蘇淑嫻，歐陽名三

(1.安徽理工大學(xué) 電氣與信息工程學(xué)院，安徽 淮南 232001；2.安徽理工大學(xué) 深部煤礦采動響應(yīng)與災(zāi)害防控國家重點實驗室，安徽 淮南 232001)

0 引 言

礦井通風(fēng)過程中存在漏風(fēng)、風(fēng)流短路、無風(fēng)死角等眾多通風(fēng)安全隱患，嚴(yán)重影響礦井通風(fēng)系統(tǒng)的穩(wěn)定性，礦井智能通風(fēng)管理系統(tǒng)是保障礦井安全生產(chǎn)、保護井下作業(yè)人員生命安全的重要舉措[1]。通風(fēng)系統(tǒng)的穩(wěn)定與否關(guān)系到整個礦井的安危，對通風(fēng)系統(tǒng)的嚴(yán)格管理是完善、優(yōu)化通風(fēng)系統(tǒng)的有效方法，因此，礦井通風(fēng)系統(tǒng)的管理工作顯得尤為重要[2]。

文獻[3-4]提出在系統(tǒng)硬件層次進行改進，以提升煤礦通風(fēng)系統(tǒng)的穩(wěn)定性。這些方法通過數(shù)值的偏差進行參數(shù)整定，智能化水平偏低。林琳等[5]提出基于粗糙集神經(jīng)網(wǎng)絡(luò)的高壓斷路器故障診斷模型，通過粗糙集算法生成決策表，進而根據(jù)決策表構(gòu)建徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的故障模型。李建等[6]提出粗糙集和神經(jīng)網(wǎng)絡(luò)相結(jié)合的鉆井安全評價模型。董春游等[7]將G-K評價策略與粗糙集結(jié)合使用，建立煤與瓦斯突出分類知識表達系統(tǒng)。以上系統(tǒng)通過粗糙集與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的結(jié)合使用，取得了一定的效果，但井下通風(fēng)環(huán)境復(fù)雜，其動態(tài)性、復(fù)雜性和不確定性逐漸增加，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)架構(gòu)在數(shù)據(jù)融合方面忽略了時間、空間上的煤礦通風(fēng)環(huán)境特征[8]，在礦井通風(fēng)災(zāi)害事故預(yù)測方面還存在不足。

基于動態(tài)路由的膠囊網(wǎng)絡(luò)是近年來新提出的神經(jīng)網(wǎng)絡(luò)模型，被認(rèn)為是可能成為下一代重要的神經(jīng)網(wǎng)絡(luò)模型[9]。膠囊網(wǎng)絡(luò)中膠囊是一組用于表現(xiàn)實物不同特征的神經(jīng)元集合，可以很好地表現(xiàn)不同特征的位置關(guān)系[10]，因此，采用膠囊網(wǎng)絡(luò)用于井下通風(fēng)環(huán)境異常特征提取。煤礦信息冗余和繁瑣[11]，粗糙集理論具有無需先驗知識，可以有效降低系統(tǒng)信息復(fù)雜程度[12]，能夠很好地去除數(shù)據(jù)的冗余和噪聲因素[13]。但是粗糙集自身容錯能力不強，在某些條件下精度難以滿足系統(tǒng)需求，同膠囊網(wǎng)絡(luò)的組合使用，可以有效彌補非線性映射關(guān)系中精度差的問題[14-15]。因此，集成粗糙集和膠囊網(wǎng)絡(luò)2種方法，可以構(gòu)建收斂速度快、可靠性高、結(jié)構(gòu)穩(wěn)定的煤礦通風(fēng)管理系統(tǒng)。

筆者通過構(gòu)建基于粗糙集的屬性約簡模型與基于改進膠囊網(wǎng)絡(luò)礦井通風(fēng)環(huán)境決策模型，設(shè)計了一種基于粗糙集和改進膠囊網(wǎng)絡(luò)的煤礦智能通風(fēng)系統(tǒng)。該系統(tǒng)具有多源信息感知、多網(wǎng)絡(luò)傳輸、智能監(jiān)控與決策等功能，解決了煤礦通風(fēng)環(huán)境信息采集困難，應(yīng)急決策水平低、智能調(diào)控水平低等問題，對保障礦井通風(fēng)系統(tǒng)安全穩(wěn)定具有重要意義。

1 通風(fēng)管理系統(tǒng)建立

基于粗糙集和改進膠囊網(wǎng)絡(luò)的煤礦智能通風(fēng)管理系統(tǒng)分為數(shù)據(jù)感知層、模型描述層、數(shù)據(jù)傳輸層、智慧決策層，如圖1所示。

1.1 信息采集網(wǎng)絡(luò)層

信息采集網(wǎng)絡(luò)層由分布在礦井各工作面的負(fù)責(zé)采集礦井通風(fēng)環(huán)境信息、通風(fēng)設(shè)施工作狀態(tài)信息的各傳感器感知節(jié)點組成。感知節(jié)點負(fù)責(zé)動態(tài)感知礦井甲烷濃度、一氧化碳濃度、二氧化碳濃度、氧氣濃度、礦塵濃度、風(fēng)速、風(fēng)壓、溫度、濕度、風(fēng)門狀態(tài)、局部通風(fēng)機開停、主通風(fēng)機開停等環(huán)境參數(shù)，作為原始數(shù)據(jù)輸入到礦井通風(fēng)環(huán)境預(yù)測模型中。同時將數(shù)據(jù)分為2類，一類以礦井溫濕度等為代表的礦井通風(fēng)環(huán)境信息，一類以風(fēng)門狀態(tài)為代表的礦井通風(fēng)設(shè)施。各參數(shù)采集并非獨立，各類采集數(shù)據(jù)之間具有關(guān)聯(lián)、耦合關(guān)系。將各類采集信息通過卷積算法處理，構(gòu)成向量膠囊神經(jīng)元組，通過動態(tài)路由的算法，膠囊間進行信息傳遞，構(gòu)建礦井區(qū)域膠囊神經(jīng)網(wǎng)絡(luò)，對此區(qū)域進行信息采集，全面、高效的感知礦井通風(fēng)環(huán)境信息，為下一層礦井通風(fēng)安全預(yù)測提供數(shù)據(jù)支持。

1.2 數(shù)據(jù)傳輸層

網(wǎng)絡(luò)傳輸層采用無線傳感器網(wǎng)絡(luò)(Wireless sensor network，WSN)配合現(xiàn)有有線感知網(wǎng)絡(luò)來實現(xiàn)煤礦井下數(shù)據(jù)可靠傳輸。通過配置路由器，網(wǎng)關(guān)來實現(xiàn)煤礦井下通風(fēng)數(shù)據(jù)多種方式上傳至監(jiān)控平臺的目的，具體原理如圖2所示。

1.3 模型描述層

模型描述層是系統(tǒng)的核心，通過設(shè)計基于粗糙集與改進膠囊神經(jīng)網(wǎng)絡(luò)的礦井通風(fēng)環(huán)境安全評價模型，提出解決礦井智能化調(diào)風(fēng)的新思路。

圖1 基于粗糙集和改進膠囊網(wǎng)絡(luò)的礦井智能通風(fēng)管理系統(tǒng)體系結(jié)構(gòu)Fig.1 Mine intelligent ventilation management system architecture based on rough set and improved capsule network

1)將采集到的礦井通風(fēng)環(huán)境信息和專家系統(tǒng)進行特征提取，形成決策表。

2)知識的獲?。豪么植诩碚搶υ夹畔⑦M行屬性約簡，剔除冗余的屬性，并在生成的最小屬性中提取規(guī)則作為外部知識庫。

3)訓(xùn)練神經(jīng)網(wǎng)絡(luò)：設(shè)置合適的神經(jīng)網(wǎng)絡(luò)參數(shù)，然后對外部知識庫中的知識進行訓(xùn)練，得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)。

4)礦井通風(fēng)安全評價：通過操作人員輸入狀態(tài)信息或者系統(tǒng)自動獲取信號，傳給訓(xùn)練好的推理機(訓(xùn)練好的神經(jīng)網(wǎng)絡(luò))，將計算結(jié)果反饋給用戶或者通風(fēng)設(shè)備控制系統(tǒng)，如圖3所示。

1.4 決策層

決策層是通過基于粗糙集與膠囊網(wǎng)絡(luò)煤礦通風(fēng)環(huán)境智慧決策模型，對煤礦一段時間內(nèi)的各區(qū)域通風(fēng)狀態(tài)進行決策，并將統(tǒng)計結(jié)果以圖表的形式進行分析，方便安全管理人員進行分析與判斷。設(shè)計通風(fēng)安全決策模型，通過膠囊網(wǎng)絡(luò)進行井下通風(fēng)環(huán)境數(shù)據(jù)特征提取，由動態(tài)路由算法得到高級膠囊，最終通過全連接層對礦井通風(fēng)安全狀態(tài)進行分類，決策。同時，服務(wù)器綜合一段時間內(nèi)的煤礦安全等級評價數(shù)據(jù)，采用數(shù)據(jù)決策統(tǒng)計圖的方式，簡明動態(tài)反映出礦井通風(fēng)安全狀態(tài)的變化趨勢與異常狀態(tài)。后臺通過統(tǒng)計整理，生成特定格式的決策分析簡報，以供礦井安全人員查閱與參考。智慧決策層結(jié)構(gòu)如圖4所示。

2 基于粗糙集的信息約簡模型

2.1 粗糙集基本理論

影響礦井通風(fēng)環(huán)境安全的指標(biāo)體系是復(fù)雜的灰色系統(tǒng)，冗余的指標(biāo)信息輸入不僅加重了預(yù)測模型的負(fù)擔(dān)，而且降低了模型的泛化能力。引入粗糙集理論，預(yù)先對復(fù)雜的指標(biāo)體系進行約簡，在不需要任何先驗知識的前提下刪減一些無用因素，以實現(xiàn)對預(yù)測模型輸入變量的優(yōu)化。煤礦通風(fēng)環(huán)境指標(biāo)體系見表1，基于粗糙集理論預(yù)測指標(biāo)的優(yōu)化約簡及其權(quán)重的確定分為以下4個步驟。

1)構(gòu)造決策表。

圖3 模型描述層結(jié)構(gòu)Fig.3 Structure of model description layer

圖4 智慧決策層結(jié)構(gòu)Fig.4 Structure of intelligent decision layer

T=(U,A,V,E)

(1)

其中：U為在煤礦收集的通風(fēng)環(huán)境樣本數(shù)據(jù)，稱作論域；A=C∨D為通風(fēng)環(huán)境指標(biāo)屬性全集，它由甲烷濃度、一氧化碳濃度等條件屬性集與評判通風(fēng)安全等級的決策屬性集組成，并且C∨D=?；V為屬性值集合，V=Uq∈AVq；Vq為各通風(fēng)環(huán)境指標(biāo)屬性q的值集，也稱為通風(fēng)環(huán)境指標(biāo)屬性q的值域；E為U×A→V的一個信息函數(shù)，它為每個對象的每個屬性q賦予一個屬性值。

2)計算決策表中條件屬性等價類關(guān)系集合ind(B)(B?A)。等價關(guān)系對U進行劃分，用U/ind(B)={M1,M2,...,Mn}表示，其中Mi表示不同的等價類，在ind(B)下與X不可分的所有對象構(gòu)成一個等價類可記作[M]ind(B)。

表1 通風(fēng)環(huán)境指標(biāo)體系Table 1 Indicator system of ventilation environment

3)根據(jù)式(2)中求出的等價類關(guān)系集合，計算通風(fēng)環(huán)境各項指標(biāo)的重要程度。在信息系統(tǒng)T=(U,A,V,f)中，以甲烷濃度x1為例，x1∈A的重要性定義為

SA(x1)=|H(A)-H(A-x1)|

(2)

其中:H(A)為所有通風(fēng)安全指標(biāo)屬性組成的集合X的信息熵；H(A-x1)為集合A除去甲烷濃度x1的信息熵。SA(x1)越大表示甲烷濃度x1的重要程度越高。

4)計算每個評價指標(biāo)的權(quán)重Wk，根據(jù)計算權(quán)重值來決定約簡的通風(fēng)環(huán)境指標(biāo)，數(shù)值越大，表示該指標(biāo)對整個系統(tǒng)影響越大，約簡后信息損失也越多。當(dāng)指標(biāo)權(quán)重為0時，該通風(fēng)環(huán)境指標(biāo)對整個系統(tǒng)幾乎沒有影響，應(yīng)該被約簡掉。

2.2 連續(xù)屬性離散

粗糙集屬性約簡的前提是對連續(xù)屬性的離散化，在此基礎(chǔ)上對系統(tǒng)進行優(yōu)化約簡，將屬性空間或值域空間劃分為盡可能少的空間，從而消除影響因素之間的共線性，提高預(yù)測屬性的高效性、簡便性。

選取等距離散化的策略，對每組屬性進行等距離劃分，具體步驟如下：①劃定每組屬性的取值范圍，確定最大值xmax和最小值xmin；②設(shè)定劃分區(qū)間數(shù)量n，取5；③計算區(qū)間步長d=(xmax+xmin)/n；④計算區(qū)間劃分點的臨界值，即b0=xmin，b1=xmin+d,…,bn=xmax。

判斷每組屬性屬于哪個區(qū)間，確定離散化的信息表屬性值m，當(dāng)bk-1≤x≤bk，m=k，k=1,2,…,n，特殊地，當(dāng)x=bn，m=n。

2.3 煤礦通風(fēng)安全決策模型建立

首先通過上文提到的數(shù)據(jù)約簡方法對收集原始數(shù)據(jù)樣本進行質(zhì)量檢驗與屬性約簡，將約簡的數(shù)據(jù)作為膠囊網(wǎng)絡(luò)的訓(xùn)練樣本進行訓(xùn)練學(xué)習(xí)，最后得出煤礦通風(fēng)系統(tǒng)安全決策結(jié)果，其模型結(jié)構(gòu)如圖5所示。

圖5 粗糙集-膠囊網(wǎng)絡(luò)煤礦通風(fēng)安全決策模型Fig.5 Rough set-capsule network coal mine ventilation safety decision model

3 改進膠囊網(wǎng)絡(luò)模型建立及算法

3.1 感知膠囊模型結(jié)構(gòu)

以進風(fēng)巷、回風(fēng)巷、采區(qū)工作面為例，構(gòu)建設(shè)備狀態(tài)膠囊和通風(fēng)環(huán)境感知膠囊模型，組成礦井通風(fēng)區(qū)域膠囊網(wǎng)絡(luò)，實現(xiàn)通風(fēng)環(huán)境、設(shè)備、信息等要素相互映射、適當(dāng)交互、高效協(xié)同的目標(biāo)。其中環(huán)境與設(shè)備感知膠囊模型結(jié)構(gòu)如圖6所示。設(shè)備狀態(tài)感知膠囊感知設(shè)備運行電氣參數(shù)、設(shè)備運行溫度與振動、設(shè)備運行工況等信息；通風(fēng)環(huán)境感知膠囊感知通風(fēng)巷道風(fēng)速、風(fēng)壓、煙霧、礦塵、瓦斯、溫度等信息。

針對通風(fēng)管理系統(tǒng)特性，首先，采用深度特征提取的方式，繼續(xù)使用池化操作，有選擇地保留主要特征，提高模型的性能，在主膠囊層實現(xiàn)標(biāo)量神經(jīng)元到向量神經(jīng)元的轉(zhuǎn)換，最后通過動態(tài)路由算法實現(xiàn)膠囊間的參數(shù)更新，由數(shù)字膠囊得到最終的識別結(jié)果。由此得到膠囊網(wǎng)絡(luò)模型結(jié)構(gòu)如圖7所示，其中，Conv3-128表示128個3×3的卷積核。

圖6 感知膠囊元模型Fig.6 Perception capsule metamodel

圖7 膠囊網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 Structure diagram of capsule network

為減少網(wǎng)絡(luò)參數(shù)的數(shù)量，提高訓(xùn)練速度，采用大量3×3的小卷積核進行堆疊，穩(wěn)步增加網(wǎng)絡(luò)深度，用更少的參數(shù)實現(xiàn)與大卷積核相同的感受野。同時，訓(xùn)練時，輸入數(shù)據(jù)調(diào)整為28×28的灰度圖，激活函數(shù)選取ReLU函數(shù)，采用平均池化方法對數(shù)據(jù)進行降維，得到14×14×256的特征圖。引入池化層對數(shù)據(jù)進行降維處理，有選擇地保留主要特征，來提升模型快速收斂的性能。

3.2 改進膠囊網(wǎng)絡(luò)算法步驟

1)由于Conv1層的輸入為二維數(shù)據(jù)，將離散化屬性值作為輸入變量，構(gòu)建能夠表示煤礦通風(fēng)狀態(tài)的矩陣P。

(3)

其中每個元素代表一個評價煤礦通風(fēng)環(huán)境的屬性值，對他們進行編號，xα,β為矩陣中第α行、第β列的屬性值。采用3×3卷積核對數(shù)據(jù)進行特征提取，輸出卷積值yα,β可以表示為

(4)

式中：f為線性激活函數(shù);ωα,β為處理第α行、第β列數(shù)據(jù)的權(quán)重，所有的ωα,β構(gòu)成了3×3的卷積核；bm為偏移量。

2)將獲取的yi,j進行最大池化操作,步長為2，以獲得更小的參數(shù)網(wǎng)格，減少計算維度。

3)進行數(shù)據(jù)深度特征的提取，重復(fù)步驟1三次，獲得14×14×256的特征圖。

4)使用卷積得到的T個特征圖重構(gòu)成N(N

5)低層的膠囊通過動態(tài)路由，連接到高一層的膠囊如圖8所示。

圖8 膠囊神經(jīng)元向量示意Fig.8 Vector diagram of capsule neurons

(5)

(6)

(7)

6)全連接層DigitCaps層進行處理，將最后一層膠囊輸出向量進行匹配，DigitCaps層中每個膠囊的輸出向量長度，表示該實體出現(xiàn)的概率。

3.3 算法仿真與分析

模型中訓(xùn)練用到的數(shù)據(jù)集為煤礦實際數(shù)據(jù)。該數(shù)據(jù)集由10 000張樣本組成，每個樣本包含30個通風(fēng)環(huán)境異常數(shù)據(jù)。本次模型訓(xùn)練測試采用樣本數(shù)據(jù)集，網(wǎng)絡(luò)訓(xùn)練參數(shù)定義，每批128個，路由更新迭代次數(shù)4次，一階矩修正指數(shù)為0.9，二階矩修正指數(shù)為0.98，穩(wěn)定常數(shù)為10-8，迭代50次。

硬件環(huán)境：Inter i7,GTX 1060 6G,32G內(nèi)存。軟件環(huán)境：Win10,Python3.6.5,CUDA-9.2，Tensor Flow-GPU 1.11.0。

通過未使用神經(jīng)網(wǎng)絡(luò)、使用普通的膠囊網(wǎng)絡(luò)和改進的膠囊網(wǎng)絡(luò)3種不同數(shù)據(jù)處理方式比較，得出各網(wǎng)絡(luò)模型數(shù)據(jù)處理性能的優(yōu)劣，對比結(jié)果見表2。其中：準(zhǔn)確率=準(zhǔn)確煤礦通風(fēng)安全決策數(shù)據(jù)條數(shù)/實際處理的數(shù)據(jù)條數(shù)。訓(xùn)練時間為處理全部測試數(shù)據(jù)用時。從表2可以看出，由這3種處理數(shù)據(jù)的方式得到的準(zhǔn)確率分別為75.3%、85.6%、90.1%。盡管改進膠囊網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜，會增加一定的計算量，但礦井通風(fēng)決策準(zhǔn)確率得到了明顯的提升。

表2 各網(wǎng)絡(luò)模型數(shù)據(jù)處理性能對比Table 2 Comparison of data processing performance of each network model

4 試驗仿真及分析

樣本數(shù)據(jù)來源于某煤礦井下通風(fēng)環(huán)境數(shù)據(jù)統(tǒng)計的信息。將統(tǒng)計數(shù)據(jù)輸入到系統(tǒng)中，觀察試驗效果，來驗證文中提出的基于粗糙集和膠囊網(wǎng)絡(luò)的煤礦智能通風(fēng)管理系統(tǒng)的實時性與可靠性。部分采集樣本數(shù)據(jù)見表3。

表3中列舉有關(guān)10種通風(fēng)環(huán)境指標(biāo)因素，然而這些因素并不一定對煤礦通風(fēng)安全有直接影響，因此通過粗糙集約簡來對這些通風(fēng)環(huán)境影響指標(biāo)進行約簡，得到對通風(fēng)安全有直接影響的數(shù)據(jù)，然后根據(jù)這些數(shù)據(jù)對煤礦通風(fēng)安全進行預(yù)測。

1)粗糙集約簡。首先，采用等距離散化的方法對數(shù)據(jù)進行離散化處理，獲取離散化之后的信息表；通過計算影響通風(fēng)安全指標(biāo)的重要程度來進行條件屬性約簡，得到的約簡屬性結(jié)果是{x1，x5，x6，x8，x9，x10}，即影響煤礦通風(fēng)安全的主要因素是甲烷濃度、風(fēng)速、風(fēng)壓、通風(fēng)機穩(wěn)定性和通風(fēng)機綜合效率。粗糙集理論的約簡結(jié)果見表4。

2)粗糙集膠囊神經(jīng)網(wǎng)絡(luò)的試驗結(jié)果。用約簡的煤礦通風(fēng)安全決策表作為膠囊網(wǎng)絡(luò)的學(xué)習(xí)樣本進行訓(xùn)練。膠囊網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置：卷積核大小設(shè)計為9×9起始層卷積核數(shù)量設(shè)計為128個，步長為1。

表3 煤礦通風(fēng)環(huán)境樣本數(shù)據(jù)Table 3 Sample data of ventilation environment in coal mine

表4 屬性約簡后的煤礦通風(fēng)環(huán)境安全決策Table 4 Coal mine ventilation environment safety decision after attribute reduction

選取10組數(shù)據(jù)樣本經(jīng)過約簡后作為測試樣本，輸入到已經(jīng)訓(xùn)練好的膠囊網(wǎng)絡(luò)中進行測試，試驗結(jié)果與期望輸出之間的誤差曲線如圖9所示。

圖9 粗糙集神經(jīng)網(wǎng)絡(luò)誤差曲線Fig.9 Error curve of neural network of rough set

利用未經(jīng)粗糙集理論約簡過的樣本作為訓(xùn)練樣本與測試樣本，在膠囊網(wǎng)絡(luò)結(jié)構(gòu)相同的情況下，試驗結(jié)果與期望輸出之間的誤差曲線如圖10所示。

圖10 膠囊神經(jīng)網(wǎng)絡(luò)誤差曲線Fig.10 Error curve of capsule neural network

3)與其他方法預(yù)測對比。試驗中將數(shù)據(jù)輸入到基于粗糙集數(shù)據(jù)約簡模型中，對數(shù)據(jù)進行約簡，經(jīng)離散化輸出，作為模型的輸入，經(jīng)過該算法后，得出安全評估值。

為比較決策準(zhǔn)確率，采用文獻[5]提出的方法與筆者提出的方法相比較，在相同時間內(nèi)的精確率、召回率、F值見表5。召回率=準(zhǔn)確煤礦通風(fēng)安全決策數(shù)據(jù)條數(shù)/全部初始數(shù)據(jù)條數(shù)；F=(2×準(zhǔn)確率×召回率)/(準(zhǔn)確率+召回率)。

從表5的試驗對比可以得出，提出的方法相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確率、召回率和F值上分別提高了4.4%、8%和6.4%，識別準(zhǔn)確率取得了較大的提升。

表5 相同條件下2種方法準(zhǔn)確率和召回率的對比結(jié)果Table 5 Comparison results of accuracy and recall rate of two methods under same conditions

5 結(jié) 論

1)提出基于粗糙集和改進膠囊網(wǎng)絡(luò)的煤礦智能通風(fēng)管理方法，采用粗糙集算法構(gòu)建通風(fēng)環(huán)境數(shù)據(jù)約簡模型，將約簡后的數(shù)據(jù)作為膠囊網(wǎng)絡(luò)的輸入，應(yīng)用于煤礦通風(fēng)安全狀態(tài)的預(yù)測。

2)采用粗糙集理論進行數(shù)據(jù)約簡，徹底去除了冗余的屬性和數(shù)據(jù)，在簡化網(wǎng)絡(luò)結(jié)構(gòu)的同時，也提高了預(yù)測精度。

3)相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法，基于粗糙集和改進膠囊網(wǎng)絡(luò)預(yù)測方法誤差更小，預(yù)測效果更好。通過仿真結(jié)果對比可知，該方法使其在決策的準(zhǔn)確率、召回率和F值上分別有較大提高，能有效地提高煤礦通風(fēng)安全決策水平，也為智能化決策提供依據(jù)。