基于LSTM-FC的瓦斯浓度时空分布预测

传统的工作面瓦斯预测方法仅利用瓦斯数据的时间特性,缺乏与空间相关的先验信息,因此利用瓦斯数据的时空特性,采用深度学习算法长短期记忆与全连接神经网络相结合的方法构建LSTM-FC（Long Short Time Memory-Fully Connection）瓦斯浓度时空序列的预测模型。LSTM能够解决瓦斯序列的长时间依赖性,全连接神经网络能够准确捕捉瓦斯序列的空间关联性,深入挖掘瓦斯数据之间的时空特性,通过预测不同位置的瓦斯值,构造工作面的瓦斯分布图。实验结果表明,通过使用LSTM-FC模型,预测误差有了明显减少,相比于其他神经网络预测模型,预测精度有所提高。     

基于视频的上肢外骨骼行为预判方法

针对传统穿戴式上肢外骨骼人机交互行为预测受到穿戴者身体状况影响的问题,提出一种基于卷积神经网络(CNN)的多时间融合(multiple temporal fusion,MTF)模块。对特征进行一系列的子卷积处理,使每一帧可以完成多个邻域的时间聚合,能够在距离较远的帧上建立长期的时间关系,在推理时提出一种基于非线性最小二乘参数的自适应算法(NRLS-A),对神经网络参数进行实时调整,使在线预测精度提高了28%。该模型基于Tensor Flow在GPU上进行并行计算。在自建数据集上的平均准确度达到了84.9%,比传统的LRCN网络模型提高了5%。     

基于MFCC和FD-CNN卷积神经网络的综放工作面煤矸智能识别

煤矸的在线准确快速识别是放顶煤采煤法的关键技术,对提升采煤效率有重要的指导意义。从梅尔频率倒谱系数在语音识别中的广泛应用得到启发,以实际生产状态下采集的煤与煤矸滚落到液压支架尾梁振动信号的MFCC特征参数为训练与测试样本,分别计算顶煤垮落和煤矸混放2种情况下液压支架尾梁振动信号的梅尔频率倒谱系数并构成二维特征矩阵。近些年随着深度学习的迅速发展,卷积神经网络(CNN)已经成为检测和识别领域最好的方法,它可以自动地从数据集中学习提取特征。但是卷积神经网络(CNN)在通用CPU以及GPU平台上推断速度慢,使得深度卷积神经网络很难满足煤矸石在线识别的实时性要求。基于卷积神经网络与LD-CNN轻型神经网络建立FD-CNN煤和煤矸智能识别模型,将液压支架尾梁振动信号的MFCC特征矩阵作卷积神经网络的输入,实现了识别模型的结构优化,大大提高运算速度,减少资源的使用,并且揭示了模型的识别机理与分类依据。实验结果表明:模型复杂度对识别速度影响较大;基于MFCC参数枝得到的煤矸识别模型可以将振动信号作为煤矸识别的可靠依据,同时准确捕捉煤与矸石由于物理性质不同所产生的振动信号高维差异,综合给出识别结果。压缩...