论文部分内容阅读
目前的研究指出井下瓦斯气体的变化规律具有混沌性质,只能满足短期且不精确的预测。现有的数学模型进行瓦斯数据预测时虽然在正确率方面有所改进,但是存在着串行度高,工作层次低,扩展性不好等缺点。因此本文提出了“预测-分类-融合”(predict-classify-fuse(PCF))模型。该模型具有并行性,以满足运行的时间要求;能直接输出决策层面信息,以保证从预警信息发布到灾害发生之间的窗口长度;满足一定的扩展性,可以在瓦斯浓度变化规律不同的煤矿中使用。本文阐述了 PCF模型设计的思想,给出了模型构建的过程,并通过实验证明PCF模型在保持正确率的基础上达到了并行性、输出决策层结论和可扩展的要求。首先针对原始数据具有非平稳的特点采用了小波滤波降噪。针对瓦斯数据的混沌特性,在数据层面采用了相空间重构和神经网络数据预测方法。同时采用C-C算法计算了嵌入维数和延迟时间,并考察了不同类型神经网络,嵌入维数和预测步长之间的关系,通过实验分析了最佳的参数配比,实验结果表明在该参数配比下具有较佳的预测结果。然后确定了瓦斯危险状态的划分规则,并在此划分规则下得到了分类器的输出维数。针对映射操作具有较高非线性的特点,采用了基于神经网络的分类器和支持向量机分类器。考虑到模型的鲁棒性和泛化性,在分类之前增加了降维模块。为了使降维模块对模型的运行时间影响尽可能的小,提出了一种求最佳先验转换矩阵T的方法,并通过实验考察利用T转换再重构之后的误差,证明该算法达到了模型的要求。最后针对分类模块产生的证据在有些情况下具有较高冲突的情况,通过分析PCF模型自身的构造特点,提出了适合于本模型的基于误差来源的证据折扣方法,并利用这种方法构造了本模型的基本概率分配函数(BPA),实验表明此BPA函数产生的新证据有效的减小了原始证据间的冲突,提高了最后结论的显著性水平和正确率,通过实验对比发现本模型可以通过改变分类器的类型和数量来增强、精简模型从而提升模型的能力并使其达到了扩展性的要求,但是也发现这种提升只在一定区间内有效。通过理论分析得出PCF模型的并行性体现在分类模块的并行设计上。