基于混沌理论的煤矿监控网络流量时间序列的预测

针对目前煤矿监控网络的流量增大趋势,为了改进和提高网络的QoS质量,提出了基于混沌时间序列预测网络流量的方法.从相空间重构,用互信息量法和虚假临近点法确定了延迟时间和嵌入维数,用小数据量法求解了最大Lyapunov指数,由此证明了网络流量时间序列的混沌特性,并且建立相应模型,成功地对其做出了预测.仿真结果表明,该方法具有较高的准确度.     

混沌时间序列预测的建模与仿真研究

研究混沌时间序列预测准确性问题,由于混沌时间序列具有混沌性和非线性,传统时间序列预测方法不能准确将混沌时间序列变化规律计算出来,导致预测精度低.为了提高混沌时间序列预测的精度,提出一种改进支持向量机的混沌时间序列预测方法(PSO-LSSVM).PSO-LSSVM采用相空间重构对混沌时间序列进行重构,去除其混沌性,用支持向量机对非线性进行预测,并采用粒子群算法对支持向量机参数进行优化,对经典混沌时间序列Mackey-Glass最优模型进行仿真测试.仿真结果表明,PSO-LSSVM加快了预测速度,提高了预测精度,在混沌时间序列预测中具有很好的应用价值.     

基于改进卡尔曼滤波和参数拟合的矿井TOA定位方法

针对矿井TOA(Time of Arrival)定位精度易受电磁波NLOS(Non Line of Sight)传播时延的影响,且不能满足井下应急救援、人员作业管理以及矿井物联网建设等需求的问题,通过对NLOS时延参考模型和矿井巷道设备运动特点的分析,将巷道电磁波NLOS传播时延分为随机NLOS时延和固定NLOS时延,结合两类NLOS时延造成测距误差的特点,提出了基于改进卡尔曼滤波和参数拟合的矿井TOA定位方法。为了消除由矿井巷道中机车等移动设备以及不规律设置设备引起的、具有随机性和难以定量分析等特点的巷道随机NLOS时延误差,设计了将新息阈值引入卡尔曼滤波器中,提高其系统对脉冲误差的滤除能力的方法;为了抑制由矿井巷道中固定设施及设备造成的具有稳定性的巷道固定NLOS时延误差,建立了巷道测距误差模型,构建了井下固有设备参数与定位估计值间的函数关系,通过参数拟合与投影几何算法来提高系统的定位精度。仿真结果显示,测量数据经过基于新息阈值的卡尔曼滤波器处理之后,误差曲线趋于平稳,定位误差保持在1.9～3.1 m,再经参数拟合和几何算法处理后,定位误差在0～0.8 m,平均误差由2.4 m降为0.3 m;且相比于SDSTWR(Symmetric Double-Sided Two-Way Ranging)方法、卡尔曼滤波和指纹定位方法以及卡尔曼滤波和参数拟合方法,所提方法平均定位误差分别减小了3.4,0.4和0.6 m。从而表明所提方法对TOA定位误差具有较明显的抑制作用,可以实现TOA方法在矿井NLOS环境中的有效应用。     

基于混沌的煤矿监测网络流量异变的预测

对煤矿监测网络流量异变预测可以提高网络的服务质量(QoS),降低网络拥塞的发生率.该文分析了煤矿监测网络中各信息流量的特点,提出了以SCADA类信息流作为混沌指标信号,采用Lyapunov指数法验证指标量的混沌特性,利用Duffing振子求解相变点的策动力幅值(α)d并构建了预测模型,通过仿真预测和实测数据比较,误差在...     

改进YOLOv5s和DeepSORT的井下人员检测及跟踪算法

矿井移动目标的实时监测及跟踪系统是建设智慧矿山必不可少的内容，井下巡检机器人的出现可以实现对作业人员的实时监测，但是井下光照不均、煤尘干扰等因素的存在导致传统图像检测算法无法准确检测出作业人员。基于此提出一种可部署于井下巡检机器人的改进YOLOv5s和DeepSORT的井下人员检测及跟踪算法。首先利用监控摄像头与巡检机器人所录视频制作数据集，然后使用改进YOLOv5s网络对井下人员进行识别：考虑到井下人员检测及跟踪算法包含复杂的网络结构和庞大的参数体量，限制了检测模型的响应速度，使用改进轻量化网络ShuffleNetV2替代原YOLOv5s主干网络CSP-Darknet53。同时，为减少图像中复杂背景的干扰，提升作业人员的关注度，将Transformer自注意力模块融入改进ShuffleNetV2。其次，为了使多尺度特征能够有效融合且使得推理信息能够有效传输，将Neck中FPN+PAN结构替换为BiFPN结构。接着利用改进DeepSORT对人员进行编码追踪：考虑到井下环境黑暗，照度低，无纹理性，DeepSORT难以有效提取到人员的外观信息，于是采用更深层卷积替换DeepSORT中小型残...