基于改进LSTM循环神经网络瓦斯数据时间序列预测研究

发布时间：2020-04-16 19:56

【摘要】：瓦斯灾害历来是煤矿领域的重大安全问题。而煤矿开采深度的增大也使得井下的安全生产越来越难以保障。因此,如何准确且迅速地对瓦斯数据进行预测是非常有必要的,它可以有效地减少并防范瓦斯安全事故的发生,并能够及时作出应对措施。论文以瓦斯浓度的时间序列作为切入点,利用神经网络这一可以拟合非线性复杂问题的工具进行实验研究,再选取非常适合解决时间序列问题的循环神经网络RNN(Recurrent Neural Network)及其演化模型——长短时记忆模型LSTM(Long Short-term Memory)对瓦斯浓度的时间序列的相关问题进行了深入研究。论文主要完成了三个方面的工作:1)瓦斯涌出的成因十分复杂,如地应力,瓦斯压力,煤层埋深等,因此瓦斯涌出是一个复杂的非线性动力过程。论文通过地质动力区划法,挖掘了煤与瓦斯涌出的主要成因,提取了诸如最大主应力,瓦斯压力等地质因素数据作为瓦斯浓度时间序列预测的依据。2)论文使用了多种优化算法,一方面解决了数据在缺失或异常情况下不平滑的问题,另一方面则使用神经网络优化算法提高了神经网络的训练效率。接下来使用RNN神经网络模型来进行仿真预测,并用LSTM神经网络模型改进,解决了RNN模型带来的梯度弥散问题。3)由于LSTM模型复杂度过高,论文改进了LSTM模型,并采用主成分分析法,提出了PCA-LSTM-RNN神经网络模型,经过实验可知这种模型能够在保证精度的前提下极大提高神经网络的训练效率。
【图文】：

学术型硕士学位论文间序列的异常性。性是时间序列中的异常现象，一方面，部分异常值作为时间效的。它会影响整个网络的精度，甚至使神经网络难以达到此优化这些随机噪声项，对于神经网络的训练是很重要的。端大的异常值表示环境内部出现了异常情况，，应及时作出反的异常瓦斯时间序列曲线与数据异常的瓦斯时间序列曲线如

图 2-1 工作状态下的异常瓦斯时间序列曲线Figure 2-1 Time Series Curve of Abnormal Gas Under Working Conditi 表示工作状态下的异常状态曲线。瓦斯时序值会在某一小段发生工作时异常，应及时检查井下是否有突发情况或检测到及时采取相应的措施。
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TD712;TP183

【相似文献】

相关期刊论文 前10条

1 胡悦;;金融市场中的神经网络拐点预测法[J];金融经济;2017年18期

2 迟惠生;陈珂;;1995年世界神经网络大会述评[J];国际学术动态;1996年01期

3 吴立可;;脉冲神经网络和行为识别[J];通讯世界;2018年12期

4 林嘉应;郑柏伦;刘捷;;基于卷积神经网络的船舶分类模型[J];信息技术与信息化;2019年02期

5 俞颂华;;卷积神经网络的发展与应用综述[J];信息通信;2019年02期

6 韩真;凯文·哈特尼特;;为神经网络的通用理论建造基石[J];世界科学;2019年04期

7 鲍伟强;陈娟;熊涛;;基于进化神经网络的短期电力负荷预测研究[J];电工技术;2019年11期

8 陈晓燕;;浅析简单神经网络的发展及简单模型[J];数字技术与应用;2019年05期

9 王丽华;杨秀萍;王皓;高峥翔;;智能双轮平衡车的设计研究[J];数字技术与应用;2018年04期

10 张庭略;;基于硬件的神经网络加速[J];通讯世界;2018年08期

相关会议论文 前10条

1 孙军田;张U

本文编号：2629969