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.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115841018A(43)申请公布日2023.03.24(21)申请号202211343461.X(22)申请日2022.10.31(71)申请人西安科技大学地址710054陕西省西安市碑林区雁塔中路58号(72)发明人张昭昭朱应钦潘浩然赵晓飞刘月王震马艳梅(74)专利代理机构西安弘理专利事务所61214专利代理师许志蛟(51)Int.Cl.G06F30/20(2020.01)G06N3/048(2023.01)G06N3/08(2023.01)权利要求书2页说明书6页附图4页(54)发明名称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(57)摘要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。CN115841018ACN115841018A权利要求书1/2页1.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，其特征在于：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。2.根据权利要求1所述的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，其特征在于：所述步骤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Xlib＝{x(k)|k＝1,2,…,N},其中Xlib(k)表示k时刻采集的瓦斯浓度数据。3.根据权利要求2所述的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，其特征在于：所述步骤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yk(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，MCk是yk(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：根据如下公式(4)对回声状态网络进行筛选，其中Si为0时表示淘汰，为1时表示保留；其中，Si表示初步行为空间分布。2CN115841018A权利要求书2/2页4.根据权利要求3所述的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，其特征在于：所述步骤3的具体过程为：将每个瓦斯检测点的数据Xlib(k)，分为训练集Xtrain(k)和校验集Xtest(k),通过Xtrain(k)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，输入校验集Xtest(k)进行初步预测，预测结果为5.根据权利要求4所述的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，其特征在于：所述步骤4的具体过程为：误差补偿回声状态网络包括计算层和补偿层，采用热重启生成N个符合条件当前行为分布的储层，作为补偿层的初始化参数，初始化补偿层，将步骤3中得到的最优回声状态网络模型预测结果和输入参数Xtest(k)根据如下公式(5)、(6)计算训练误差：E(t)＝(e(1),…,e(t))(6)；其中，e(t)为t时刻误差；y(t)即为输入参数Xtest(k)，将E(t)作为补偿层训练集进行训练，根据补偿层训练的最终误差，选择最优的一组补偿层参数生成补偿层，计算层则取步骤3中通过遗传算法寻优得到的最优回声状态网络模型，最后通过公式(7)集成计算层与补偿层，即实现误差补偿回声状态网络的构建：其中，和分别为计算层及补偿层的输出权值，xRC(t)和xET(t)分别代表计算层及补偿层的内部状态。3CN115841018A说明书1/6页用于预测瓦斯浓度的误差补偿