IGA-DFNN在瓦斯?jié)舛阮A(yù)測(cè)中的應(yīng)用*

付　華,李文娟,孟祥云,王桂花,王燦祥

(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.國(guó)網(wǎng)遼寧省電力有限公司錦州供電公司,遼寧 錦州 121000;3.山西大同大學(xué)煤炭工程學(xué)院,山西 大同 037000)

目前,煤礦安全依然是阻礙煤礦生產(chǎn)發(fā)展的首要因素。特別是瓦斯?jié)舛茸鳛楣ぷ髅姝h(huán)境的重要參數(shù),它直接關(guān)系著煤礦的安全生產(chǎn)和礦工的生命安全。所以說(shuō)快速、準(zhǔn)確地預(yù)測(cè)瓦斯?jié)舛瘸蔀槎糁撇⑾旱V事故最有效的手段[1]。近年來(lái),以無(wú)線傳感器網(wǎng)絡(luò)瓦斯監(jiān)測(cè)系統(tǒng)為平臺(tái)的瓦斯?jié)舛阮A(yù)測(cè)成為當(dāng)前研究熱點(diǎn),通過(guò)無(wú)線傳感器網(wǎng)絡(luò)技術(shù)對(duì)煤礦工作面的全覆蓋,實(shí)現(xiàn)工作面瓦斯?jié)舛鹊倪B續(xù)在線監(jiān)測(cè)以及瓦斯?jié)舛瓤焖?、?zhǔn)確的預(yù)測(cè),對(duì)瓦斯事故的預(yù)防和煤礦安全的防治有極大的現(xiàn)實(shí)意義。

現(xiàn)階段瓦斯?jié)舛阮A(yù)測(cè)的方法主要包括灰色預(yù)測(cè)、支持向量機(jī)[2]、混沌預(yù)測(cè)[3]、神經(jīng)網(wǎng)絡(luò)及模糊數(shù)學(xué)[4]、D-S理論[5]等。文獻(xiàn)[1]用灰色理論對(duì)上隅角瓦斯?jié)舛茸兓厔?shì)做了預(yù)測(cè);文獻(xiàn)[2]提出了粒子群優(yōu)化的支持向量機(jī)短期瓦斯?jié)舛阮A(yù)測(cè)方法;文獻(xiàn)[3]用混沌時(shí)間序列研究了瓦斯?jié)舛榷唐陬A(yù)測(cè)的方法;文獻(xiàn)[5]用粗糙集與D-S理論實(shí)現(xiàn)了瓦斯?fàn)顟B(tài)信息整合,完成了瓦斯?jié)舛鹊膭?dòng)態(tài)預(yù)測(cè);文獻(xiàn)[4]首次提出使用動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)對(duì)瓦斯監(jiān)測(cè)數(shù)據(jù)進(jìn)行智能預(yù)測(cè)。以上預(yù)測(cè)方式各有特點(diǎn)且對(duì)煤礦瓦斯?jié)舛鹊念A(yù)測(cè)方法起到了一定的促進(jìn)作用,但是如何在保證預(yù)測(cè)性能的基礎(chǔ)上達(dá)到較高的預(yù)測(cè)精確度及預(yù)測(cè)模型良好的自適應(yīng)性仍需進(jìn)一步的研究。

在現(xiàn)有的研究成果之上,本文提出了免疫遺傳算法優(yōu)化的動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法。其中動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)(DFNN)是一個(gè)動(dòng)態(tài)映射網(wǎng)絡(luò),網(wǎng)絡(luò)結(jié)構(gòu)是動(dòng)態(tài)變化的而不是預(yù)先設(shè)定的,同時(shí)還具有在線學(xué)習(xí)并且學(xué)習(xí)速度快等優(yōu)點(diǎn)[6]。免疫遺傳算法(IGA)[7]是一種新型的融合算法,通過(guò)對(duì)動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)優(yōu)化來(lái)使其快速、穩(wěn)定尋優(yōu),有效彌補(bǔ)了動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)容易陷入局部極值及易出現(xiàn)尋優(yōu)“早熟”的問(wèn)題,提高了動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的收斂速度和預(yù)測(cè)精度。利用該預(yù)測(cè)模型對(duì)瓦斯?jié)舛冗M(jìn)行預(yù)測(cè)之前,本文對(duì)無(wú)線傳感網(wǎng)絡(luò)監(jiān)測(cè)系統(tǒng)采集的數(shù)據(jù)進(jìn)行了小波去噪處理[8],提高了預(yù)測(cè)數(shù)據(jù)有效性,通過(guò)對(duì)仿真結(jié)果分析證明該預(yù)測(cè)模型準(zhǔn)確有效,可以更好地為工作面瓦斯?jié)舛缺O(jiān)控系統(tǒng)預(yù)測(cè)功能的實(shí)現(xiàn)提供理論支持。

1　無(wú)線傳感器網(wǎng)絡(luò)瓦斯監(jiān)控系統(tǒng)

瓦斯監(jiān)控系統(tǒng)作為一種有效的安全監(jiān)測(cè)及控制手段,在煤礦日常安全管理中發(fā)揮著重大作用,可以為各級(jí)生產(chǎn)指揮者和業(yè)務(wù)部門提供環(huán)境安全參數(shù)動(dòng)態(tài)信息[9]。

無(wú)線傳感網(wǎng)絡(luò)瓦斯監(jiān)控系統(tǒng)是由井下大量的瓦斯傳感器節(jié)點(diǎn)、井下監(jiān)控分站和井上瓦斯監(jiān)控計(jì)算機(jī)組成(如圖1所示)。井下各瓦斯傳感器節(jié)點(diǎn)通過(guò)無(wú)線網(wǎng)絡(luò)的方式交換數(shù)據(jù)及控制信息,并將信息通過(guò)無(wú)線網(wǎng)絡(luò)傳送到井下中心站進(jìn)行匯總,井下分站再將瓦斯傳感器的信息上傳到井上瓦斯監(jiān)控計(jì)算機(jī),實(shí)時(shí)顯示瓦斯?jié)舛刃畔ⅰ?/p>

圖1　無(wú)線傳感網(wǎng)絡(luò)瓦斯監(jiān)控系統(tǒng)圖

目前國(guó)內(nèi)的瓦斯監(jiān)控系統(tǒng)只是真實(shí)地記錄瓦斯?jié)舛葦?shù)據(jù)并提供超限報(bào)警,卻沒(méi)有瓦斯?jié)舛忍崆邦A(yù)測(cè)功能。因此在無(wú)線傳感器瓦斯監(jiān)控系統(tǒng)采集瓦斯?jié)舛葦?shù)據(jù)的基礎(chǔ)上加入對(duì)瓦斯?jié)舛茸兓厔?shì)的預(yù)測(cè)可以為礦井瓦斯災(zāi)害預(yù)測(cè)和控制提供進(jìn)一步的技術(shù)支持[10]。

2　IGA優(yōu)化DFNN網(wǎng)絡(luò)原理

2.1　DFNN網(wǎng)絡(luò)結(jié)構(gòu)

圖2　動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

第1層為輸入層L1,各個(gè)節(jié)點(diǎn)直接與輸入向量各分量xi相連,并將各輸入值X=[x1,x2,…,xn]T傳到下一層。每個(gè)神經(jīng)元的輸入量值都換算至模糊域[-1,1]內(nèi)。

(1)

其中:n為輸入變量,i=1,2,…,n。

第2層為模糊化加遞歸層L2,將輸入變量模糊化。每個(gè)節(jié)點(diǎn)代表1個(gè)語(yǔ)言變量值,并計(jì)算出各輸入分量屬于各語(yǔ)言變量值模糊集合的隸屬度函數(shù)。這里隸屬度函數(shù)用高斯函數(shù)表示。

(2)

式中:i=1,2,…,n;j=1,2,…,mi;mi為xi的模糊分割線;cij和σij分別表示隸屬函數(shù)的中心和寬度。

對(duì)于第2層第k時(shí)刻的輸入,有

(3)

第3層為規(guī)則層L3,此層根據(jù)模糊規(guī)則庫(kù)實(shí)現(xiàn)模糊推理,每個(gè)節(jié)點(diǎn)代表1條模糊規(guī)則,用來(lái)匹配模糊規(guī)則的前件,完成模糊“AND”運(yùn)算,采用乘法實(shí)現(xiàn)模糊集的“AND”運(yùn)算,神經(jīng)元輸出對(duì)應(yīng)每條規(guī)則的適應(yīng)度。

(4)

其中:i=1,2,…,n;j=1,2,…,n。

第4層為歸一化層L4,節(jié)點(diǎn)與第3層的相同,實(shí)現(xiàn)解模糊操作,計(jì)算所有規(guī)則的輸出之和,實(shí)現(xiàn)歸一化運(yùn)算,為:

(5)

第5層為輸出層L5,實(shí)現(xiàn)清晰化計(jì)算,得到輸出值:

(6)

2.2　免疫遺傳算法

免疫遺傳算法借鑒生物免疫系統(tǒng)的自適應(yīng)識(shí)別和排除侵入機(jī)體的抗原性異物的功能,將生物免疫系統(tǒng)的學(xué)習(xí)、記憶、多樣性和模式識(shí)別的特點(diǎn)引入遺傳算法。IGA算法既保留了遺傳算法隨機(jī)全局并行搜索的特點(diǎn),又在很大的程度上避免了未成熟收斂,確保算法快速收斂于全局最優(yōu)解。解決實(shí)際問(wèn)題時(shí),在保持抗體多樣性的情況下,找出針對(duì)該抗原的體,即問(wèn)題的解[13]。

動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)所采用的算法存在著收斂速度較慢、容易陷入到局部極值的不足,本文采用免疫遺傳算法對(duì)動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)初始權(quán)值進(jìn)行優(yōu)化,以提高動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)在整個(gè)學(xué)習(xí)過(guò)程的逼近能力、泛化能力及算法的穩(wěn)定性。算法的主要思路是將DFNN網(wǎng)絡(luò)權(quán)值視為生物免疫系統(tǒng)的淋巴細(xì)胞,通過(guò)對(duì)其基因交叉、變異的進(jìn)化操作和基于抗體濃度的調(diào)節(jié)操作,使基因不斷優(yōu)化,從而找到最佳抗體[14]。

2.3　免疫遺傳算法優(yōu)化步驟

在DFNN網(wǎng)絡(luò)模型用于瓦斯?jié)舛阮A(yù)測(cè)時(shí),參數(shù)的選擇對(duì)整個(gè)預(yù)測(cè)精度的影響至關(guān)重要。通過(guò)免疫遺傳算法對(duì)動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的初始權(quán)值ωij、cij、σij、?ij進(jìn)行優(yōu)化,具體的優(yōu)化步驟如下:

Step 1:讀入初始化條件。將給定的特定問(wèn)題視為抗原,確定待優(yōu)化變量為高斯函數(shù)中心值cij、分布寬度σij、遞歸單元的連接權(quán)值?ij、權(quán)系數(shù)wij。

Step 2:確定IGA的運(yùn)行參數(shù)。根據(jù)需要選取群體規(guī)模M=50,交叉概率Pc=0.185,變異概率Pm=0.102。

Step 3:產(chǎn)生初始群體。種群初次迭代時(shí),如果是記憶中的抗原,則從記憶細(xì)胞中取出相應(yīng)的抗體組成IGA的初始群體,否則隨機(jī)生成初始群體。一組完整的網(wǎng)絡(luò)參數(shù){cij、σij、?ij、wij}作為一個(gè)抗體,存在形式為二維數(shù)組。

Step 4:抗體編碼。選擇一定的編碼方案(本文采用實(shí)數(shù)編碼)對(duì)初始群體進(jìn)行編碼,組成基因碼串,每一碼串代表一個(gè)個(gè)體,表示優(yōu)化問(wèn)題的一個(gè)解。IGA的任務(wù)就是要從這些群體出發(fā),擇優(yōu)汰劣,最后得出非常優(yōu)秀的群體和個(gè)體,滿足優(yōu)化的要求。

Step 5:計(jì)算適應(yīng)度。按編碼規(guī)則,計(jì)算每一個(gè)抗體的適應(yīng)度,適應(yīng)度大者更適應(yīng)生存環(huán)境。設(shè)抗體PS對(duì)應(yīng)的網(wǎng)絡(luò)的能量函數(shù)為Es,則適應(yīng)度函數(shù)FS可直接定義Es的函數(shù)可設(shè)定為

(7)

(8)

Step 6:演變記憶細(xì)胞。若是新抗原,則利用當(dāng)前種群中適應(yīng)度高的抗體替換記憶細(xì)胞中適應(yīng)度低的抗體;否則將當(dāng)前種群中適應(yīng)度高的抗體加入記憶細(xì)胞中。

Step 7:抗體的選擇(促進(jìn)和抑制)。計(jì)算當(dāng)前種群中適應(yīng)度值相近的抗體濃度,利用抗體間的親和力定義抗體濃度如下:

(9)

式中mi為種群M個(gè)抗體中的與i抗體間親和力大于閾值λ的抗體個(gè)λ=[0.9,1]。

若抗體的濃度較高,則減小抗體的選擇概率(即抑制);反之,則加大抗體的選擇概率(即促進(jìn)),以此來(lái)保持種群中個(gè)體的多樣性。

Step 8:抗體產(chǎn)生(交叉和變異)。按交叉概率Pc和變異概率Pm進(jìn)行與標(biāo)準(zhǔn)遺傳算法相同的交叉和變異操作,以生成適應(yīng)度更高的群體,種群經(jīng)過(guò)遺傳操作后得到下一代群體。

Step 9:群體更新。對(duì)產(chǎn)生的新一代群體重新進(jìn)行評(píng)價(jià)、選擇、交叉和變異等操作,如此循環(huán)重復(fù),若滿足終止條件,則輸出最優(yōu)解,計(jì)算結(jié)束;否則執(zhí)行對(duì)Step 5～Step 8,直至網(wǎng)絡(luò)的全局誤差E。

在上述算法中,為了防止最佳抗體的退化,采用了最佳抗體不參與概率選擇,直接進(jìn)入下一代,且不參與交叉和變異操作的最佳抗體策略。

3　基于IGA-DFNN瓦斯?jié)舛阮A(yù)測(cè)

3.1　預(yù)測(cè)模型的建立

3.1.1樣本數(shù)據(jù)選取與預(yù)處理

本文針對(duì)山西焦煤的官地礦2013年5月份某天,每隔1 min對(duì)采煤工作面的瓦斯?jié)舛炔杉淮?共采集200個(gè)采樣點(diǎn)原始數(shù)據(jù),并把數(shù)據(jù)中有明顯錯(cuò)誤的異常數(shù)據(jù)剔除后得到瓦斯?jié)舛葧r(shí)間序列樣本集如圖3所示。

圖3　原始瓦斯?jié)舛葧r(shí)間序列

然而,在瓦斯監(jiān)控系統(tǒng)中由于煤礦生產(chǎn)環(huán)境比較惡劣,存在著各種電磁感應(yīng)干擾,礦井瓦斯傳感器輸出的微弱信號(hào)容易受到污染,記錄的該處瓦斯?jié)舛戎岛性肼暋Ｋ酝咚箓鞲衅鞑杉降臄?shù)據(jù)必須經(jīng)過(guò)降噪濾波處理才能進(jìn)行后續(xù)的訓(xùn)練預(yù)測(cè)使用。

文中采用Coif小波函數(shù)Rigrsure閾值方式對(duì)測(cè)量點(diǎn)瓦斯?jié)舛葦?shù)據(jù)進(jìn)行去噪濾波處理,濾掉信號(hào)中所含的各種干擾信號(hào)及噪聲信號(hào),還原出監(jiān)控系統(tǒng)現(xiàn)場(chǎng)真實(shí)信號(hào),如圖4所示[15]。

圖4　經(jīng)過(guò)小波去噪后的仿真圖

3.1.2網(wǎng)絡(luò)結(jié)構(gòu)和隸屬函數(shù)的的確定

本文采用的是五層DFNN網(wǎng)絡(luò)結(jié)構(gòu)。輸入節(jié)點(diǎn)個(gè)數(shù)由輸入層輸入個(gè)數(shù)確定,有幾個(gè)輸入數(shù)據(jù)就產(chǎn)生幾個(gè)輸入節(jié)點(diǎn)。開始預(yù)測(cè)時(shí),所有輸入數(shù)據(jù)都為實(shí)際采集數(shù)據(jù)值Xt,Xt-1,…Xt-n,輸出是下一時(shí)刻的預(yù)測(cè)值Xt+1。本實(shí)驗(yàn)中用前5 min采集到的瓦斯?jié)舛葦?shù)據(jù)作為學(xué)習(xí)樣本,來(lái)預(yù)測(cè)第6 min時(shí)的瓦斯?jié)舛?故該DFNN網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為5。輸出層顯示網(wǎng)絡(luò)輸出,本實(shí)驗(yàn)以未來(lái)一天的瓦斯?jié)舛茸鳛檩敵?所以輸出節(jié)點(diǎn)數(shù)為1。

3.1.3參數(shù)優(yōu)化

根據(jù)上述階段訓(xùn)練的結(jié)果,保持網(wǎng)絡(luò)結(jié)構(gòu)不變,再采用免疫遺傳算法依照§2.3中優(yōu)化步驟對(duì)高斯函數(shù)中心值cij、分布寬度σij、遞歸單元的連接權(quán)值?ij、權(quán)系數(shù)wij實(shí)現(xiàn)在線優(yōu)化和調(diào)整。在優(yōu)化結(jié)束時(shí)選取使E最小的染色體作為DFNN的網(wǎng)絡(luò)參數(shù)。

其中,免疫遺傳算法的參數(shù)選取如下:群體規(guī)模n=100,交叉概率Pc=0.6,變異概率Pm=0.1,親和度參數(shù)取0.8。

3.2　仿真結(jié)果分析

在本實(shí)驗(yàn)中,對(duì)于經(jīng)過(guò)小波去噪后的200個(gè)瓦斯?jié)舛炔蓸訑?shù)據(jù)中,使用前150個(gè)數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,后50個(gè)數(shù)據(jù)作為預(yù)測(cè)樣本數(shù)據(jù)。

訓(xùn)練模型的數(shù)據(jù)矩陣可表示為:

T=(t1,t2,…,t145)

其中P中的每一個(gè)數(shù)據(jù)為經(jīng)過(guò)處理的采樣數(shù)據(jù)的前150個(gè)實(shí)際數(shù)據(jù),T中的數(shù)據(jù)則為訓(xùn)練得到的數(shù)據(jù)。

圖5　DFNN和IGA-DFNN網(wǎng)絡(luò)訓(xùn)練誤差對(duì)比圖

通過(guò)對(duì)網(wǎng)絡(luò)的訓(xùn)練,當(dāng)訓(xùn)練次數(shù)為500次時(shí)使用IGA算法優(yōu)化過(guò)的DFNN網(wǎng)絡(luò)誤差曲線比單純的DFNN網(wǎng)絡(luò)曲線更平緩。當(dāng)訓(xùn)練結(jié)束時(shí),IGA-DFNN網(wǎng)絡(luò)的訓(xùn)練誤差更低,誤差水平達(dá)到了10-2,如圖5所示。說(shuō)明經(jīng)過(guò)IGA算法優(yōu)化后,DFNN網(wǎng)絡(luò)學(xué)習(xí)能力更強(qiáng),用其來(lái)預(yù)測(cè)瓦斯?jié)舛染_度更高,效果更好。

當(dāng)訓(xùn)練迭代次數(shù)為500次時(shí)訓(xùn)練基本穩(wěn)定,然后用最后的50個(gè)瓦斯?jié)舛葦?shù)據(jù)作為預(yù)測(cè)樣本,分別使用DFNN和IGA-DFNN網(wǎng)絡(luò)對(duì)未來(lái)的瓦斯?jié)舛茸兓闆r做預(yù)測(cè),預(yù)測(cè)值與實(shí)際值對(duì)比圖如圖6所示。由圖可以看出在預(yù)測(cè)的初始階段,DFNN的預(yù)測(cè)效果較好,而到后期階段,預(yù)測(cè)值偏離實(shí)際值較為嚴(yán)重。而使用IGA-DFNN網(wǎng)絡(luò)得到的預(yù)測(cè)值與瓦斯?jié)舛鹊膶?shí)際值整體擬合性更好,比使用DFNN網(wǎng)絡(luò)得到的預(yù)測(cè)值更接近瓦斯?jié)舛鹊恼鎸?shí)值。

圖6　DFNN和IGA-DFNN瓦斯?jié)舛阮A(yù)測(cè)值與瓦斯?jié)舛葘?shí)際值對(duì)比

為了更好的分析預(yù)測(cè)模型的預(yù)測(cè)性能,將DFNN模型和IGA-DFNN模型的預(yù)測(cè)效果進(jìn)行誤差分析比較如下表1所示。

表1　預(yù)測(cè)模型誤差比較

從表1中的分析可以看出,同樣的瓦斯?jié)舛阮A(yù)測(cè)點(diǎn)數(shù),IGA-DFNN預(yù)測(cè)均方誤差要小于DFNN預(yù)測(cè);與此同時(shí)IGA-DFNN預(yù)測(cè)所用的時(shí)間要比DFNN所用的時(shí)間少4.3 s。說(shuō)明經(jīng)IGA優(yōu)化后預(yù)測(cè)模型在提高預(yù)測(cè)精度的同時(shí)保證了預(yù)測(cè)效率。

4　結(jié)論

本文在總結(jié)前人對(duì)瓦斯?jié)舛阮A(yù)測(cè)方法的基礎(chǔ)上,利用DFNN網(wǎng)絡(luò)建立了瓦斯?jié)舛阮A(yù)測(cè)模型,實(shí)現(xiàn)了瓦斯?jié)舛冗B續(xù)動(dòng)態(tài)的預(yù)測(cè),同時(shí)采用免疫遺傳算法對(duì)DFNN網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)參數(shù)的優(yōu)化,克服了單純DFNN網(wǎng)絡(luò)訓(xùn)練速度慢容易陷入局部極值的問(wèn)題。通過(guò)MATLAB仿真圖表明,使用IGA優(yōu)化的DFNN網(wǎng)絡(luò)對(duì)于瓦斯?jié)舛鹊念A(yù)測(cè)有更好的效果,可以為煤礦瓦斯事故的防治提供一定的理論依據(jù)。

參考文獻(xiàn):

[1]呂品,馬云歌,周心權(quán).上隅角瓦斯?jié)舛葎?dòng)態(tài)預(yù)測(cè)模型的研究與應(yīng)用[J].煤炭學(xué)報(bào),2006,31(4):461-465.

[2]張劍英,許徽,陳娟,等.基于粒子群優(yōu)化的支持向量機(jī)在瓦斯?jié)舛阮A(yù)測(cè)中的應(yīng)用研究[J].工礦自動(dòng)化,2010,(10):32-35.

[3]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.

[4]柴艷莉.基于智能信息處理的煤與瓦斯突出的預(yù)警預(yù)測(cè)研究[D].徐州:中國(guó)礦業(yè)大學(xué)信電學(xué)院,2011.

[5]邵良杉.基于粗糙集理論的煤礦瓦斯預(yù)測(cè)技術(shù)[J].煤炭學(xué)報(bào),2009,34(3):371-374.

[6]伍世虞,徐軍.動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用[M].北京:清華大學(xué)出版社,2008.

[7]朱玉,張虹,蘇成.基于免疫遺傳算法的煤與瓦斯突出預(yù)測(cè)研究[J].中國(guó)礦業(yè)大學(xué)學(xué)報(bào),2009,38(1):125-130.

[8]王曉路,劉健,盧建軍.基于小波變換和優(yōu)化預(yù)測(cè)器的瓦斯?jié)舛阮A(yù)測(cè)[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào),2011,19(3):499-507.

[9]王濤,王洋洋,郭長(zhǎng)娜,等.QGA-RBF神經(jīng)網(wǎng)絡(luò)在礦井瓦斯涌出量預(yù)測(cè)中的應(yīng)用[J].傳感技術(shù)學(xué)報(bào),2012,25(1):119-123.

[10]李紀(jì)榕,李福進(jìn),吳艷微,等.基于無(wú)線傳感網(wǎng)絡(luò)的煤礦安全監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J].傳感技術(shù)學(xué)報(bào),2011,24(9):1336-1340.

[11]杜鵑.改進(jìn)的TSK型動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)在短期負(fù)荷預(yù)測(cè)中的應(yīng)用[J].電網(wǎng)技術(shù),2010,34(4):69-75.

[12]Wang N,Er M J,Meng X Y.A Fast and Accurate Online Self-Organizing Scheme for Parsimonious Fuzzy Neural Networks[J].Neurocomputing,2009,72:3818-3829.

[13]王軍號(hào),孟祥瑞.一種基于改進(jìn)遺傳RBF神經(jīng)網(wǎng)絡(luò)的傳感器動(dòng)態(tài)特性補(bǔ)償算法[J].傳感技術(shù)學(xué)報(bào),2010,23(9):1298-1302.

[14]Tarakanov A,Dasgupta D.A Formal Model of an Artificial Immune System[J].Biosystems,2000,55(13):151-158.

[15]王麗婕,冬雷,廖曉鐘,等.基于小波分析的風(fēng)電場(chǎng)短期發(fā)電功率預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào),2009,29(28):30-33.

付華(1962-),女,遼寧阜新人,教授,博士生導(dǎo)師,博士(后),主要從事智能檢測(cè)和數(shù)據(jù)融合等方面的研究。主持國(guó)家自然基金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;

李文娟(1987-),女,山西呂梁人,碩士研究生。主要研究方向?yàn)橹悄軝z測(cè)與智能控制,lwjyiran@163.com。