Gas concentration prediction model based on SSA-LSTM
-
摘要: 为了更好地捕捉瓦斯浓度的时变规律及有效信息，实现对采煤工作面瓦斯浓度的精准预测，采用麻雀搜索算法（SSA）优化长短期记忆 (LSTM) 网络，提出了一种基于SSA−LSTM的瓦斯浓度预测模型。采用均值替换法对原始瓦斯浓度时序数据中的缺失数据及异常数据进行处理，再进行归一化和小波阈值降噪；对比测试了SSA与灰狼优化 (GWO) 算法、粒子群优化（PSO）算法的性能差异，验证了SSA在寻优精度、收敛速度和适应能力等方面的优势；利用SSA的自适应性依次对LSTM的学习率、隐藏层节点个数、正则化参数等超参数进行寻优，以此来提高全局寻优能力，避免预测模型陷入局部最优；将得到的最佳超参数组合代入LSTM网络模型中，输出预测结果。将SSA−LSTM与LSTM、GWO−LSTM、PSO−LSTM瓦斯浓度预测模型进行比较，实验结果表明：基于SSA−LSTM的瓦斯浓度预测模型的均方根误差（RMSE）较LSTM，PSO−LSTM，GWO−LSTM分别减少了77.8%，58.9%，69.7%；平均绝对误差（MAE）分别减少了83.9%，37.8%，70%，采用SSA优化的LSTM预测模型相较于传统LSTM模型具有更高的预测精度和鲁棒性。Abstract: In order to better capture the time-varying patterns and effective information of gas concentration, and achieve precise prediction of gas concentration in coal working faces, a gas concentration prediction model based on SSA-LSTM is proposed by optimizing the long short term memory (LSTM) network using sparrow search algorithm (SSA). The model uses the mean replacement method to process missing and abnormal data in the original gas concentration time series data, followed by normalization and wavelet threshold denoising. The performance differences between SSA and grey wolf optimization (GWO) and particle swarm optimization (PSO) algorithms are compared and tested. The result verifies the advantages of SSA in terms of optimization precision, convergence speed, and adaptability. By utilizing the adaptability of SSA, the hyperparameters of LSTM, such as learning rate, number of hidden layer nodes, and regularization parameters, are sequentially optimized to improve the global optimization capability and avoid the prediction model falling into local optimum. The obtained optimal hyperparameter combination is substituted into the LSTM network model and the prediction results are output. Comparing SSA-LSTM with LSTM, GWO-LSTM, and PSO-LSTM gas concentration prediction models, the experimental results show that the root mean square error (RMSE) of the gas concentration prediction model based on SSA-LSTM is reduced by 77.8%, 58.9%, and 69.7% compared to LSTM, PSO-LSTM, and GWO-LSTM, respectively. The mean absolute error (MAE) decreases by 83.9%, 37.8%, and 70%, respectively. The LSTM prediction model optimized by SSA has higher prediction precision and robustness compared to traditional LSTM models.
-
0. 引言
煤炭开采过程中夹杂的矸石不仅影响标煤的燃烧值，还会造成严重的环境污染[1-2]，煤矸分选是提高煤质、高效利用煤炭资源、实现绿色开采的重要途经[3-4]。《关于“十四五”大宗固体废弃物综合利用的指导意见》中提出要大力发展绿色矿业，推广应用矸石不出井模式，实现“煤矸石井下充填+地面回填”[5-6]。煤矿井下煤矸分选及就地填充将是未来智慧矿山建设和绿色高效生产的发展趋势。受煤矿井下空间小、开采扰动大、环境恶劣等因素的影响，传统煤矸分选方式在煤矿井下的适用性较低且不宜推广。因此，研究煤矿井下智能化分选意义重大，而煤矸的分类、识别是实现井下智能化分选的重要前提。
目前国内外学者针对煤矸智能识别、分选展开了多方面研究。Pu Yuanyuan等[7]基于迁移学习技术改进VGG16网络识别模型，优化了全连接层参数，减少了训练时间，但煤矸识别准确率较低。雷世威等[8]通过改进加深YOLOv3模型的网络结构，增强了煤矸特征提取能力，提高了检测精度。徐志强等[9]基于深度神经网络构建了煤矸图像识别模型，经剪枝优化后，减小了模型大小，同时提升了识别精度。郭永存等[10]针对小目标煤矸样本提出一种融合迁移学习与结构优化的煤矸识别方法，构建了多尺度煤矸的高效识别模型。李博等[11]通过采集模拟生产环境下煤矸图像样本数据，研究了光照、淋水、粉尘环境对煤矸石图像特征的影响。赵明辉[12]提出了CornerNet Squeeze网络模型，依据图像灰度直方图的三阶矩阵特征参数进行煤矸分类，提高了存在背景干扰情况下的煤矸识别准确率。沈科等[13]提出了一种改进YOLOv5s模型，提高了煤矸识别的速度和精度。张磊等[14]采集选煤厂生产环境中的煤矸样本图像作为输入，通过对比实验发现5种基于YOLOv5s模型的改进算法在识别具有运动模糊、低照度特征的小目标煤矸图像时，识别精确率下降明显。
基于可见光成像的煤矸识别方法在获取煤矸图像时易受到光源、噪声、震动和物料表面等不确定因素影响。而在实际煤矿井下分选场景中，普遍存在高噪声、低照度、运动模糊等干扰因素，影响获取的煤矸图像质量，导致现有的煤矸可见光图像识别方法对图像中煤矸特征的提取能力急剧下降。此外，在煤矸输送过程中易出现煤矸目标聚集与粘连问题，进一步影响算法对煤矸目标分类与定位的准确性。
针对上述问题，本文在YOLOv5s模型的基础上进行改进，提出一种基于CED−YOLOv5s模型的煤矸石识别方法。通过引入坐标注意力（Coordinate Attention，CA）模块来提高模型在煤矿复杂背景中对目标关键特征的提取能力，采用EIoU边界损失函数和轻量化解耦头（Decoupled_Detect）来提高模型在目标聚集、背景干扰情况下的分类定位能力。
1. CED−YOLOv5s模型结构
YOLOv5s是一种单阶段目标检测模型，由输入端（Input）、主干网络（Backbone）、颈部网络（Neck）与检测头（Head）4个部分组成，具有检测速度快、灵活度高、模型易部署的特点。输入端主要进行图像数据增强、自适应锚框计算等预处理操作。主干网络采用CSP−Draknet53网络进行特征提取，主要由CBL、C3、快速空间金字塔池化（Spatial Pyramid Pooling-Fast，SPPF）3个子模块组成。其中CBL模块是由卷积层（Conv）、批量归一化层（Batch Normalization，BN）、SiLU激活函数组成的基本卷积单元，用于增强网络的非线性表达能力；C3模块由3个标准卷积层及多个BottleNeck模块组成，采用残差网络框架提升模型的特征提取能力和表达能力；SPPF模块由CBL模块及串行池化层组成，用于拼接不同感受野的特征图。颈部网络采用特征金字塔网络（Feature Pyramid Network，FPN）[15]和路径聚合网络（Path Aggregation Network，PAN）[16]双层架构进行特征融合。检测头使用3种不同尺度的检测层对大、中、小目标进行检测，并输出目标类别与目标框回归结果。
CED−YOLOv5s模型是在YOLOv5s的基础上进行了改进。首先，在主干网络中引入CA模块，提高模型在煤矿复杂背景中对目标关键特征的提取能力；然后，在检测头部分采用EIoU作为模型回归损失函数，以加快收敛速度，提升模型的检测性能和抗干扰能力；最后，使用轻量化的解耦头替换原模型的耦合头（Coupled_Detect），以提高模型的检测精度和抗干扰能力。CED−YOLOv5s模型结构如图1所示。
2. YOLOv5s模型改进
2.1 特征提取模块改进
受到煤矿井下实际分选场景的复杂工况影响，所采集到的煤矸图像丢失了大量纹理特征信息，使得YOLOv5s的主干网络难以提取到煤矸的有效特征。为提高YOLOv5s模型对煤矸目标关键特征信息的提取能力，在其主干网络中引入CA机制[17]。CA机制是一种高效的注意力机制，通过将坐标信息嵌入信道关系和长程依赖关系中对特征图进行编码。相较于传统注意力机制，CA机制能够充分利用通道注意力信息和空间注意力信息，使模型更加关注重要特征，抑制无用信息。CA模块结构如图2所示，Cr为聚合后的通道。
对于输入尺寸为C×H×W（通道数×高×宽）的特征图，使用尺寸为（H，1）和（1，W）的池化核分别沿横轴X和纵轴Y对每一个通道进行编码，生成水平方向尺寸为C×H×1的特征图Z w和竖直方向尺寸为C×1×W的特征图Zh。
$$ z_c^h(h) = \frac{1}{W}\sum\limits_{0 \leqslant i \lt W} {{x_c}(h,i)} $$ (1) $$ z_c^w(w) = \frac{1}{H}\sum\limits_{0 \leqslant j \lt H} {{x_c}(j,w)} $$ (2) 式中：$z_c^h(h)$，$z_c^w(w)$分别为高度变量h和宽度变量w在第c个通道的特征输出；${x_c}(h,i)$为输入特征第c个通道的第h行第i列的数值；${x_c}(j,w)$为输入特征第c个通道的第j行第w列的数值。
利用一维池化操作将生成的2个特征图在空间维度上进行特征聚合，生成一对方向可知的特征图，使得注意力模块在获取一个空间方向长程关系的同时，还保留另一个空间的空间位置信息。将2个空间方向的特征图进行拼接，使用1×1卷积函数F1对通道数C进行压缩，归一化处理后，再通过非线性激活函数δ进行特征转化，得到特征图：
$$ {\boldsymbol{f}} = \delta ({F_1}([{z_c^h\left( h \right)},{z_c^w\left( w \right)}])) $$ (3) 将特征图ƒ沿空间维度再拆分为沿水平方向和竖直方向的特征图ƒh，ƒw，分别利用1×1卷积函数Fh和Fw将通道数扩展回C，再用Sigmoid激活函数$ \sigma $得到水平和竖直方向的特征张量gh和gw：
$$ {{\boldsymbol{g}}^h} = \sigma ({F_h}({{\boldsymbol{f}}^h})) $$ (4) $$ {{\boldsymbol{g}}^w} = \sigma ({F_w}({{\boldsymbol{f}}^w})) $$ (5) 将输出的gh和gw分别扩展、相乘并作为注意力权重，再与输入特征I相乘，得到添加CA模块后的输出特征O：
$$ \boldsymbol{O}=\boldsymbol{I}\times\boldsymbol{g}^h\times\boldsymbol{g}^w $$ (6) 坐标注意力机制强调了水平与垂直方向的位置信息，使得特征提取网络能获得更大区域的信息，避免无效冗余信息对识别准确率的影响及更多的计算开销。
2.2 损失函数改进
边界框回归损失函数是目标检测中预测边界框与真实边界框之间差异的度量指标，在目标检测中起关键作用。YOLOv5s中采用CIoU函数作为回归损失函数[18]，其考虑了预测框和目标框之间交并比、中心距离和宽高比等因素影响，相较于传统的损失函数有良好表现，但是依赖于边界框回归指标的聚合，无法准确描述真实框和预测框宽高之间的差异，易造成预测框回归不准确，降低网络模型的收敛性和训练效率。在井下实际分选场景中，煤矸石易发生聚集与粘连现象，使得YOLOv5s模型对煤矸目标的定位能力急剧下降。为解决该问题，本文采用EIoU函数[19]代替CIoU函数，以增强目标的位置和边界信息，提升模型对煤矸石的定位精度。EIoU计算公式为
$${L_{{\mathrm{EIoU}}}} = {L_{{\mathrm{IoU}}}} + {L_{{\text{dis}}}} + {L_{{\text{asp}}}}= 1 - {U} + \frac{{{\rho ^2_1}}}{{{s^2}}} + \frac{{{\rho ^2_2}}}{{s_w^2}} + \frac{{{\rho ^2_3}}}{{s_h^2}} $$ (7) 式中：${L_{{\mathrm{IoU}}}}$，${L_{{\mathrm{dis}}}}$，${L_{{\mathrm{asp}}}}$分别为重叠损失、距离损失和宽高损失；${U}$为预测边界框与真实边界框的交并比；s，sw，sh分别为能包裹两框最小外接矩形的对角线长度、宽和高；$ \rho_1 $为预测边界框与真实边界框中心点距离；$ \rho_2 $为预测边界框与真实边界框的宽的差值；$ \rho_3 $为预测边界框与真实边界框的高的差值。
EIoU损失函数将目标框与锚框的宽高差异最小化，考虑了重叠面积、中心点距离及宽、高、边长的真实差异，使模型在回归过程中专注高质量锚框，加快模型收敛速度，使回归预测更精确，同时保持较强的抗干扰能力。
2.3 检测头改进
YOLOv5s模型中，检测头采用的是耦合头部，分类任务和回归任务以共享权重的方式实现。分类任务主要考虑的是煤矸样本间的差异，而回归任务考虑更多的是煤矸图像的边界信息。这种联合处理方式会造成分类任务和回归任务之间相互干扰 [20-21]，从而造成检测模型的性能损失。为解决耦合预测头中分类任务与回归任务的矛盾，提升井下实际分选场景中算法的定位能力和识别精度，本文参考YOLOX[22]算法中的解耦头，并对其进行轻量化改进，解耦头可解耦出单独的特征通道，分别用于分类和回归任务。轻量化解耦头结构如图3所示。
解耦头首先对不同维度的输入特征图进行1×1卷积，使得多个输入特征图获得相同的通道维度；将特征图输入2个并行分支中同步进行分类与回归任务，每个分支都包含2个用于特征提取的3×3卷积；通过1个1×1卷积进行通道整合，得到分类、回归和目标3个输出。解耦头将分类和回归任务解耦，解决了传统耦合头分类与回归任务间的冲突问题，但其新增了多个卷积模块，使得模型计算量大幅提升。针对该问题，本文在YOLOX解耦头基础上进行了精简设计：删除输入部分的1×1卷积模块，采用模型主干网络与颈部网络的宽度系数对解耦头的通道维度进行共同缩放；在分类与回归分支中各删除1个3×3卷积模块，以最大程度降低网络优化难度，在不增加计算成本的情况下提高检测性能。
3. 实验验证
3.1 数据集获取与预处理
通过煤矸图像采集实验台（图4）采集分辨率为2 448×2 048的不同大小和形态的煤矸组合图像，共获取原始图像617张。为模拟井下分选现场的复杂环境，提高算法的鲁棒性与泛化性，以旋转、添加噪声、图像模糊及亮度调节等方式进行数据增强，对原始数据集进行扩充，最终得到3 085张样本图像，使用Labelimg工具对图像进行标注，将标注好的图像按照8∶2的比例划分为训练集和验证集。
3.2 模型训练
实验硬件设备为Intel（R） Xeon（R） Platinum 8350C CPU@2.60 GHz处理器，64 GiB内存，NVIDIA GeForce RTX 3090显卡，显存大小为24 GiB。软件环境为ubuntu20.04操作系统、python3.8、pytorch1.11.0深度学习框架，cuda版本为11.3。设定训练轮次为301，批量大小为32，图像输入尺寸为640×640，采用随机梯度下降法进行模型优化，以防止模型陷入局部最优解。此外，采用余弦学习率衰减方法，初始学习率为0.01。
3.3 评价指标
为验证改进模型的有效性，选用精确率P、召回率R、平均精度均值（mean Average Precision，mAP）、每秒传输帧数（Frames Per Second，FPS）、模型权值文件体积（Volume）和平均检测时间T作为评价指标。其中P，R，mAP用于衡量模型检测性能；Volume用于衡量模型复杂程度；FPS和T用于衡量实时检测速度。相关评价指标的计算公式为
$$ P = \frac{{{\mathrm{TP}}}}{{{\mathrm{TP}} + {\mathrm{FP}}}} $$ (8) $$ R = \frac{{{\mathrm{TP}}}}{{{\mathrm{TP}} + {\mathrm{FN}}}} $$ (9) $$ {\mathrm{AP}} = \int_0^1 {P(R){\mathrm{d}}R} $$ (10) $$ {\mathrm{mAP}} = \frac{1}{n}\sum\limits_{k = 1}^n {{{\mathrm{AP}}_k}} $$ (11) $$ {\mathrm{FPS}} = \frac{{1\;000}}{T} $$ (12) 式中：TP为检测结果为正的目标数；FP为误检为正确的目标数；FN为漏检的目标数；AP为平均精度；APk为第k个类别下的平均精度；n为总类别数。
3.4 消融实验
为验证各改进模块对YOLOv5s模型的性能影响，设计了消融实验，各组实验采用相同的超参数设置，消融实验结果见表1。模型A为原YOLOv5s网络模型，模型B在模型A基础上引入了CA模块，模型C在模型B的基础上引入了EIoU损失函数，模型D在模型C的基础上引入了轻量化解耦头结构。模型A−D的mAP迭代收敛曲线如图5所示。
表 1 消融实验结果Table 1. Results of ablation experiments模型 P/% R/% mAP/% T/ms A（YOLOv5s） 89.8 86.6 91.7 11.4 B（模型 A+CA） 91.0 88.8 93.2 9.8 C（模型 B+ EIoU） 91.6 88.2 93.9 10.0 D（模型 C+ Decoupled_ Detect） 91.7 90.9 94.8 11.8 1） 模型A→模型B：将CA模块添加至YOLOv5s模型中，目的是提高对图像关键信息的提取能力，避免复杂的背景信息干扰。实验结果表明，引入CA机制后，模型B的mAP曲线在50轮迭代后逐渐上升并高于模型A的mAP曲线，mAP值从91.7%提升到93.2%，精确率P和召回率R分别提升了1.2%和2.2%，平均检测时间缩短了1.6 ms，检测精度和速度都有明显提升。
2） 模型B→模型C：用EIoU损失函数替换YOLOv5s模型的CIoU损失函数，目的是提高模型的定位精度和预测框收敛速度。实验结果表明，引入EIoU损失函数后，模型C的mAP曲线收敛速度明显加快，在第75轮后逐渐上升并高于模型B的mAP曲线，mAP值从93.2%提升到93.9%，有效提高了算法模型的检测精度。
3） 模型C→模型D：引入轻量化解耦头的目的是拆分分类任务与回归任务，解决二者间的计算冲突；删除部分卷积层的目的是避免因参数量过度增加而影响最终检测效率。实验结果表明，引入轻量化解耦头结构后，模型D的mAP曲线在50轮迭代后逐渐上升并高于模型C的mAP曲线，mAP值从93.9%提升到94.8%，检测速度与模型A基本保持一致，在不影响检测速度的前提下，进一步提升了检测精度。
3.5 对比实验
模型改进后，复杂程度相应增加，从而造成模型Volume增加和FPS降低，为进一步验证CED−YOLOv5s模型的有效性和性能优势，在相同的数据集与实验设备下，选用5种YOLO系列目标检测模型YOLOv5n，YOLOv5s，YOLOv5l，YOLOv7−tiny，YOLOv7与CED−YOLOv5s模型进行对比实验。
为了直观展示对比模型之间的实际检测效果，分别使用6种模型对正常、运动模糊、噪声与低照度4种工况环境下的煤矸聚集样本图像进行检测，并提供初始人工标注结果（图6）作为参考，图6中煤的表面呈现黑色光亮且具有少数裂纹，用红框标注，而矸石表面则暗淡粗糙且呈现黑灰色，用蓝框标注。对比实验结果见表2。
表 2 对比实验结果Table 2. Comparative experimental results模型 mAP/% FPS Volume /MiB YOLOv5n 88.8 119.5 3.9 YOLOv5s 91.7 87.7 18.4 YOLOv5l 93.1 70.4 92.9 YOLOv7−tiny 89.1 88.5 12.3 YOLOv7 93.9 58.8 74.8 CED−YOLOv5s 94.8 84.8 24.6 从检测精度、检测速度和复杂程度3个方面对6种检测模型进行对比。
1） 检测精度：CED−YOLOv5s模型的mAP值为94.8%，在6种算法中最高，相较YOLOv5n，YOLOv5s，YOLOv5l，YOLOv7−tiny，YOLOv7分别高6%，3.1%，1.7%，5.7%，0.9%，表明CED−YOLOv5s模型的检测精度具有明显优势。
2） 检测速度：CED−YOLOv5s与YOLOv5s模型的FPS相差不大，检测速度快于YOLOv5l和YOLOv7模型，能充分满足实时目标检测任务需求（≥60 帧/s）。此外，虽然YOLOv5n模型检测速度较快，但检测精度远低于CED−YOLOv5s模型，难以适应复杂工况下的煤矸分选任务。
3）复杂程度：CED−YOLOv5s模型相较于YOLOv5s使用了更复杂的结构，所以在权值文件大小上有少量提升。对比mAP较高的YOLOv5l与YOLOv7模型，CED−YOLOv5s模型权值文件大小仅为YOLOv5l与YOLOv7模型的26.5%和32.8%，而FPS为YOLOv5l与YOLOv7的120.5%和144.2%，优势较为明显。
选取部分检测结果进行可视化呈现，如图7所示。正常环境下，CED−YOLOv5s模型对煤和矸石的检测置信度得分较高，检测效果最佳。在噪声环境中，YOLOv5s与YOLOv7−tiny模型均出现预测回归框不准确现象，YOLOv5n模型出现了多处误检。在低照度环境中，YOLOv5l模型出现预测回归框不准确现象。在运动模糊环境中，YOLOv5s模型出现误检与预测回归框不准确现象，YOLOv7−tiny模型在多处出现了预测回归框不准确现象。而在上述复杂工矿环境的检测任务中，CED−YOLOv5s模型均未出现误检、漏检及预测回归框不准确的问题，且置信度得分整体较高。
![]()
图 7 不同算法在4种工况环境下的部分检测结果Figure 7. Partial detection results of different algorithms under four operating conditions综合衡量不同的检测模型，CED−YOLOv5s模型在少量增加模型权值文件大小的前提下，获得了显著的精度提升，兼顾了检测精度与速度，具有较大的优势。
4. 结论
1） 提出一种基于CED−YOLOv5s模型的煤矸石识别方法。通过引入CA机制，提高了煤矿井下复杂分选环境中煤矸关键特征的提取能力，提升了识别精度与速度；使用EIoU回归损失函数替换CIoU损失函数，提高了模型在煤矸目标聚集情况下的定位能力，从而提高了模型的收敛速度及边界框预测回归精度；将原模型的耦合头替换为轻量化解耦头，在兼顾检测速度的前提下，显著提高了复杂背景与煤矸聚集影响下的煤矸识别精度。
2） 构建不同工况下的煤矸目标数据集，进行了消融实验与对比实验。消融实验结果表明，各改进模块对模型检测精度的提升均有贡献，CED−YOLOv5s模型的平均检测精度在YOLOv5s模型的基础上提升了3.1%。对比实验结果表明，与其他5种YOLO系列检测模型相比，CED−YOLOv5s模型对不同工况下的检测任务适应性最强，综合检测性能最佳。
-
![]()
图 3 基于SSA−LSTM的瓦斯浓度预测模型
Figure 3. Gas concentration prediction model based on sparrow search algorithm(SSA)−LSTM
![]()
图 6 学习率对模型预测效果的影响
Figure 6. The influence of learning rate on model prediction performance
![]()
图 7 隐藏层节点个数对模型预测效果的影响
Figure 7. The influence of the number of hidden layer nodes on model prediction performance
![]()
图 8 正则化参数对模型预测效果的影响
Figure 8. The influence of regularization parameters on model prediction performance
![]()
图 9 LSTM网络和SSA−LSTM预测结果对比
Figure 9. Comparison of prediction results between LSTM network and SSA−LSTM
表 1 不同预测模型超参数选择
Table 1 Selection of hyperparameters for different prediction models
模型 学习率 隐藏层节点个数 正则化参数 SSA−LSTM 0.06 40 0.038 3 PSO−LSTM 0.03 60 0.051 2 GWO−LSTM 0.05 80 0.041 6 
下载: 导出CSV
表 2 不同模型预测结果评价
Table 2 Evaluation of prediction results of different models
模型 MAE RMSE $ {R}^{2} $ 运行时间/s LSTM 0.011 35 0.011 7 0.577 6 45 PSO−LSTM 0.002 93 0.004 8 0.908 9 50 SSA−LSTM 0.001 82 0.002 6 0.962 5 47 GWO−LSTM 0.006 15 0.008 6 0.780 3 49
下载: 导出CSV
-
[1] 王双明. 对我国煤炭主体能源地位与绿色开采的思考[J]. 中国煤炭,2020,46(2):11-16. WANG Shuangming. Thoughts about the main energy status of coal and green mining in China[J]. China Coal,2020,46(2):11-16.
[2] 付华,代巍. 基于ACPSO的PSR−MK−LSSVM瓦斯浓度动态预测方法[J]. 传感技术学报,2016,29(6):903-908. DOI: 10.3969/j.issn.1004-1699.2016.06.019 FU Hua,DAI Wei. Gas concentration dynamic prediction method of mixtures kernels LSSVM based on ACPSO and PSR[J]. Chinese Journal of Sensors and Actuators,2016,29(6):903-908. DOI: 10.3969/j.issn.1004-1699.2016.06.019
[3] 钱建生,邱春荣,李紫阳,等. 深度学习耦合粒子群优化SVM的瓦斯浓度预测[J]. 煤矿安全,2016,47(11):173-176. QIAN Jiansheng,QIU Chunrong,LI Ziyang,et al. Gas emission quantity prediction based on particle swarm optimization of SVM and deep learning network[J]. Safety in Coal Mines,2016,47(11):173-176.
[4] 吴海波,施式亮,念其锋. 基于Isomap+SVR的瓦斯浓度预测方法[J]. 矿业工程研究,2019,34(2):51-54. WU Haibo,SHI Shiliang,NIAN Qifeng. Prediction of gas concentration based on Isomap and SVR[J]. Mineral Engineering Research,2019,34(2):51-54.
[5] 李欢,贾佳,杨秀宇,等. 煤矿综采工作面瓦斯浓度预测模型[J]. 工矿自动化,2018,44(12):48-53. LI Huan,JIA Jia,YANG Xiuyu,et al. Gas concentration prediction model for fully mechanized coal mining face[J]. Industry and Mine Automation,2018,44(12):48-53.
[6] 王鹏,伍永平,王栓林,等. 矿井瓦斯浓度Lagrange−ARIMA实时预测模型研究[J]. 煤炭科学技术,2019,47(4):141-146. WANG Peng,WU Yongping,WANG Shuanlin,et al. Study on Lagrange-ARIMA real-time prediction model of mine gas concentration[J]. Coal Science and Technology,2019,47(4):141-146.
[7] 张震,朱权洁,李青松,等. 基于Python的瓦斯浓度ARIMA预测模型构建及其应用[J]. 华北科技学院学报,2020,17(2):23-28,49. DOI: 10.3969/j.issn.1672-7169.2020.02.004 ZHANG Zhen,ZHU Quanjie,LI Qingsong,et al. Construction and application of ARIMA prediction model of gas concentration based on Python[J]. Journal of North China Institute of Science and Technology,2020,17(2):23-28,49. DOI: 10.3969/j.issn.1672-7169.2020.02.004
[8] 王怀远,张保会,杨松浩,等. 电力系统暂态稳定切机控制策略表的快速整定方法[J]. 电力系统自动化,2016,40(11):68-72,79. DOI: 10.7500/AEPS20150921009 WANG Huaiyuan,ZHANG Baohui,YANG Songhao,et al. Fast setting method of generator tripping strategy tables in transient stability control of power systems[J]. Automation of Electric Power Systems,2016,40(11):68-72,79. DOI: 10.7500/AEPS20150921009
[9] 郭星燃,李娟莉,苗栋,等. 基于LSTM−Adam的矿井提升机故障预警模型[J]. 机电工程,2024,41(1):175-182. GUO Xingran,LI Juanli,MIAO Dong,et al. A fault early warning model of mine hoist based on LSTM-Adam[J]. Journal of Mechanical & Electrical Engineering,2024,41(1):175-182.
[10] 周浩杰,杨建卫,王尊,等. 基于LSTM光伏发电功率超短期预测模型研究[J]. 电源技术,2023,47(6):785-789. DOI: 10.3969/j.issn.1002-087X.2023.06.021 ZHOU Haojie,YANG Jianwei,WANG Zun,et al. Research on ultra-short term prediction model of photovoltaic power generation based on LSTM[J]. Chinese Journal of Power Sources,2023,47(6):785-789. DOI: 10.3969/j.issn.1002-087X.2023.06.021
[11] 余琼芳,王联港,杨艺. 基于LSTM−TCN的综采工作面顶板压力预测[J]. 煤炭技术,2023,42(6):5-9. YU Qiongfang,WANG Liangang,YANG Yi. Pressure prediction of top plate of comprehensive mining working face based on LSTM-TCN[J]. Coal Technology,2023,42(6):5-9.
[12] 谭美芳,匡锐,张清勇,等. 基于改进灰狼算法优化LSTM的断面交通流预测[J]. 武汉理工大学学报,2023,45(5):132-139. DOI: 10.3963/j.issn.1671-4431.2023.05.019 TAN Meifang,KUANG Rui,ZHANG Qingyong,et al. LSTM for cross-sectional traffic flow prediction based on improved grey wolf optimizer algorithm[J]. Journal of Wuhan University of Technology,2023,45(5):132-139. DOI: 10.3963/j.issn.1671-4431.2023.05.019
[13] 吴家葆,曾国辉,张振华,等. 基于K−means分层聚类的TCN−GRU和LSTM动态组合光伏短期功率预测[J]. 可再生能源,2023,41(8):1015-1022. DOI: 10.3969/j.issn.1671-5292.2023.08.004 WU Jiabao,ZENG Guohui,ZHANG Zhenhua,et al. Dynamic combination of TCN−GRU and LSTM photovoltaic short-term power prediction based on K-means hierarchical clustering[J]. Renewable Energy Resources,2023,41(8):1015-1022. DOI: 10.3969/j.issn.1671-5292.2023.08.004
[14] 杨雨佳,肖庆来,陈健,等. 融合空间和统计特征的CNN−GRU臭氧浓度预测模型研究[J]. 南京大学学报(自然科学),2023,59(2):322-332. YANG Yujia,XIAO Qinglai,CHEN Jian,et al. Research on CNN-GRU ozone prediction considering spatial features and statistical features[J]. Journal of Nanjing University(Natural Science),2023,59(2):322-332.
[15] 王雨虹,王淑月,王志中,等. 基于改进蝗虫算法优化长短时记忆神经网络的多参数瓦斯浓度预测模型研究[J]. 传感技术学报,2021,34(9):1196-1203. DOI: 10.3969/j.issn.1004-1699.2021.09.009 WANG Yuhong,WANG Shuyue,WANG Zhizhong,et al. Multi-parameter gas concentration prediction model based on improved locust algorithm to optimize long and short time memory neural network[J]. Chinese Journal of Sensors and Actuators,2021,34(9):1196-1203. DOI: 10.3969/j.issn.1004-1699.2021.09.009
[16] 王德忠,朱国宏,王禹,等. 基于GA−LSTM的综采面瓦斯浓度预测模型[J]. 煤炭技术,2023,42(1):219-221. WANG Dezhong,ZHU Guohong,WANG Yu,et al. Prediction model of gas concentration in fully mechanized mining face based on GA-LSTM[J]. Coal Technology,2023,42(1):219-221.
[17] 郝可青,吕志刚,邸若海,等. 基于鲸鱼算法优化长短时记忆神经网络的锂电池剩余寿命预测[J]. 科学技术与工程,2022,22(29):12900-12908. DOI: 10.3969/j.issn.1671-1815.2022.29.025 HAO Keqing,LYU Zhigang,DI Ruohai,et al. Remaining useful life prediction of lithium battery based on long short-term memory optimized by whale optimization algorithm[J]. Science Technology and Engineering,2022,22(29):12900-12908. DOI: 10.3969/j.issn.1671-1815.2022.29.025
[18] 王冰,尚亚强,严一踔,等. 基于麻雀搜索算法的橡胶复合挤出机温度压力解耦控制[J]. 大众科技,2022,24(7):9-13. DOI: 10.3969/j.issn.1008-1151.2022.07.003 WANG Bing,SHANG Yaqiang,YAN Yichuo,et al. Temperature and pressure decoupling control of rubber composite extruder based on sparrow search algorithm[J]. Popular Science & Technology,2022,24(7):9-13. DOI: 10.3969/j.issn.1008-1151.2022.07.003
[19] 祖林禄,柳平增,赵妍平,等. 基于SSA−LSTM的日光温室环境预测模型研究[J]. 农业机械学报,2023,54(2):351-358. DOI: 10.6041/j.issn.1000-1298.2023.02.036 ZU Linlu,LIU Pingzeng,ZHAO Yanping,et al. Solar greenhouse environment prediction model based on SSA-LSTM[J]. Transactions of the Chinese Society for Agricultural Machinery,2023,54(2):351-358. DOI: 10.6041/j.issn.1000-1298.2023.02.036
[20] 冷丽英,付建哲,宁波. 基于SSA−LSTM模型的IGBT时间序列预测研究[J]. 半导体技术,2023,48(1):66-72. LENG Liying,FU Jianzhe,NING Bo. Research on IGBT sequentially prediction based on SSA-LSTM model[J]. Semiconductor Technology,2023,48(1):66-72.
[21] 刘栋,梅雪松,冯斌,等. 基于Symlets小波滤波的滚珠丝杠伺服进给系统频响特性辨识[J]. 机械工程学报,2011,47(13):153-159. DOI: 10.3901/JME.2011.13.153 LIU Dong,MEI Xuesong,FENG Bin,et al. Frequency response identification for ballscrew servo driven system based on Symlets wavelet[J]. Journal of Mechanical Engineering,2011,47(13):153-159. DOI: 10.3901/JME.2011.13.153
[22] 张会峰,张德正,程卫健,等. 基于小波滤波和SVPWM的矿用APF研究[J]. 煤矿机械,2023,44(9):198-200. ZHANG Huifeng,ZHANG Dezheng,CHENG Weijian,et al. Research on mining APF based on wavelet filtering and SVPWM[J]. Coal Mine Machinery,2023,44(9):198-200.
[23] 陈俊,余雷. 基于小波分解切换规则的交互系统切换滤波方法[J]. 电工技术,2022(13):31-34,97. CHEN Jun,YU Lei. A switching filtering method for interactive systems based on wavelet decomposition switching rules[J]. Electric Engineering,2022(13):31-34,97.
-
期刊类型引用(4)
1. 滕文想，王成，费树辉. 基于HGTC-YOLOv8n模型的煤矸识别算法研究. 工矿自动化. 2024(05): 52-59 . 
本站查看
2. 王福奇，王志峰，金建成，井庆贺，王耀辉，王大龙，汪义龙. 基于GSL-YOLO模型的综放工作面混矸率检测方法. 工矿自动化. 2024(09): 59-65+137 . 本站查看
3. 刘京领，万占永，张坤，王攀，练新强. 自动识别块状残极多级分拣系统研究及应用. 云南冶金. 2024(05): 194-198 . 百度学术
4. 李智勇，刘恩强，高辉. 基于YOLOv7的煤样受载裂隙识别研究. 现代矿业. 2024(12): 32-35 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 517
- HTML全文浏览量: 50
- PDF下载量: 39
- 被引次数: 6
