论文部分内容阅读
煤被誉为黑色的金子,是我国使用的主要能源之一,在经济发展与人类生活中发挥着重要的作用。煤矿通信系统的发展是煤矿抢险救灾和煤矿安全的必要前提,然而,矿井巷道中环境复杂,电磁波传输严重受限,矿井通信系统发展较慢。本课题对煤矿井下的电磁波传输特性展开一系列深入的研究并学习经典的算法,对信道进行仿真建模。这一系列工作为矿井通信的深入研究与发展提供了理论依据,具有实际的意义。本文首先将复杂环境的巷道简化为空直矩形巷道,以波导理论为出发点,得出空直巷道中电磁波固有的传输特性,得到电磁波传输两种类型的场:（36）（）mhn</sup>与（36）（）mvn</sup>模,根据公式推导得出传输模的截止频率、传播常数和电磁波衰减率的公式,进一步研究了电磁波的能量衰耗。接着,针对矿井巷道内的特有环境,研究并总结出影响无线电波传输的几大因素,并用公式表达,具体因素包括:巷道壁粗糙引起的损耗、巷道壁倾斜引起的损耗、巷道内的粉尘散射带来损耗以及潮湿的空气造成的雾滴损耗。对于井下巷道电磁波的传输,存在较为严重的多径效应。本文阐述了多径效应的形成原因,引入经典的电磁波仿真算法——射线跟踪法。射线跟踪算法将电磁波看做光线,利用光学原理,对电磁波传输的路径进行仿真,使每条电磁波射线的场强在接收节点进行叠加求解场强和,最后得到场强值同时仿真得到预测图,用最小二乘算法对预测曲线做拟合,得出一条具有对数衰耗特征的曲线,验证算法性能。本课题在与矿井巷道环境较为相似的地下管廊中进行实际数据的采集,发现射线跟踪算法仿真的数据与实测数据曲线趋势相同,但有一定误差。论文中考虑到确定性建模方法对场景数据的精度要求高,数据量要求较大,算法复杂。提出将信道建模的问题看做是信号强度与巷道中接收距离与环境中相关参数的非线性映射问题,引出对数据处理能力较强的BP神经网络,使其与射线跟踪相结合,构造混合模型。在射线跟踪法的基础上,得到仿真与实测数据的差值,差值用作BP神经网络的输入信息,实测场强当做BP网络的输出,训练网络,使BP神经网络掌握煤矿井下环境中的细微因素对场强值造成的影响。混合模型的构建使得场景中的细微信息对场强值的影响也被考虑在内,同时明显提高了仿真时的速度与模型的精度。预测模型中仍有的误差,用遗传算法对其优化,实验结果证明,优化后的模型精度有一定的提高。为了将机器学习算法运用到矿井的信道建模中,本文又对支持向量机进行了研究。针对其泛化能力强,全局寻优的优点,使用LS-SVM算法对实测场强进行训练,得到模型,再与本文之前的算法结果对比。对比发现,射线跟踪-BP网络的误差为-3.368（dbm）,射线跟踪-GABP的误差为-1.206（dbm）,LS-SVM的误差为-1.320（dbm）。由结果可知优化后的混合模型最为精确,LS-SVM次之,射线跟踪-BP的误差相对较大。可以说明针对小样本数据支持向量机确实会比BP神经网络好很多。以上三种方案的预测对各个模型的性能进行验证,实验结果可以看出,算法结合后的模型确实能够准确高效的预测井下巷道中的场强。