FU Hua，DAI Wei（1.Faculty of Electrical and Control Engineering，Liaoning Technical University，Huludao Liaoning 15105，China；.College of Safety Science and Engineering，Liaoning Technical University，F(xiàn)uxin Liaoning 13000，China）

?

Gas Concentration Dynamic Prediction Method of Mixtures Kernels LSSVM Based on ACPSO and PSR*

FU Hua1*，DAI Wei2
（1.Faculty of Electrical and Control Engineering，Liaoning Technical University，Huludao Liaoning 125105，China；2.College of Safety Science and Engineering，Liaoning Technical University，F(xiàn)uxin Liaoning 123000，China）

In order to predict the gas concentration of coalface accurately，the gas concentration dynamic prediction method of mixtures of kernels least squares support vector Machine theory based on phase space reconstructiontheo?ry and adaptive chaos particle swarm optimization was proposed.This paper has the coalface gas concentration ob?tained by wireless sensor network monitoring system in underground to be the target，the noise of the gas concentra?tion was filtered by translation invariant de-noising method，the MK-LSSVM model was trained with gas concentra?tion time series data based on phase space reconstruction，and ACPSO algorithm was used to optimize the parame?ters of MK-LSSVM model，the prediction accuracy of the whole system was improvement by error correction method. The simulation result shows that，the dynamic prediction method we proposed was able to make prediction result fit the monitoring data well.And the mean absolute percent error was 0.024 1，the relative root mean square error was 0.209 7，the average relative variance was 0.003 11，the results were reasonable and meet the actual needs of the project，which can provide an effective theoretical basis forprediction and prevention work of mine gas.

gas concentration；dynamic prevention；phase space reconstruction；adaptive chaos particle swarm algo?rithm；measures-kernel LSSVM

預(yù)測(cè)工作面瓦斯?jié)舛仁欠乐瓮咚雇怀鰹?zāi)害的重要措施。受地質(zhì)構(gòu)造、煤層厚度等自然因素和開采技術(shù)的影響，采煤工作面瓦斯?jié)舛瘸尸F(xiàn)出顯著的不均衡性和復(fù)雜性，目前，以瓦斯?jié)舛茸鳛檠芯繉?duì)象進(jìn)行預(yù)測(cè)、預(yù)警的方法較多，譬如灰色系統(tǒng)［3］、分形理論［2］、D-S理論［3］、支持向量機(jī)［4］、神經(jīng)網(wǎng)絡(luò)［5］等，這些方法都是對(duì)瓦斯?jié)舛阮A(yù)測(cè)的有益探索。然而，在有限的瓦斯?jié)舛扔^測(cè)數(shù)據(jù)中，瓦斯?jié)舛鹊姆瞧椒€(wěn)性和隨機(jī)性對(duì)預(yù)測(cè)結(jié)果存在較大影響［6］，需要提高預(yù)測(cè)模型的精度和泛化能力。因此，提出用混合核最小二乘支持向量機(jī)MK-LSSVM（Mixtures Kernel Least Squares Support Vector Machine）網(wǎng)絡(luò)擬合工作面瓦斯?jié)舛扰c其歷史瓦斯?jié)舛葦?shù)據(jù)之間的非線性函數(shù)關(guān)系，彌補(bǔ)單一核函數(shù)的不足；提出用自適應(yīng)混沌粒子群優(yōu)化算法ACPSO（Adaptive Chaos Particle Swarm Optimi?zation）所具有的全局搜索能力去獲取MK-LSSVM模型的最優(yōu)參數(shù)，同時(shí)構(gòu)建誤差校正模型，以提高預(yù)測(cè)模型的性能。建立相空間重構(gòu)PSR（Phase Space Reconstruction）MK-LSSVM瓦斯?jié)舛阮A(yù)測(cè)模型，實(shí)現(xiàn)工作面瓦斯?jié)舛鹊目焖?、有效預(yù)測(cè)，為煤礦的安全監(jiān)測(cè)監(jiān)控提供良好的理論支持及技術(shù)指導(dǎo)。

1　瓦斯?jié)舛葧r(shí)間序列相空間重構(gòu)

瓦斯?jié)舛刃蛄锌梢悦枋鰹榫哂谢煦绶蔷€性特征的時(shí)間序列，根據(jù)Takens定理，獲取瓦斯序列中所蘊(yùn)含的可以表征動(dòng)力系統(tǒng)的初始特征信息，則需要?jiǎng)?chuàng)建多維狀態(tài)空間，使之成為MK-LSSVM模型可用的輸入矢量，即對(duì)瓦斯?jié)舛葧r(shí)間序列進(jìn)行相空間重構(gòu)［7-8］。

對(duì)于瓦斯?jié)舛葧r(shí)間序列｛x（t）｝（t=1，…N），根據(jù)相空間微熵率重構(gòu)參數(shù)法［9］，以微熵率最小的方法選取合適的延遲時(shí)間τ與嵌入維數(shù)m進(jìn)行相空間重構(gòu)。重構(gòu)后得到t時(shí)刻系統(tǒng)的動(dòng)力學(xué)狀態(tài)X（t）：

式中，M表示m維相空間中的點(diǎn)數(shù)且M=1，2，…，N-（m-1）τ。

在相空間中，延遲時(shí)間τ后的狀態(tài)X′（t+τ）與當(dāng)前的狀態(tài)X（t）之間存在一個(gè)光滑映射F：Rm→Rm，則二者之間的關(guān)系滿足式（2），則F（·）是系統(tǒng)的預(yù)測(cè)函數(shù)。

2　混合核函數(shù)最小二乘支持向量機(jī)

LSSVM在結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上，彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)泛化性能不高，小樣本時(shí)精度低，大數(shù)據(jù)時(shí)“維數(shù)災(zāi)難”的缺陷；并且，其對(duì)高維數(shù)、非線性、小樣本數(shù)據(jù)的處理能力會(huì)使煤礦瓦斯?jié)舛葎?dòng)力系統(tǒng)實(shí)現(xiàn)更加準(zhǔn)確的辨識(shí)與預(yù)測(cè)。由于受單一核函數(shù)的局限，LSSVM的預(yù)測(cè)精度過(guò)于依賴對(duì)核函數(shù)及其參數(shù)的選擇的問(wèn)題。為此提出MK-LSSVM模型，并將ACPSO算法與MK-LSSVM有機(jī)結(jié)合起來(lái)，進(jìn)而改善其收斂速度與學(xué)習(xí)效率。從本質(zhì)上提高M(jìn)K-LSSVM的辨識(shí)性能和預(yù)測(cè)精度。

2.1LSSVM原理

定義樣本LSSVM將逼近誤差ξ的二次范數(shù)作為損失函數(shù)，優(yōu)化問(wèn)題可描述為

式中，J為損失函數(shù)，ω∈Rnh為權(quán)向量；ξ為經(jīng)驗(yàn)誤差，b為偏置量，γ是正則化參數(shù)，它是調(diào)節(jié)作用能夠使所求得的逼近函數(shù)在具有良好泛化能力的前提下兼顧模型復(fù)雜度與訓(xùn)練誤差，φ（·）：Rn→Rnh表示樣本到高維空間的非線性映射。對(duì)偶問(wèn)題Lagrange多項(xiàng)式為：

式中，αi為L(zhǎng)agrange乘子。對(duì)ω，ξi，b，αi分別求偏導(dǎo)數(shù)，得到最優(yōu)解條件為

根據(jù)KKT條件，消去ω，ξi的方程組為：

式中，I=［1，1，…，1］T；α=［α1，α2，…，αN］T；y=［y1，y2，…，yN］T；E是N×N維單位矩陣；Ω=K（xi，xj）是滿足Mercer條件的核函數(shù)，Ω+γ-1E是核相關(guān)矩陣。

通過(guò)KKT條件求取參數(shù)α*、b*，LSSVM回歸模型為：

式中，K（x，xi）是LSSVM的核函數(shù)。

2.2MK-LSSVM模型

LSSVM中核函數(shù)的選擇決定了模型的特性，局部核函數(shù)學(xué)習(xí)能力強(qiáng)、泛化性能弱，而全局核函數(shù)泛化性能強(qiáng)、學(xué)習(xí)能力弱［10-11］。為了使結(jié)構(gòu)風(fēng)險(xiǎn)最小化，使真實(shí)風(fēng)險(xiǎn)達(dá)到最優(yōu)，本文將綜合局部核函數(shù)和全局核函數(shù)的優(yōu)點(diǎn)，構(gòu)造混合核函數(shù)以提高LSSVM模型的辨識(shí)和預(yù)測(cè)的精度。重新構(gòu)造的混合核函數(shù)：

其中，λ∈［0，1］是混合權(quán)重系數(shù)，用來(lái)權(quán)衡不同核函數(shù)在混合核中的比重，即選擇擬合精度和泛化能力間的折中。q是多項(xiàng)式核階數(shù)，若q過(guò)大則會(huì)使模型維數(shù)增大，并降低泛化能力，所以文中采用二次多項(xiàng)式核。

因此，需要優(yōu)化的混合核LSSVM參數(shù)分別是正則化參數(shù)γ、核參數(shù)σ和權(quán)重系數(shù)λ。

3　ACPSO優(yōu)化混合核LSSVM模型

3.1基本粒子群優(yōu)化算法

粒子群優(yōu)化（PSO）算法是一種基于群體智能的全局優(yōu)化進(jìn)化算法。其規(guī)則簡(jiǎn)單，收斂的速度快，粒子更新自身的速度和位置：

其中，i=1，2，…，m；j=1，2，…，d；k為當(dāng)前迭代次數(shù)；ω為慣性權(quán)重；c1和c2是加速度因子，均為非負(fù)常數(shù)；r1和r2是分布于［0，1］區(qū)間式的隨機(jī)數(shù)。Xi=（xi1，xi2，…，xid）T是第i個(gè)粒子的位置；Vi=（vi1，vi2，…，vid）T是第i個(gè)粒子的速度；Pi=（Pi1，Pi2，…，Pid）T是個(gè)體最優(yōu)解，Pg=（Pg1，Pg2，…，Pgd）T是種群的群最優(yōu)解［11］。

3.2慣性權(quán)重自適應(yīng)調(diào)整

慣性權(quán)重體現(xiàn)了粒子繼承先前的速度的能力，若慣性權(quán)重較大則有利于全局搜索，若慣性權(quán)重較小則有利于局部搜索。為了增強(qiáng)算法在全局和局部搜索之間的平衡，本文采用非線性遞減策略的自適應(yīng)調(diào)整慣性權(quán)重

式中，ωmax、ωmin分別表示慣性權(quán)重的最大值和最小值，ki表示當(dāng)前迭代次數(shù)，Tmax表示最大迭代次數(shù)。在初期，ω變化較慢，取值較大，維持了算法的全局搜索能力，而后期ω變化較快，極大地提高了算法的局部尋優(yōu)能力，因此可以獲得較好的收斂速度和精度。

3.3混沌擾動(dòng)以及早熟判斷機(jī)制

混沌優(yōu)化算法具有較好的隨機(jī)性和遍歷性，因此在初始和進(jìn)化過(guò)程中具有隨機(jī)性特點(diǎn)的PSO算法中，引入混沌搜索思想，改善PSO算法擺脫局部極值點(diǎn)的能力，提高收斂速度和精度。本文采用典型的混沌系統(tǒng)Logistic映射，其方程是：

式中，μ為控制參量，設(shè)0≤z0≤1，取μ=4時(shí)，系統(tǒng)完全處于混沌狀態(tài)。

當(dāng)PSO算法收斂但又未獲得理論最優(yōu)解時(shí)，進(jìn)化過(guò)程將處于停滯狀態(tài)，算法陷入局部最優(yōu)，此時(shí)，群體適應(yīng)度方差應(yīng)等于零或者接近于零。因此，以群體適應(yīng)度方差作為判斷粒子群早熟的依據(jù)，定義群體適應(yīng)度方差δ2：

其中，fi是粒子i的當(dāng)前適應(yīng)度值，favg是當(dāng)前種群的平均適應(yīng)度值；f=max［1，max|fi-favg|］為歸一化定標(biāo)因子。δ2的值越小，表示群體的收斂性越好。

3.4ACPSO算法優(yōu)化模型參數(shù)

瓦斯信號(hào)的非線性、復(fù)雜性、時(shí)變性等特征，使安全監(jiān)測(cè)系統(tǒng)對(duì)瓦斯?jié)舛阮A(yù)測(cè)模型的泛化能力和預(yù)測(cè)精度要求能夠達(dá)到良好的預(yù)期效果。提出在PSO算法中引入混沌思想，結(jié)合定義的自適應(yīng)慣性權(quán)重和群體適應(yīng)度方差來(lái)平衡PSO算法的全局和局部搜索能力，得到一種自適應(yīng)混沌粒子群優(yōu)化算法，并用其優(yōu)化混合核LSSVM模型參數(shù)，以提高模型的預(yù)測(cè)性能，具體優(yōu)化步驟如下：

Step 1參數(shù)初始化：以混合核LSSVM模型的參數(shù)（γ，σ，λ）作為優(yōu)化目標(biāo)，設(shè)置粒子群的種群數(shù)num、學(xué)習(xí)因子與慣性權(quán)重ω范圍、最大迭代次數(shù)Tmax等。

Step 2混沌初始化：隨機(jī)產(chǎn)生一個(gè)d維向量zi=（zi1，zi2，…，zid），zi各分量在（0，1）之間，根據(jù)Logistic映射式（15）產(chǎn)生N個(gè)具有混沌特性的向量（z1，z2，…，zN），并將混沌特征向量按式（17）映射到優(yōu)化變量的搜索區(qū)域。

計(jì)算粒子的適應(yīng)度值，選出其中m個(gè)適應(yīng)度較好的作為初始粒子，再隨機(jī)產(chǎn)生m個(gè)初始速度。

Step 3按式（11）自適應(yīng)調(diào)整慣性權(quán)重，并按式（10）對(duì)粒子的位置和速度更新。計(jì)算各粒子的適應(yīng)度值，更新個(gè)體粒子的最優(yōu)值Pi和全局最優(yōu)值Pg。

Step 4根據(jù)當(dāng)前種群的適應(yīng)度方差δ2，判斷是否陷入早熟狀態(tài)，若種群適應(yīng)度方差δ2小于閾值，則轉(zhuǎn)入Step 5，否則轉(zhuǎn)入Step 3。

Step 5如果判斷出粒子陷入早熟，則進(jìn)行混沌擾動(dòng)。對(duì)最優(yōu)位置Pg=（Pg1，Pg2，…，Pgd）進(jìn)行混沌優(yōu)化。將Pgj（j=1，2，…，d）映射到Logistic方程的定義域［0，1］，再用式（12）進(jìn)行迭代產(chǎn)生混沌變量序列，并將序列通過(guò)

Step 6判斷是否滿足終止條件，若不滿足條件則返回Step 3，若滿足終止條件，則輸出全局最優(yōu)解。

4　建立瓦斯?jié)舛葎?dòng)態(tài)預(yù)測(cè)模型

瓦斯?jié)舛葎?dòng)態(tài)預(yù)測(cè)系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1　瓦斯?jié)舛葎?dòng)態(tài)預(yù)測(cè)系統(tǒng)結(jié)構(gòu)示意圖

建立瓦斯?jié)舛葎?dòng)態(tài)預(yù)測(cè)模型的步驟如下：

①對(duì)傳感器監(jiān)測(cè)到的瓦斯?jié)舛刃盘?hào)預(yù)處理，濾除噪聲，再用Lyapunov指數(shù)對(duì)濾除噪聲后的瓦斯?jié)舛葧r(shí)間序列x（t）進(jìn)行分析，用最小微熵率法選擇合適的最佳嵌入維數(shù)和時(shí)延時(shí)間，對(duì)x（t）進(jìn)行相空間重構(gòu)。

②在重構(gòu)的相空間中，以重構(gòu)的數(shù)據(jù)樣本作為MK-LSSVM的矢量輸入，采用數(shù)據(jù)時(shí)間窗口滑動(dòng)更新策略，以固定窗口為單位滾動(dòng)更新樣本，對(duì)模型進(jìn)行學(xué)習(xí)訓(xùn)練，使模型中的核矩陣隨樣本的更新而相應(yīng)的變化，保證預(yù)測(cè)系統(tǒng)能夠反映瓦斯?jié)舛鹊淖钚伦兓?guī)律，以減小因隨時(shí)間遷移引起的累積誤差，提高模型的擬合精度。

③用ACPSO算法優(yōu)化MK-LSSVM的模型參數(shù)（γ，σ，λ），使適應(yīng)度值達(dá)到最小，將獲得的最優(yōu)參數(shù)反饋給MK-LSSVM模型。

本文定義MK-LSSVM模型的實(shí)際輸出結(jié)果y?i（x）與目標(biāo)期望結(jié)果yi（x）的均方差作為適應(yīng)度函數(shù)J（x）

④通過(guò)誤差校正方法提高M(jìn)K-LSSVM模型的預(yù)測(cè)精度。定義訓(xùn)練誤差集｛ek｝lk=1是訓(xùn)練樣本在優(yōu)化MK-LSSVM模型時(shí)所產(chǎn)生的訓(xùn)練誤差，用｛ek｝lk=1建立MK-LSSVM誤差預(yù)測(cè)模型，通過(guò)該模型對(duì)預(yù)測(cè)樣本的誤差進(jìn)行預(yù)測(cè)，進(jìn)而校正預(yù)測(cè)模型對(duì)瓦斯?jié)舛鹊念A(yù)測(cè)值，得到最終的瓦斯?jié)舛阮A(yù)測(cè)序列。

5　瓦斯?jié)舛阮A(yù)測(cè)實(shí)驗(yàn)及分析

5.1數(shù)據(jù)預(yù)處理

文中以來(lái)自開灤礦業(yè)集團(tuán)錢營(yíng)礦的瓦斯?jié)舛缺O(jiān)測(cè)數(shù)據(jù)為例，采集到的2015年5月某時(shí)段的500個(gè)瓦斯?jié)舛葦?shù)據(jù)樣本，其曲線圖如圖2（a）所示。

圖2　瓦斯?jié)舛冉翟胩幚?/p>

由于煤礦井下開采環(huán)境復(fù)雜，瓦斯?jié)舛刃盘?hào)會(huì)受到各種干擾噪聲的影響，因此，先用平移小波變換法對(duì)監(jiān)測(cè)到的瓦斯?jié)舛葧r(shí)間序列進(jìn)行降噪處理，去噪后的瓦斯?jié)舛葧r(shí)間序列如圖2（b）所示，已經(jīng)將原始監(jiān)測(cè)瓦斯?jié)舛刃蛄兄袛y帶的干擾和毛刺剔除。用最大Lyapunov指數(shù)判斷識(shí)別瓦斯?jié)舛葧r(shí)間序列是否具有混沌特性［12］，本文根據(jù)文獻(xiàn)［13］計(jì)算得到該時(shí)間序列的Lyapunov是0.036 728＞0，因此可以判斷出瓦斯?jié)舛葧r(shí)間序列具有混沌特性。

5.2預(yù)測(cè)過(guò)程

對(duì)去噪后的瓦斯?jié)舛葧r(shí)間序列，用其中的樣本1～470對(duì)模型作學(xué)習(xí)訓(xùn)練，用樣本471～500做預(yù)測(cè)。根據(jù)微熵率法求取其嵌入維數(shù)m=6，時(shí)間延遲τ=3，相空間重構(gòu)后得到455組樣本，將重構(gòu)的樣本作為MK-LSSVM的輸入矢量，采用滑動(dòng)窗口更新訓(xùn)練樣本，訓(xùn)練MK-LSSVM預(yù)測(cè)模型，同時(shí)ACPSO算法優(yōu)化模型的參數(shù)，并通過(guò)誤差校正提高模型的預(yù)測(cè)精度。其中，粒子群種群數(shù)為50，最大迭代次數(shù)為500，加速度因子c1=c2=2，ωmax=0.9，ωmin=0.4；模型訓(xùn)練的允許誤差范圍為10-4。

經(jīng)ACPSO優(yōu)化得到MK-LSSVM預(yù)測(cè)模型的最優(yōu)參數(shù)為正則化參數(shù)γ=16.4325、核參數(shù)σ=200、權(quán)重系數(shù)λ=0.605。圖3是用PSO和ACPSO優(yōu)化MK-LSSVM模型參數(shù)時(shí)對(duì)應(yīng)的收斂曲線，可以看出，PSO優(yōu)化MK-LSSVM模型時(shí)在第336次迭代處收斂，而ACPSO優(yōu)化MK-LSSVM模型時(shí)在305次迭代處收斂，并且ACPSO的收斂精度更高，在混沌擾動(dòng)策略下，可以避免陷入局部極值，能夠達(dá)到模型訓(xùn)練的誤差精度要求范圍，相較于PSO算法，其尋優(yōu)速度更快且收斂精度更高，明顯的提高了MKLSSVM模型的學(xué)習(xí)效率。

圖3　適應(yīng)度優(yōu)化曲線

5.3試驗(yàn)結(jié)果分析

用已建立的動(dòng)態(tài)預(yù)測(cè)模型，通過(guò)Matlab2012對(duì)樣本471-500的瓦斯?jié)舛戎颠M(jìn)行預(yù)測(cè)。瓦斯?jié)舛劝俜直鹊恼鎸?shí)值和預(yù)測(cè)值的對(duì)比如圖4所示，從圖4中可以分析得出，預(yù)測(cè)曲線與真實(shí)曲線之間的滯后性較小，預(yù)測(cè)結(jié)果與真實(shí)瓦斯?jié)舛葧r(shí)間序列樣本的緩慢變化趨勢(shì)有良好的一致性。預(yù)測(cè)結(jié)果相對(duì)誤差如圖5所示，相對(duì)誤差在-2.2%～2.1%之間，平均相對(duì)誤差為僅1.43%，說(shuō)明所建立的MK-LSSVM模型經(jīng)過(guò)ACPSO優(yōu)化以及誤差校正后，具有更好的泛化能力，能夠?qū)崿F(xiàn)對(duì)瓦斯?jié)舛鹊牧己妙A(yù)測(cè)。

圖4　瓦斯?jié)舛阮A(yù)測(cè)值與真實(shí)值對(duì)比

圖5　預(yù)測(cè)相對(duì)誤差

在同樣的訓(xùn)練樣本及參數(shù)設(shè)置條件下，分別用LSSVM、PSO-LSSVM兩種模型和本文提出的MK-LSSVM動(dòng)態(tài)預(yù)測(cè)模型對(duì)瓦斯?jié)舛冗M(jìn)行預(yù)測(cè)，并以平均絕對(duì)百分比誤差（MAPE）、平均相對(duì)變動(dòng)值（ARV）和相對(duì)均方根誤差（RRMSE）作為衡量預(yù)測(cè)模型的泛化能力和預(yù)測(cè)精度的指標(biāo)。將三種模型的預(yù)測(cè)效果進(jìn)行分析對(duì)比，結(jié)果如表1所示。

表13　種模型預(yù)測(cè)性能對(duì)比

從表1可知，與LSSVM和PSO-LSSVM兩種預(yù)測(cè)模型相比，ACPSO優(yōu)化的MK-LSSVM模型的誤差指標(biāo)最小。經(jīng)過(guò)PSO算法優(yōu)化的LSSVM模型其誤差指標(biāo)比直接用LSSVM模型預(yù)測(cè)的誤差小，說(shuō)明經(jīng)過(guò)PSO優(yōu)化后LSSVM模型的預(yù)測(cè)精度有所提高，但由于核函數(shù)單一并且PSO算法容易陷入局部極值，因此模型的性能仍然比ACPSO-MKLSSVM模型差，LSSVM和PSO-LSSVM模型的MAPE是0.078 7和0.036 5，而ACPSO-MK-LSSVM模型的MAPE值僅有0.014 3，說(shuō)明該模型比另外兩種預(yù)測(cè)模型有更好的適應(yīng)能力；ACPSO優(yōu)化和誤差校正后，MK-LSSVM模型的RRMSE值為0.020 9，比前兩種模型的值0.063 3和0.031 0都小，說(shuō)明其具有更精準(zhǔn)的預(yù)測(cè)精度；ACPSO-MK-LSSVM模型的ARV值0.003 11更反映出該模型具有更強(qiáng)的泛化能力。因此說(shuō)明，該方法對(duì)工作面瓦斯?jié)舛鹊念A(yù)測(cè)比其他兩種方法有更好的適應(yīng)性，可以在滿足是實(shí)際工程應(yīng)用需要的同時(shí)，實(shí)現(xiàn)高精度、高效率的工作面瓦斯?jié)舛鹊膭?dòng)態(tài)預(yù)測(cè)。

6　結(jié)束語(yǔ)

本文通過(guò)分析瓦斯?jié)舛葧r(shí)間序列特性，重構(gòu)具有全局核函數(shù)和局部核函數(shù)的MK-LSSVM模型，并提出ACPSO算法優(yōu)化模型參數(shù)，提高了模型的泛化能力和學(xué)習(xí)能力。同時(shí)，實(shí)時(shí)滾動(dòng)更新MK-LSS?VM預(yù)測(cè)模型的訓(xùn)練樣本，使得預(yù)測(cè)系統(tǒng)能夠反映瓦斯?jié)舛鹊淖钚伦兓?guī)律，并對(duì)預(yù)測(cè)值進(jìn)行誤差校正，提高系統(tǒng)的預(yù)測(cè)精度。利用基于ACPSO算法和PSR的MK-LSSVM動(dòng)態(tài)預(yù)測(cè)方法對(duì)井下瓦斯?jié)舛阮A(yù)測(cè)進(jìn)行試驗(yàn)，結(jié)果表明，該方法具有較好的預(yù)測(cè)精度并且泛化能力較強(qiáng)，能夠有效地實(shí)現(xiàn)對(duì)井下工作面瓦斯?jié)舛融厔?shì)的預(yù)測(cè)。

［1］董丁穩(wěn)，李樹剛，常心坦，等.瓦斯?jié)舛葏^(qū)間預(yù)測(cè)的灰色聚類與高斯過(guò)程模型［J］.中國(guó)安全科學(xué)學(xué)報(bào)，2011，21（5）：40-45.

［2］陳學(xué)習(xí)，宋富美，閆智婕.基于分形理論的瓦斯涌出規(guī)律［J］.遼寧工程技術(shù)大學(xué)（自然科學(xué)版），2012，31（5）：617-620.

［3］邵良杉，付貴祥.基于數(shù)據(jù)融合理論的煤礦瓦斯動(dòng)態(tài)預(yù)測(cè)技術(shù)［J］.煤炭學(xué)報(bào)，2008，33（5）：551-555.

［4］付華，謝森，徐耀松，等.基于MPSO-WLS-SVM的礦井瓦斯涌出量預(yù)測(cè)模型研究［J］.中國(guó)安全科學(xué)學(xué)報(bào)，2013，23（5）：56-61.

［5］王其軍，程久龍.基于免疫神經(jīng)網(wǎng)絡(luò)模型的瓦斯?jié)舛戎悄茴A(yù)測(cè)［J］.煤炭學(xué)報(bào)，2008，33（6）：665-669.

［6］董丁穩(wěn)，劉潔，王紅剛.礦井瓦斯?jié)舛茸赃m應(yīng)預(yù)測(cè)及其預(yù)警應(yīng)用［J］.中國(guó)安全科學(xué)學(xué)報(bào)，2013，23（5）：88-93.

［7］Samanta B.Prediction of Chaotic Time Series Using Computation?al Intelligence［J］.Expert Systems with Applications，2011，38（9）：11406-11411.

［8］Gao Y，Li Y.Fault Prediction Model Based on Phase Space Re?construction and Least Squares Support Vector Machines［C］//Hy?brid Intelligent Systems，2009.HIS’09.Ninth International Con?ference on.IEEE，2009，3：464-467.

［9］付華，劉雨竹，李海霞，等.煤礦瓦斯?jié)舛鹊腃APSO-ENN短期預(yù)測(cè)模型［J］.傳感技術(shù)學(xué)報(bào)，2015，28（5）：717-722.

［10］Bi J，Zhang T，Bennett K P.Column-Generation Boosting Methods for Mixture of Kernels［C］//Proceedings of the Tenth ACM SIG?KDD International Conference on Knowledge Discovery and Data Mining.ACM，2004：521-526.

［11］Chen J，Yang H.Application of Mixture Kernels SVM in Chemi?cal Industry Soft Sensing［J］.Control and Instruments in Chemi?cal Industry，2008，35（2）：36.

［12］程健，白靜宜，錢建生，等.基于混沌時(shí)間序列的煤礦瓦斯?jié)舛榷唐陬A(yù)測(cè)［J］.中國(guó)礦業(yè)大學(xué)學(xué)報(bào)，2008，37（2）：231-235.

［13］張文超，譚思超，高璞珍.基于Lyapunov指數(shù)的搖擺條件下自然循環(huán)流動(dòng)不穩(wěn)定性混沌預(yù)測(cè)［J］.物理學(xué)報(bào)，2013，62（6）：61-68.

付華（1962-），女，遼寧阜新人，教授，博士生導(dǎo)師，博士（后），主要研究方向?yàn)槊旱V瓦斯檢測(cè)、智能檢測(cè)和數(shù)據(jù)融合技術(shù)。主持國(guó)家自然科學(xué)基金2項(xiàng)、主持及參與國(guó)家863和省部級(jí)項(xiàng)目30余項(xiàng)，發(fā)表學(xué)術(shù)論文40余篇，申請(qǐng)專利24項(xiàng)，fxfuhua@163.com；

代?。?984-），女，遼寧本溪人，遼寧工程技術(shù)大學(xué)，安全科學(xué)與工程學(xué)院，博士研究生，主要研究方向煤礦瓦斯安全監(jiān)測(cè)監(jiān)控，daiweihld@163.com。

EEACC：723010.3969/j.issn.1004-1699.2016.06.019

基于ACPSO的PSR-MK-LSSVM瓦斯?jié)舛葎?dòng)態(tài)預(yù)測(cè)方法*

付華1*，代巍2
（1.遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院，遼寧葫蘆島125105；2.遼寧工程技術(shù)大學(xué)安全科學(xué)與工程學(xué)院，遼寧阜新123000）

為了準(zhǔn)確預(yù)測(cè)采煤工作面的瓦斯?jié)舛?，提出基于相空間重構(gòu)理論、自適應(yīng)混沌粒子群優(yōu)化理論的混合核最小二乘支持向量機(jī)瓦斯?jié)舛葎?dòng)態(tài)預(yù)測(cè)方法。以井下無(wú)線傳感器網(wǎng)絡(luò)監(jiān)測(cè)系統(tǒng)采集到的工作面瓦斯?jié)舛茸鳛檠芯繉?duì)象，通過(guò)平移不變小波降噪法濾除干擾瓦斯?jié)舛鹊脑肼?，以相空間重構(gòu)的瓦斯?jié)舛刃蛄袠颖居?xùn)練混合核最小二乘支持向量機(jī)模型，利用自適應(yīng)混沌粒子群算法優(yōu)化模型參數(shù)，并通過(guò)誤差校正的方法提高整體系統(tǒng)的預(yù)測(cè)精度。實(shí)驗(yàn)結(jié)果表明，提出的動(dòng)態(tài)預(yù)測(cè)方法可以實(shí)現(xiàn)對(duì)工作面的瓦斯?jié)舛鹊牧己妙A(yù)測(cè)，平均相對(duì)誤差MAPE值為0.024 1、相對(duì)均方根誤差RRMSE值為0.209 7和平均相對(duì)變動(dòng)ARV值0.003 11，預(yù)測(cè)結(jié)果合理并且滿足工程的實(shí)際需要，可為煤礦瓦斯預(yù)測(cè)和防治工作提供有效理論依據(jù)。

瓦斯?jié)舛?；?dòng)態(tài)預(yù)測(cè)；相空間重構(gòu)；自適應(yīng)混沌粒子群；混合核最小二乘支持向量機(jī)

X936

A

1004-1699（2016）06-0903-06

2015-11-17修改日期：2016-01-31

項(xiàng)目來(lái)源：國(guó)家自然科學(xué)基金項(xiàng)目（51274118）