基于BP网络和D-S证据理论的瓦斯监测系统的研究

针对目前煤矿采用的瓦斯传感器输出信号具有模糊性、不确定性等问题,提出了一种基于BP网络和D-S证据理论的瓦斯监测系统的设计方案。该系统采用改进的BP算法获取煤矿环境的基本概率分配,采用D-S证据理论对BP网络输出结果进行信息融合,从而对井下瓦斯状态作出判断和决策。实验结果表明,该系统提高了瓦斯监测信息的准确性和决策的快速性。     

基于深度确定性策略梯度与模糊PID的直流微电网VRB储能系统就地层功率控制

针对直流微电网全钒液流电池(vanadium redox flow battery, VRB)储能系统在实际运行时就地控制层中的功率控制器存在时滞、精度低及抗干扰能力差等问题,提出了一种基于深度确定性策略梯度与模糊PID的功率跟踪控制策略。首先,建立VRB的等效电路模型来描述功率传输特性,并设计了由模糊PID与深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法组成的复合控制器。将模糊PID作为主控制器对功率环进行控制,DDPG作为辅助控制器来补偿功率跟踪误差。然后,设计了VRB储能系统就地层功率跟踪控制器,采用麻雀搜索算法(sparrow search algorithm, SSA)对PID参数和模糊规则进行优化,并通过阶跃信号对优化后的系统输出响应进行测试。同时将分配指令功率与储能单元给定功率偏差作为数据集在DDPG中进行训练,以提高主控制器的响应速度和抗干扰能力。最后,通过在3种不同场景的算例下进行仿真,验证了控制策略的有效性及稳定性。结果表明：所提控制策略在电池充放电时,能够快速地跟踪到功率指令值;实时跟踪时,跟踪功率值与调度指令值偏差小于±2%;受到扰动时,能准确修正功率偏差,满足实际要求。     

一种EKF-WLS-SVR与混沌时间序列分析的瓦斯动态预测新方法

针对瓦斯浓度时间序列高度的混沌特性,采用微熵率法同步确定最优的嵌入维数与延迟时间,还原瓦斯涌出系统状态空间。以无线传感网络系统采集并经降噪处理后的瓦斯浓度序列作为样本。提出利用带有整定因子的扩展卡尔曼滤波器( EKF)对加权最小二乘支持向量回归机( WLS-SVR)的正则化参数γ与核参数σ进行快速寻优,并依据周期性更新的训练样本建立基于EKF-WLS-SVR耦合算法的动态预测模型以精确预测后续时间点的瓦斯浓度。通过MATLAB进行仿真,结果表明：EKF滤波器对提高WLS-SVR的拟合精度与学习效率方面有很大的帮助。相比于其他模型,该耦合模型具备更高的预测精度与更强的鲁棒特性,有较高的实用价值。     

不同环境下无线信道密钥生成性能研究

在无线通信物理层安全的研究中,通信双方的信道具有很好的短时互易性,可以从无线信道中提取出相似的信道特征并生成一致的密钥.该技术可以利用无线信道天然的随机性为无线通信系统实时的分配对称密钥.本文利用通用软件无线电平台(USRP)设计并实现了实时的无线信道密钥生成系统.基于设计的无线密钥生成系统,本文在室内房间、室内走廊、空旷室外三种不同场景中的终端固定、终端移动以及人员走动三种不同信道环境下长时间测量了无线信道并生成了密钥.通过分析合法通信双方和窃听者信道状态信息(CSI)的互易性、CSI信息泄露率、CSI随机性、密钥随机性四个指标,详细分析了不同场景及环境下无线信道密钥生成技术的安全性与可靠性.通过实验表明,空旷室外信道随机性最高,室内走廊随机性其次,室内房间随机性最低.此外,周围环境变化愈快,信道随机性愈高.通过选择合适的密钥生成参数,都可以在不同的场景及环境下生成满足随机性要求的密钥.     

矿井提升计算机模糊控制系统

本文结合国内多数矿井的实际情况，采用具有动态响应特性好的模糊控制方法，设计出了根据矿井井底主煤仓煤量的多少来对矿井提升进行自动控制的计算机模糊控制系统。文章详细介绍了矿井提升计算机模糊控制系统的控制原理、模糊控制器的设计及控制系统的设计等。     

基于KPCA和CIPSO-PNN的煤与瓦斯突出强度辨识模型

为了实现对煤与瓦斯突出强度等级的准确辨识,提出将核主成分分析( KPCA)和改进概率神经网络相结合,建立煤与瓦斯突出的强度辨识模型。根据煤层条件和生产条件,确定影响煤矿瓦斯突出的相关基础参数并对其进行测定,采用KPCA对该参数集进行降维处理,提取出可以表征煤与瓦斯突出的敏感参数作为辨识模型的输入值。利用混沌免疫粒子群算法( CIPSO)优化概率神经网络(PNN)的σ参数,以克服PNN中平滑参数σ单一而导致的分类错误,避免了人为因素的影响,提高辨识模型的精度。实例分析结果表明,相比BP、PNN、PSO￣PNN等方法,该方法对煤与瓦斯突出强度进行辨识,结果更为准确。     

基于小波包和RBF神经网络的瓦斯传感器故障诊断

针对瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障为研究对象,提出了一种基于减聚类( SCM)与粒子群( PSO)算法优化的RBF神经网络进行模式分类与辨识的瓦斯传感器故障诊断方法。首先,利用三层小波包分解得到各个节点的分解系数,采用一定的削减算法使故障的瞬态信号特征得到加强,获取最优的特征能量谱。再利用SCM￣PSO算法优化RBF神经网络,使粒子的搜索速度更快,更有利于发现全局最优解。最后通过实验对比分析,该方法具有训练速度快、分类精度高的特点,辨识正确率在95％以上,能够显著提高故障诊断的速度和准确性。     

基于蚁群粒子群混合算法与LS-SVM瓦斯涌出量预测

为有效预防瓦斯灾害,以预测矿井瓦斯涌出量为研究目的,提出经改进的蚁群（ACO）粒子群（PSO）混合算法优化的最小二乘支持向量机（LS-SVM）,并用其预测非线性动态瓦斯涌出量。算法通过对LS-SVM的正则化参数C和高斯核参数σ进行寻优,建立了基于蚁群粒子群混合算法优化的瓦斯涌出量预测模型,并根据赵各庄矿矿井监测到的各项历史数据进行实例分析。实验结果表明：该预测模型预测的最大相对误差为1.05%,最小相对误差为0.28%,平均相对误差为0.75%。较其他预测模型拥有更强的泛化能力和更高的预测精度。     

基于LLE与BA-Elman的瓦斯涌出量动态预测研究

针对瓦斯涌出量受诸多因素影响,彼此间存在复杂的非线性关系导致预测精度不高这一问题,提出基于相关分析理论和局部线性嵌入理论的Elman网络瓦斯涌出量动态预测方法。在对监测指标进行相关性分析的基础上,用局部线性嵌入理论实现瓦斯涌出量影响因素从高维空间至低维空间的映射,进而重构影响瓦斯涌出量的有效因子,并将其作为Elman网络预测模型的输入矢量,以降低模型结构的复杂度,同时用蝙蝠算法全局优化Elman模型以提高预测的精度和泛化能力。试验结果表明该动态预测模型泛化能力强,预测精度高,适用于实际工作中对瓦斯涌出量的预测。     

基于bi-LWCA-ENN煤与瓦斯突出危险性预测

为了提高煤与瓦斯突出的预测精度,以实现准确、可靠的瓦斯突出危险性预测,提出一种双层狼群算法（LWCA）优化Elman神经网络模型进行模式分类与预测,建立煤与瓦斯突出的双层LWCA-ENN预测模型。分析煤与瓦斯突出机理和影响因素,提取相关数据样本,筛选稳定的特征子集作为特征向量训练模型,算法通过对Elman神经网络的权值、阈值寻优,建立了基于bi-LWCA-ENN算法的预测模型并结合矿井监测数据进行实例分析。试验结果表明：煤与瓦斯突出的bi-LWCA-ENN模型稳定性好,收敛速度快,有效地实现了瓦斯突出危险性预测。