个输入，Y(k)表示自适应模块化神经网络的输出，N表示采集的训练样本个数；步骤4、利用获得的自适应模块化神经网络的训练样本集，构建自适应模块化神经网络软测量预测模型；所述自适应模块化神经网络软测量预测模型由多个功能模块组成，每个功能模块包括多个子模块，每个子模型的结构由功能分配层分配来的训练样本自适应确定；该预测模型的最终输出由不同功能模块中的子模块输出整合而得到；该预测模型在学习过程中，对于某一训练样本，通过选择机制从不同的功能模块中选择合适的子模块进行学习，从而使得每一个训练样本都有一个或多个不同功能模块中的子模块协同处理；自适应模块化神经网络软测量预测模型的构建过程包括：步骤4.1、进行功能模块的划分；步骤4.2、进行子模块的划分；步骤4.3、进行功能模块中的子模块的选择；步骤4.4、进行子模块学习结果的集成；步骤4.5、进行子模块网络结构的自适应构建；步骤5、根据新获得的瓦斯浓度数据与瓦斯浓度数据库中的历史数据，利用自适应模块化神经网络软测量预测模型对瓦斯浓度进行预测：将新监测到的瓦斯浓度数据与瓦斯浓度数据库中的历史数据结合，得到预测模型的训练样本，并作为所述自适应模块化神经网络软测量预测模型的输入，预测模型的输出即为瓦斯浓度的预测结果。