杨世金

摘要：结合小波神经网络基本原理，提出一种粒子群优化小波神经网络的瓦斯浓度预测模型。对小波神经网络基本原理進行分析，然后，利用粒子群对小波神经网络参数进行优化，并构建预测模型;最后，以P₁～P₅监测点的煤矿瓦斯浓度数据为基础，将其输入预测模型中进行训练。结果表明：粒子群优化后的小波神经网络在瓦斯浓度预测方面，数值更接近真实值，同时迭代次数在110次左右即达到稳定。

关键词：小波神经网络;瓦斯浓度;粒子群;浓度预测

中图分类号：TQ541

文献标识码：A文章编号：1001-5922（2022）06-0108-03

Study on gas concentration prediction based on improved particle swarm wavelet neural network

YANG Shijin

（

Guangxi Vocational College of Safety Engineering， Cenxi 530100， Guangxi China

）

Abstract：Combined with the basic principle of wavelet neural network， a gas concentration prediction model based on particle swarm optimization wavelet neural network is proposed. The basic principle of wavelet neural network is analyzed， then the parameters of wavelet neural network are optimized by particle swarm optimization， and the prediction model is constructed. Finally， based on the coal mine gas concentration data of P₁～ P₅monitoring points， they are put into the prediction model for training. The results show that the value of wavelet neural network optimized by particle swarm optimization is closer to the real value in gas concentration prediction， and the stability is reached when  number of iterations reaches about 110.

Key words：wavelet neural network; gas concentration; particle swarm optimization; concentration prediction

煤矿开采已经成为我国经济建设的重要产业，随之而来的是煤矿开采过程中产生的瓦斯气体所导致的危险事件。为了保障煤矿开采的安全以解决瓦斯气体的爆炸，建立高效准确的瓦斯预测系统成为我国学术领域研究的重点。如对煤与瓦斯突出相关的5个特征进行分析，采用拉依达准则处理数据异常值并采用随机森林、支持向量机和K近邻模型进行煤与瓦斯突出预测，实验表明：采用随机森林数据插补方法并利用随机森林模型完成的预测，在所有数据插补方法和预测模型组合中性能最优[1];针对现有煤与突出预测方法存在可视化程度低、突出预测准确性和实时性不高等问题，以新元煤矿为试验矿井，构建了煤与瓦斯突出预测多元数据可视化系统，应用结果表明：该系统改变了新元煤矿突出预测指标单一、不连续的现状，显著提……