当前位置:主页 > 科技论文 > 安全工程论文 >

基于免疫算法的煤矿瓦斯监测信号智能抗干扰研究

发布时间:2020-12-04 00:45
  瓦斯灾害是煤矿生产过程中的重大安全隐患,瓦斯浓度的在线准确监测对煤矿安全生产有着重要的意义。然而由于矿井下存在复杂的电磁源,瓦斯传感器在数据采集过程中往往会受到电磁干扰而产生“大数”,“大数”会导致瓦斯检测系统的误报警,带来安全隐患。针对该问题,本文首先对干扰信号的特点进行分析,基于人工免疫算法搭建一种瓦斯“大数”干扰识别模型,进而利用该模型对干扰信号和正常报警信号的特点进行学习,在学习过程中提取出免疫疫苗,用于提高模型对干扰信号识别的速度和准确性。其次利用自适应免疫遗传算法的寻优能力寻求最小均方差算法的最佳收敛步长,设计一种自适应滤波器,使用该滤波器对干扰模型识别出的干扰数据进行滤除。为了验证本文设计的干扰识别模型是否有效,本文首先将采集到的数据直接用自适应滤波器进行处理,将处理后得到的数据与本文所设计方法处理后的数据进行对比;其次为了验证自适应滤波器对干扰数据的滤除效果,分别对干扰识别模型判断后的数据分别利用高斯滤波、巴特沃斯滤波和小波分析进行处理,然后将处理后的结果与自适应滤波器处理后的结果进行比较。通过对仿真实验结果的对比分析,证明了本文设计的方法对瓦斯干扰数据的滤除效果相对较... 

【文章来源】:江西理工大学江西省

【文章页数】:64 页

【学位级别】:硕士

【部分图文】:

基于免疫算法的煤矿瓦斯监测信号智能抗干扰研究


瓦斯“突出”与干扰对比图

收敛步长,LMS算法,迭代速度,不同步


图 3.3 不同步长 LMS 算法迭代速度对图 3.3 进行分析可以发现,当选取的收敛步长太小的时候,例如图中的收敛 0.025 时,LMS 算法迭代的速度非常缓慢,但是当 LMS 算法停止迭代即达到的时候,最终的迭代误差非常小;当选取得收敛步长较大的时候,例如图中收选取为 0.075 时,可以看出虽然 LMS 算法收敛速度很快,但是最终 LMS 算法时的稳态误差也比较大;当选取的收敛步长值非常大的时候,例如图中收敛步为 0.095 时,LMS 算法在收敛过程中稳定性变的非常差,很难收敛到最终的稳通过实验对不同的收敛步长的收敛结果进行对比可以发现,收敛步长值的选取影响 LMS 算法的迭代速度[68],而且对 LMS 算法最终收敛到稳定状态时的误差有很大的影响。3 RLS 算法与 LMS 算法对比为了对比 LMS 算法与 RLS 算法在不同环境下的收敛性能,分别对两种自适应迭代收敛的仿真实验,由于 RLS 算法中加权因子λ 无量纲,而 LMS 算法中收子μ 有量纲,其量纲为功率量纲的倒数[66]。因此,为了更好的比较两种算法收

RLS算法,LMS算法,遗忘因子


第三章 自适应 FIR 滤波器设计对于 RLS 算法定义遗忘因子为:β =1 λ首先对滤波器的相关参数进行设置:权系数的个数 L =10,迭代次数为 1500。程中为了更好的对比两种算法的收敛性能,步长因子和遗忘因子均取使算法性优的值。为了更为全面的比较出两种算法的收敛性能,试验分别在平稳环境下环境下进行。图 3.4 和图 3.5 为两种环境下得到的收敛结果。在平稳环境下 R LMS 算法的对比结果如图 3.4 所示。


本文编号:2896738

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/anquangongcheng/2896738.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户cd501***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com