一种GRU的瓦斯浓度预测改进模型

发布时间：2021-02-16 17:38

　　针对传统的瓦斯浓度预测算法预测精准度低、鲁棒性较差的问题,提出一种改进GRU网络的瓦斯浓度预测模型。将门控神经网络的输入层替换为堆栈降噪自编码器,在循环单元上加入Dropout层,优化算法收敛速度。结果表明,在特定的数据样本下,改进的S-GRU算法模型比单一模型或组合模型在效率方面提升6%～30%,能够有效提高瓦斯浓度预测的精准度。 

【文章来源】：黑龙江科技大学学报. 2020,30(05)

【文章页数】：5 页

【部分图文】：

GRU结构原理

经过对SDAE与循环神经网络的相关研究,搭建了一个基于改进门控神经网络的瓦斯浓度预测S-GRU模型。该模型为自上而下的组合模型,将收集来的瓦斯浓度数据以向量的形式,输入到堆栈降噪自编码器,而后经过自编码器特征提取后输入到GRU网络结构。由于堆栈降噪自编码器具有较好的特征提取能力,并且降噪自编码器本身具有较强的鲁棒性,可以有效提升模型整体鲁棒性。该模型未使用传统的单一循环神经网络,为了避免由于数据样本的数量影响实验结果,采用双层GRU网络结构预测瓦斯浓度。具体模型算法流程如图2所示。由图2可见,提取瓦斯浓度原始数据,将其转化为向量

从图3可以看出,S-GRU模型在RMSE评价指标瓦斯浓度预测性能方面表现出来的性能优于对比原生模型。S-GRU模型的RMSE平均值为0.05,对比模型中最优值是GRU网络的0.077。设置S-LSTM、S-RNN组合模型作为对比模型,RMSE对比结果如图4所示。由图4可见,对比S-GRU模型的预测结果比S-LSTM提高约6%。

【参考文献】：
期刊论文
[1]基于支持向量机的矿井瓦斯浓度预测应用研究[J]. 赵华天.  煤炭科技. 2018(04)
[2]煤矿综采工作面瓦斯浓度预测模型[J]. 李欢,贾佳,杨秀宇,宋春儒.  工矿自动化. 2018(12)
[3]深度学习耦合粒子群优化SVM的瓦斯浓度预测[J]. 钱建生,邱春荣,李紫阳,吴响.  煤矿安全. 2016(11)
[4]基于SVM耦合遗传算法的回采工作面瓦斯涌出量预测[J]. 董晓雷,贾进章,白洋,樊程程.  安全与环境学报. 2016(02)
[5]基于灰色理论-BP神经网络的煤层瓦斯含量预测研究[J]. 李长兴,魏国营.  煤炭技术. 2015(05)
[6]基于K-CV&SVM的工作面煤层瓦斯含量预测[J]. 刘涛,贾进章.  世界科技研究与发展. 2015(02)



本文编号：3036702