基于改進粒子群小波神經網絡的瓦斯濃度預測研究

      煤礦開采已經成為我國經濟建設的重要產業，隨之而來的是煤礦開采過程中產生的瓦斯氣體所導致的危險事件。為了保障煤礦開采的安全以解決瓦斯氣體的爆炸，建立高效準確的瓦斯預測系統成為我國學術領域研究的重點。如對煤與瓦斯突出相關的5個特征進行分析，采用拉依達準則處理數據異常值并采用隨機森林、支持向量機和K近鄰模型進行煤與瓦斯突出預測，實驗表明：采用隨機森林數據插補方法并利用隨機森林模型完成的預測，在所有數據插補方法和預測模型組合中性能最優[1];針對現有煤與突出預測方法存在可視化程度低、突出預測準確性和實時性不高等問題，以新元煤礦為試驗礦井，構建了煤與瓦斯突出預測多元數據可視化系統，應用結果表明：該系統改變了新元煤礦突出預測指標單一、不連續的現狀，顯著提高了礦井煤與瓦斯突出預測準確性與實時性[2];針對煤礦瓦斯濃度的預測的問題，以亭南煤礦正常生產期間302工作面的監測數據為研究背景，采用深度學習技術LSTM建立瓦斯預測模型，研究與設計了基于LSTM的煤礦瓦斯預測預警系統，該系統實現了煤礦瓦斯預警系統，增強了煤礦瓦斯監控系統的預警能力，提高了煤炭企業安全生產管理水平[3]。本研究認為，其不僅需要構建預測系統，還需要保證其瓦斯預測的準確性。因此，基于小波神經網絡原理，提出一種粒子群優化小波神經網絡的瓦斯預測模型，以此提高瓦斯預測的精準率。
　　1小波神經網絡簡介
　　傳統的BP神經網絡是采用Sigmoid作為隱含層，這就導致傳統算法具有陷入局部最優和收斂速度慢的問題。為改善這種問題，使用小波算法代替神經系統隱含層，從而最大程度地優化神經系統結構。設小波函數f（t）為一維信號，則小波基：
　　小波函數作為隱含層，具有很強的適應性。但以上方法還存在缺陷，如網絡初始值很難確定，同時當樣本過多時，收斂速度會變慢。因此，基于以上問題，需要對小波神經網絡進行改進。
　　2基于改進小波神經網絡的瓦斯濃度預測模型
　　基于傳統小波神經網絡存在的問題，提出采用粒子群對小波神經網絡進行改進，具體改進步驟：
　?。?）將N設置為輸入層，M設置為隱藏層，L設置為輸出層，M維向量設置為縮放和平移因子;
　?。?）將初始化速率，并找到最佳起始位置和總體最佳值;
　?。?）將訓練樣本數據傳輸至輸入層學習;
　　（4）根據
　　對小波神經網絡參數進行優化;
　?。?）確定參數是否滿足條件，若滿足則選擇優化參數;若不滿足則轉回步驟（3）;