基于多传感器-深度长短时记忆网络融合的瓦斯浓度预测研究

为充分利用井下多传感器数据源中的有效信息进一步提升井下瓦斯浓度预测模型的预测性能,提出建立一种基于深度LSTM(long short-term memory,长短时记忆)网络的多传感器瓦斯浓度预测模型,首先利用Pearson(皮尔逊)相关系数法筛选出与瓦斯浓度强关联变量作为模型输入参数,降低输入数据规模与复杂度,并对其...     

基于SSA-LSTM的瓦斯浓度预测模型

为了更好地捕捉瓦斯浓度的时变规律及有效信息,实现对采煤工作面瓦斯浓度的精准预测,采用麻雀搜索算法（SSA）优化长短期记忆(LSTM)网络,提出了一种基于SSA-LSTM的瓦斯浓度预测模型。采用均值替换法对原始瓦斯浓度时序数据中的缺失数据及异常数据进行处理,再进行归一化和小波阈值降噪;对比测试了SSA与灰狼优化(GWO)算法、粒子群优化（PSO）算法的性能差异,验证了SSA在寻优精度、收敛速度和适应能力等方面的优势;利用SSA的自适应性依次对LSTM的学习率、隐藏层节点个数、正则化参数等超参数进行寻优,以此来提高全局寻优能力,避免预测模型陷入局部最优;将得到的最佳超参数组合代入LSTM网络模型中,输出预测结果。将SSA-LSTM与LSTM、GWO-LSTM、PSO-LSTM瓦斯浓度预测模型进行比较,实验结果表明：基于SSA-LSTM的瓦斯浓度预测模型的均方根误差（RMSE）较LSTM,PSO-LSTM,GWO-LSTM分别减少了77.8%,58.9%,69.7%;平均绝对误差（MAE）分别减少了83.9%,37.8%,70%,采用SSA优化的LSTM预测模型相较于传统LSTM模型具有更高...     

基于改进蝗虫算法优化长短时记忆神经网络的多参数瓦斯浓度预测模型研究

为了高效挖掘煤矿安全监测监控系统海量数据中包含的有效信息,提高煤矿瓦斯浓度预测精度,提出一种改进的蝗虫优化算法(IGOA)优化长短时记忆神经网络(LSTM)的多参数瓦斯浓度预测模型.首先对瓦斯多参数时间序列进行相关性分析和小波去噪;其次通过重构线性缩减因子c、引入柯西-高斯混合变异和最优邻域扰动策略联合改进蝗虫优化算法,提高其全局寻优能力,以此来优化LSTM相关超参数,构建瓦斯浓度预测模型;最后,以实测数据为样本进行实验验证,将提出的模型与BP、LSTM、PSO-LSTM以及GOA-LSTM模型对比,可得到提出的模型具有更好的预测效果,平均绝对百分比误差和均方根误差两种误差评价指标分别为0.531％、2.48×10-3.结果表明,提出的瓦斯浓度预测模型具有更高的预测性能.     

改进最大Lyapunov指数的多变量瓦斯浓度预测研究

煤矿井下瓦斯浓度受到多个环境参数的影响。首先对煤矿井下同一时间段的瓦斯浓度、风速、压力、温度、CO2、O2的时间序列数据进行统计学相关性分析,选择出对瓦斯浓度影响大的几种因素,并作为基于最大Lyapunov指数改进预测模型的输入参数来预测未来一段时间的瓦斯浓度。改进算法为:在用C-C方法重构多变量时间序列的相空间和Wolf方法计算最大Lyapunov指数的基础上,同时考虑夹角余弦和欧氏距离求取预测中心点的相近点。结果表明,改进预测算法提高了预测精度,平均绝对误差和标准差分别为2.11%和2.15%。     

煤矿多传感器混沌时序数据融合预测

针对单传感器煤矿数据预测存在的片面性问题,提出将信息融合技术与相空间重构技术相结合的多传感器煤矿数据的预测模型。对井下多种传感器,包括瓦斯浓度、风速、温度传感器,进行融合预测。以多类传感器时序数据为研究对象,首先利用信息融合的方法分别对各类传感器数据依次进行数据层融合、特征层融合;然后采用关联积分方法对两级融合之后的传感器数据分别确定相重构的时间延迟τ和嵌入维数m两个参数;最后结合多变量相空间重构技术,将各类传感器数据融合重构相空间,运用基于K-Means聚类的加权一阶局域法构建多传感器数据的预测模型。数据来源于山西省阳泉煤矿,采集了近20G数据,以瓦斯浓度、风速、温度三种传感器数据进行实验,实验结果表明：对于特征层的融合,每15分钟时间段内的数据经融合后可有效作为衡量这段时间内的特征,经过预测模型计算后,与时间段为5分钟、10分钟、20分钟相比较误差达到最小ESS=0.003,较目前的最小误差值0.05,误差大大下降,故融合预测效果较好,可以较准确地预测未来15分钟后的传感器数据,可有充足时间进一步为井下的安全评估提供决策依据。     

煤矿瓦斯浓度的CAPSO-ENN短期预测模型

为了准确预测回采工作面的瓦斯浓度,提出云自适应粒子群算法优化Elman神经网络的瓦斯浓度动态预测新方法。利用井下无线传感器网络监测系统采集的回采工作面瓦斯浓度时间序列作为样本,并对其进行数据降噪和相空间重构等预处理。采用CAPSO算法对Elman神经网络的权值、阈值进行寻优运算,建立了回采工作面瓦斯浓度动态预测模型。通过对MATLAB仿真得出结果研究表明：该模型的平均相对变动ARV值为0.000357,相对均方根误差RRMSE值为0.1056,对回采工作面的瓦斯浓度预测结果合理且可为矿井瓦斯防治工作提供有效理论依据。     

基于非负绞杀与长短期记忆神经网络的动态软测量算法

现代工业过程建模中,生产过程的多变量、非线性及动态性会导致模型复杂度增高且建模精度降低.针对这一问题,将非负绞杀算法(NNG)嵌入长短期记忆(LSTM)神经网络,提出一种基于LSTM神经网络及其输入变量选择的动态软测量算法.首先,通过参数优化生成训练好的LSTM神经网络,利用其出色的历史信息记忆能力处理工业过程中的动态、时滞等问题;其次,采用NNG算法对LSTM网络输入权重进行压缩,剔除冗余变量,提高模型精度,并采用网格搜索法与分块交叉验证对其超参数寻优;最后,将算法应用于某火电厂脱硫过程排放烟气SO2浓度软测量建模,并与其它先进算法进行性能比较.实验结果表明所提算法能有效剔除冗余变量,降低模型复杂度并提高其预测性能.     

基于双自适应AIS-PSO的瓦斯浓度软测量模型

为解决煤矿单传感器瓦斯浓度预测精度不足的问题,将自适应人工免疫系统(AIS)与自适应粒子群(PSO)相结合,建立多参数并行双自适应AIS-PSO算法的瓦斯浓度软测量模型。通过分析煤矿井下环境参数对瓦斯浓度监测的影响,将矿井下温度及风速等环境参数作为软测量模型输入,上隅角瓦斯浓度作为模型输出。利用并行双自适应AIS-PSO算法对最小二乘支持向量机(LS-SVM)的核参数σ和正则化参数γ进行寻优,并与PSO-LSSVM、LS-SVM结果进行对比。结果表明:PSO-LSSVM平均相对误差为5.5083%,LS-SVM平均相对误差为8.6883%,并行双自适应AIS-PSO软测量模型的平均相对误差为2.0165%,最小相对误差为1.194%,与另两种方法相比具有较高的预测精度和泛化能力。     

基于敏感参数发现的区域重点污染物浓度预测

污染物浓度变化趋势对于环境监测工作意义重大.现今各种前馈神经网络预测模型的输出结果仅与当前输入有关,无法研究污染物数据前后依赖关系.且多种污染物具有相同排放源,污染物间往往存在潜在关联关系,一种污染物的变化可能反映另一种污染物变化,所以在预测中需考虑其他敏感参数的影响.针对上述两个问题,提出一种基于敏感参数发现的区域重点污染物浓度预测方法.应用关联规则算法及多元回归分析挖掘出各污染物的敏感参数,构建多变量LSTM预测模型,将待预测污染物及其敏感参数作为预测模型特征变量,进行污染物的浓度预测.实验结果表明本文方法可有效预测污染物浓度变化趋势,预测效果优于未经关系发现的LSTM模型.     

基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测

近年来,以循环神经网络（RNN）为主体构建的预测模型在短期电力负荷预测中取得了优越的性能。然而,由于RNN不能有效捕捉存在于短期电力负荷数据的多尺度时序特征,因而难以进一步提升负荷预测精度。为了捕获短期电力负荷数据中的多尺度时序特征,提出了一种基于多尺度跳跃深度长短期记忆（MSD-LSTM）网络的短期电力负荷预测模型。具体来说,以长短期记忆（LSTM）网络为主体构建预测模型能够较好地捕获长短期时序依赖,从而缓解时序过长时重要信息容易丢失的问题。进一步地,采用多层LSTM架构并且对各层设置不同的跳跃连接数,使得MSD-LSTM的每一层能够捕获不同时间尺度的特征。最后,引入全连接层把各层提取到的多尺度时序特征进行融合,再利用该融合特征进行短期电力负荷预测。实验结果表明,与单层LSTM和多层LSTM相比,MSD-LSTM的均方误差总体下降了10%。可见MSD-LSTM能够更好地提取短期负荷数据中的多尺度时序特征,从而提高短期电力负荷预测的精度。     

基于灰色系统理论的瓦斯含量多变量可视化预测方法实现

针对煤矿瓦斯含量预测采用单因素梯度法存在可靠性不高的问题,提出了一种基于灰色系统理论的瓦斯含量多变量可视化预测方法,建立了预测模型的总体框架,给出了动态链接库实现灰建模数值算法的流程;并结合某矿实际,详细介绍了该预测方法的具体实现过程:首先通过数字化瓦斯地质图获取瓦斯含量原始数据,设置建模所需的相关参数,建立瓦斯含量多变量预测模型,选择瓦斯含量点击预测或批量预测,对预测结果的误差进行分析并与图形信息结合起来显示。该预测方法提高了预测的效率及决策的科学性,为煤矿日常瓦斯含量预测、管理及决策提供了一个直观、方便、高效的可视化预测手段。     

基于LSTM的辅助动力装置系统辨识与仿真

针对民航飞机辅助动力装置的复杂非线性时序特性,依据长短时记忆网络(LSTM)的长时序记忆、非线性关系表达能力,提出一种基于LSTM的辅助动力装置系统参数辨识模型。同时建模过程中考虑作用于辨识参数的多种影响因素,进一步提出基于LSTM的多变量时间序列预测参数辨识模型,解决了传统时序模型难以解决的多变量或者多输入问题。最后利用辅助动力装置试车样本,建立了APU启动阶段的参数辨识模型。仿真结果表明,发动机排气温度EGT温度均方根误差小于4℃,发动机转速百分比N均方根误差小于1,满足辅助动力装置仿真需求。     

改进FA优化LSTM的时序预测模型

为了提高时序预测精度,提出了一种改进萤火虫算法（firefly algorithm,FA）优化LSTM的时序预测模型（GAFA-LSTM）。针对FA因种群多样性弥散陷入局部最优,影响寻优效果的问题,提出了种群多样性增加机制。FA在完成初始化后加入种群多样性的计算;在满足多样性增加机制的条件下,引入自适应多样性增加机制,有效平衡进化过程中对种群多样性的需求;在迭代后期加入自适应游动参数来避免局部震荡。将改进后的FA用于LSTM模型输入参数的优化,以提高LSTM模型输入参数的准确性。实验部分对改进FA进行了改进效果测试,对GAFA-LSTM模型进行了模型验证。结果表明改进FA具有较好的寻优效果,GAFA-LSTM预测模型较其他预测模型拟合程度与预测精度都有不同程度的提高。     

煤矿瓦斯涌出量动态预测的PCA-MFOA-GRNN模型及应用

针对煤矿瓦斯涌出受许多因素的影响,为了克服瓦斯涌出中存在的复杂的非线性关系,从而实现稳定、可靠、精确的对煤矿综采工作面瓦斯涌出量进行动态预测,提出了主成分分析法（PCA）结合改进的果蝇算法（MFOA）优化GRNN的绝对瓦斯涌出量的预测手段。运用PCA算法对原始输入数据降维;并且对果蝇算法中的Si函数增加一个跳脱参数B,避免局部最优因子对预测模型的干扰;将MFOA算法对GRNN的平滑因子σ进行优化;将PCA结果作为模型的输入,建立了PCA-MFOA-GRNN算法的回采工作面瓦斯涌出量动态预测模型,结合实际矿井瓦斯涌出量监测的相关数据检验该模型,并将该模型的预测结果与未修正的FOA-GRNN算法、CIPSO-ENN算法、BP神经网络预测、Elman网络预测结果进行对比,结果表明：该预测模型对GRNN的参数优化后得到的预测模型较其他预测模型有更强的泛化能力和更高的预测精度。     

RF-BiLSTM神经网络在海浪预测中的应用

由于风浪数据的随机性, 复杂性, 影响因素多, 多为时间序列的特点, 造成了传统预测模型预测难度大, 精确率低, 构建了基于随机森林的注意力机制与双向长短期记忆神经网络相结合的海浪预测模型. 该模型对输入进行优化, 可以使用过去和未来的数据信息进行预测, 提高了海浪波高的预测精度. 该模型利用随机森林对输入变量筛选优化, 降低网络复杂度, 然后将注意力机制与双向长短期记忆神经网络相结合建立预测模型, 并利用实际数据进行验证. 结果显示, 和BP, LSTM, BiLSTM模型比较, RF-BiLSTM模型的预测精度更高, 拟合程度更好, 在海浪数值的预测预报中有重要意义.     

基于IPSO-LSTM神经网络的短期负荷预测

在电网负荷预测方面,LSTM模型有较好的预测精度.但模型参数需要手动设置,网络训练时间长.提出一种改进粒子群算法(IPSO)与长短期记忆网络(LSTM)相结合的预测模型(IPSO-LSTM).利用IPSO对LSTM网络的神经元数,学习率等参数进行优化,自动寻找合适参数,提高预测精度和收敛速度.以某地电力公司的历史负荷数据作为输入数据,迭代训练网络.对比IPSO-LSTM模型和由经验公式所得的LSTM模型的预测结果,发现新模型的MAPE比LSTM网络降低了0.8％,最大相对误差比LSTM网络降低了 4％,收敛速度更快.实验表明所提新模型拥有更高的预测精度和收敛速度.     

基于GRU-LSTM组合模型的云计算资源负载预测研究

日益增多的应用部署在云端使得云数据中心的功耗波动剧烈,从而导致云数据中心资源利用率不平衡,高效的负载预测是解决该问题的关键技术。针对目前负载预测模型预测精度低、预测时间长的问题,建立一种基于门控循环单元（GRU）与长短期记忆（LSTM）网络的组合预测模型GRU-LSTM。该模型的网络结构包括3层,第一层采用GRU,利用GRU参数少、易收敛的特点减少模型训练时间,第二、第三层采用LSTM,结合LSTM参数多的优势提高模型的预测精度。在此基础上,对数据集作缺失值处理和标准化处理,使用随机森林算法对原始序列进行特征选择后得到一组新的序列值,将该序列值作为GRU-LSTM组合预测模型的输入,以对云计算资源进行高效预测。在集群公开数据集Cluster-trace-v2018上进行实验,结果表明,与传统的单一预测模型ARIMA、LSTM、GRU以及现有的组合预测模型ARIMA-LSTM、Refined LSTM等相比,GRU-LSTM模型预测结果的均方误差减少6~9,预测时间平均缩短约10%。     

IGA-DFNN在瓦斯浓度预测中的应用

为了准确预测采煤工作面的瓦斯浓度,提出免疫遗传算法优化的动态模糊神经网络瓦斯浓度动态预测方法。用无线传感网络系统采集工作面瓦斯浓度数据作为样本,通过小波分析对样本数据进行降噪滤波预处理。采用IGA算法对DFNN网络参数进行优化,建立了瓦斯浓度的预测模型。通过MATLAB仿真研究表明,所建模型对采煤工作面的瓦斯浓度演变趋势预测合理,并且经过IGA算法优化DFNN网络比单纯的DFNN网络具有更快、更准确的预测功能,可以为防治煤矿瓦斯积聚提供更好的理论支持。     

基于CNN-LSTM-PSO的私有云故障检测

有效对私有云系统进行故障检测对于保障IT系统稳定性及开展可靠性信息活动具有重要的实际意义。为此从私有云系统的历史趋势数据出发,将卷积网络(CNN)和长短期记忆(LSTM)循环神经网络结合,提出了基于粒子群优化算法(PSO)的CNN-LSTM-PSO的混合模型,实现对私有云的故障检测。采用X11算法等技术对数据进行预处理,使用CNN网络提取监控指标时序数据的相关特征信息,并通过训练LSTM网络参数建立CNN-LSTM预测模型,设计了PSO算法对预测模型进行参数选优,减小预测误差,并以高斯正态分布确定阈值范围,实现故障的精准检测。通过和传统单一预测模型以及现有的一些组合预测模型的对比,CNN-LSTM-PSO模型预测后结果的均方根误差、平均绝对误差和平均百分比误差都低于其余模型。实验结果验证了模型在预测效果上具备更高的精度和更快的预测速度,在私有云的故障检测中精确性和实时性都具有良好效果。     

基于ISTA-LSTM模型的间歇过程质量预测

为了考虑过程变量与质量变量的相关性,解决间歇过程的时序性和动态特性导致预测精度不高的问题,提出一种基于改进时空注意力-长短时记忆神经网络(improved spatial and temporal attention long short-term memory,ISTA-LSTM)的模型进行间歇过程质量预测.首先,对间歇过程的三维数据按变量方向展开成二维矩阵,对二维数据采用Min-max方法归一化;然后,使用偏最小二乘(PLS)方法对原始数据降维,提取数据的特征信息,基于时间注意力和空间注意力构建编码-解码器结构的双层LSTM网络,利用注意力机制自适应地学习神经网络参数,关注每一个过程变量对质量变量的重要性并分配相应的注意值,从而保留所有输入的必要信息,采用带交叉验证的网格搜索算法对预测模型进行超参数寻优,并建立预测模型;最后,在青霉素发酵仿真平台上进行实验验证,实验结果验证了所提模型对间歇过程质量预测的可行性和有效性.