瓦斯浓度预测的混沌时序RBF神经网络模型.pdf

第20卷第2期黑龙江科技学院学报Vol.20No.2

2010年3月JournalofHeilongjiangInstituteofScience&TechnologyMar.2010

文章编号:1671-0118(2010)02-0131-04

瓦斯浓度预测的混沌时序RBF神经网络模型

赵金宪,于光华
(黑龙江科技学院电气与信息学院,哈尔滨150027)

摘要:为对煤矿瓦斯质量浓度进行精确预测,针对瓦斯质量浓度的非线性特点,在验证其时间
序列具有混沌特性的基础上,建立了基于混沌理论和径向基神经网络的预测模型。将实测瓦斯质量
浓度时间序列进行相空间重构得到训练样本,并利用MATLAB仿真软件进行编程预测分析。结果表
明,相对误差为0～3%,均方差为010056,预测效果良好。实例验证该预测模型切实可行。
关键词:瓦斯质量浓度;混沌时间序列;神经网络;相空间重构
中图分类号:TD712153;TP183文献标识码:A

ModelofchaoticsequenceandRBFneuralnetworkon
gasconcentrationforecast

ZHAOJinxian,YUGuanghua
(CollegeofElectricandInformationEngineering,HeilongjiangInstituteofScienceandTechnology,Harbin150027,China)

Abstract:Directedattheaccuratepredictionofthecoalgasconcentration,thispaperproposesa
chaostheoryandRBFneuralnetwork2forecastingmodel,establishedaccordingtothenonlinearcharacter2
isticsofgasconcentrationandthevalidatedchaoticcharacteristicsoftimeseriesforgasconcentrations.
ThereconstructionofthegasconcentrationtimeseriesforthetrainingsamplesandtheuseofMATLAB
simulationtoforecastinganalysisshowthattherelativepredictionerrorrangingfrom0to3%andthe
meansquareerrorof0.0056justifythefeasibilityofpredictionmodel.
Keywords:gasconcentration;chaotictimeseries;neuralnetwork;phasespacereconstruction

法。鉴于径向基(RBF)神经网络能够逼近任意的非
0引言线性函数,可以处理系统内在的难以解析的规律性,
并且具有极快的学习收敛速度。笔者尝试采用混沌
煤矿井下瓦斯分布是一个多维非线性系统,在理论与RBF神经网络相结合来建立预测模型。
生产实际中容易得到的只是瓦斯的时间序列[1]。
影响瓦斯分布的因素众多(如风速、温度和煤层1混沌判定
等),仅仅以某一因素来预测矿井瓦斯质量浓度显
然有很大的局限性。采用传统的线性方法如动力学在建立混沌时间序列预测模型前需要判断该序
方法和数理统计方法[2]建模,往往难以得到满意的列是否具有混沌特性。判断方法通常为时域分析
结果。混沌理论为解决非线性问题提供了良好的方法、频谱分析法和Lyapunov指数法[3]。其中,Lya2

收稿日期:2009-09-18;修回日期:2010-02-08
基金项目:黑龙江省研究生创新科研项目(YJSCX2009-066HLJ)
作者简介:赵金宪(1970-),男,吉林省舒兰人,教授,硕士,研究方向:计算机过程控制,E2mail:[e-mail]。
132黑龙江科技学院学报第20卷

punov指数法反映了混沌动力学系统对初始条件的量法[7]。
敏感依赖性,最大Lyapunov指数大于0,意味着轨道Shaw首先提出以互信息第一次达到最小时的
[4]
局部不稳定,说明系统有混沌特性。文中采用滞时作为相空间重构的时间延迟,Fraser给出了互
[2]
Lyapunov指数法对其进行判断,通过小数据量方法信息计算的递归算法,是可从事件bj在序列B中
来计算最大指数。该方法具有对小数据
Lyapunov发生的概率中得到多少关于ai在序列A中发生概率
组可靠、计算量小、操作方便等优点。具体步骤为:的信息称为A和B间的平均互信息。记时间序列[a,

(1)对时间序列{