基于随机隐含层权值神经网络的瓦斯浓度预测

计算机工程与科学

基于随机隐含层权值神经网络的瓦斯浓度预测

张以文1，郭海帅1，涂辉2，余国锋2

（1.安徽大学计算智能与信号处理教育部重点实验室,安徽合肥 230601；

2.煤矿瓦斯治理国家工程研究中心,安徽淮南232001）

收稿日期:2018-01-22 修回日期:2018-08-13 出版日期:2019-04-25 发布日期:2019-04-25
基金资助:
国家自然科学基金(61602003) ；安徽省自然科学基金 (1808085MF197);安徽省科技重大专项课题(16030901062)

Gas concentration prediction based on

neural network with random hidden weight

ZHANG Yiwen1,GUO Haishuai1,TU Hui2,YU Guofeng2

（1.Key Laboratory of Intelligent Computing and Signal Processing,Ministry of Education,Anhui University,Hefei 230601;

2.National Engineering Research Center for Coal Mine Gas Controlling,Huainan 232001,China）

Received:2018-01-22 Revised:2018-08-13 Online:2019-04-25 Published:2019-04-25

摘要/Abstract

摘要：

煤矿的安全生产一直是人们重点研究的课题之一。在众多的煤矿开采安全事故中，瓦斯引起的事故占到了大多数。对井下生产线的瓦斯浓度进行实时准确的预测，提前预知生产环境是否处于安全状态，对煤矿的安全生产来说意义重大。针对这一问题，提出了一种基于NSGAII训练的随机隐含层神经网络（BNSGAII NN）来进行瓦斯浓度预测的方法。一方面，NSGAII需要设定的参数少，使用较为简单；另一方面，NSGAII中的交叉变异机制避免了陷入局部最优解。为了证明NSGAII训练的随机隐含权值神经网络的预测质量，通过实验与PSOGSA训练的随机隐含层神经网络（PSOGSA NN）进行了对比。实验结果表明,BNSGAII NN的预测质量明显高于PSOGSA NN的预测质量。

关键词：

关键词: 瓦斯浓度预测, 随机隐含层权值, 神经网络, BNSGA-II NN

Abstract:

The safe production of coal mines has always been one of human's key research subjects. In numerous safety accidents in coal mining, gas accidents account for most of them. Real-time and accurate prediction of gas concentration in underground production lines and anticipating whether the production environment is in a safe state is critical for the safety of coal mines. Aiming at this problem, we propose a gas concentration prediction method based on the random hidden layer neural network trained by NSGA-II (BNSGA-II NN). On the one hand, fewer parameters need to be set in the NSGA-II, and they are convenient to use. On the other hand, the cross variation mechanism in the NSGA-II avoids the problem of falling into local optimal solution in the traditional methods. To demonstrate the prediction quality of the trained neural network with random hidden weight using the NSGA-II, we compare the BNSGAII NN with PSOGSA NN through experiments. Experimental results show that the prediction effect of the BNSGA-II NN is significantly better than that of the PSOGSA NN.

Key words: gas concentration prediction, random hidden weight, neural network, BNSGA-II NN

张以文1，郭海帅1，涂辉2，余国锋2. 基于随机隐含层权值神经网络的瓦斯浓度预测[J]. 计算机工程与科学.

ZHANG Yiwen1,GUO Haishuai1,TU Hui2,YU Guofeng2.

Gas concentration prediction based on

neural network with random hidden weight

[J]. Computer Engineering & Science.

[1]	姜晶菲, 何源宏, 许金伟, 许诗瑶, 钱希福. NM-SpMM：面向国产异构向量处理器的半结构化稀疏矩阵乘算法[J]. 计算机工程与科学, 2024, 46(07): 1141-1150.
[2]	王堃, 李少波, 何玲, 周鹏. 基于改进北方苍鹰优化随机配置网络的网络流量预测模型[J]. 计算机工程与科学, 2024, 46(07): 1245-1255.
[3]	田红鹏, 吴璟玮. RIB-NER：基于跨度的中文命名实体识别模型[J]. 计算机工程与科学, 2024, 46(07): 1311-1320.
[4]	尹春勇, 赵峰. 基于双层注意力和深度自编码器的时间序列异常检测模型[J]. 计算机工程与科学, 2024, 46(05): 826-835.
[5]	马长林, 孙状. 基于实体知识的远程监督关系抽取[J]. 计算机工程与科学, 2024, 46(05): 945-950.
[6]	陈杰, 李程, 刘仲. 面向多核向量加速器的卷积神经网络推理和训练向量化方法[J]. 计算机工程与科学, 2024, 46(04): 580-589.
[7]	王谢中, 陈旭, 景永俊, 王叔洋. 基于异构图神经网络的半监督网站主题分类[J]. 计算机工程与科学, 2024, 46(04): 635-646.
[8]	吴瑕, 郑洪英, 肖迪. 一种基于认证文件的双方验证模型水印方案[J]. 计算机工程与科学, 2024, 46(04): 647-656.
[9]	余天赐, 高尚. 融合多结构信息的代码注释生成模型[J]. 计算机工程与科学, 2024, 46(04): 667-675.
[10]	李清风, 金柳, 马慧芳, 张若一. 双视图对比学习引导的多行为推荐方法[J]. 计算机工程与科学, 2024, 46(04): 707-715.
[11]	曹浩东, 汪海涛, 贺建峰. 融合序列局部信息的日期感知序列推荐算法[J]. 计算机工程与科学, 2024, 46(04): 734-742.
[12]	吕伏, 韩晓天, 冯永安, 项梁. 基于自适应纹理特征融合的纹理图像分类方法[J]. 计算机工程与科学, 2024, 46(03): 488-498.
[13]	马雪, 何星星, 兰咏琪, 李莹芳. 一阶逻辑中基于treelet图神经网络的前提选择[J]. 计算机工程与科学, 2024, 46(02): 374-380.
[14]	孙庆骁, 刘轶, 杨海龙, 王一晴, 贾婕, 栾钟治, 钱德沛. GNNSched：面向GPU的图神经网络推理任务调度框架[J]. 计算机工程与科学, 2024, 46(01): 1-11.
[15]	秦文强, 吴仲城, 张俊, 李芳, . 基于异构平台的卷积神经网络加速系统设计[J]. 计算机工程与科学, 2024, 46(01): 12-20.