买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安重装智慧矿山工程技术有限公司

摘要：本发明公开了带有迁移学习ESN模型的瓦斯浓度预测方法，具体包括如下步骤：通过传感器采集井下瓦斯浓度数据，瓦斯浓度数据包括目标域时间序列和源域时间序列；为目标域时间序列选取高相似性源域时间序列；构建ESN模型，将自回归模型引入至回声状态网络储层，分别形成源域和目标域的储层状态矩阵；构建带有迁移学习的ESN模型，计算预测结果，更新输出权重。本发明在回声状态网络的状态矩阵中引入AR模型，帮助目标域预测的修正，并通过基于迁移学习的递归最小二乘法在线更新权重，增强模型的实时性，解决了传统瓦斯浓度预测模型预测精度偏低的问题。

主权项：1.带有迁移学习ESN模型的瓦斯浓度预测方法，其特征在于，具体按照以下步骤进行实施：步骤1、传感器采集井下瓦斯浓度数据，获取的瓦斯浓度数据包括目标域时间序列和源域时间序列集合；传感器分别对应设置在矿井工作面中多个监测点，其中，需要预测的监测点采集到的瓦斯浓度数据作为目标域时间序列，其余个监测点采集到的瓦斯浓度数据作为源域时间序列；步骤2、采用动态时间规整方法进行相似性比较，从步骤1的个源域时间序列中选取一个源域时间序列，源域时间序列与目标域时间序列相似性最高；步骤3、构建ESN模型，将自回归模型引入至回声状态网络储层，分别形成源域的储层状态矩阵和目标域的储层状态矩阵，提取时间序列的非线性特征和线性特征；步骤4、构建带有迁移学习的ESN模型学习算法，计算预测结果，为下一时刻的预测更新输出权重；所述步骤2利用动态时间规整法依次计算目标域和各个源域之间的DTW距离，从中选取DTW距离最小的源域时间序列，与目标域具有最高相似性；所述步骤2的具体过程为：步骤2.1、计算目标域时间序列和源域时间序列中每两点之间的欧氏距离；假设步骤1源域时间序列集合中一个源域时间序列，的长度为，目标域时间序列的长度为，则得到有个元素填充局部距离矩阵； （1）任一欧氏距离D（i，j）为； （2） D（i，j）表示和之间的欧氏距离，和分别表示目标域时间序列T和源域时间序列中任一数据；步骤2.2、采用DTW方程填充动态规整矩阵，中的数值是关于局部距离的累计，从起始分量r1，1开始，计算累计距离、和的最小值，并与步骤2.1中的欧氏距离求和； （3）填充的动态规整矩阵中的终点为，的数值即为目标域时间序列T和源域时间序列的DTW距离；步骤2.3、重复b次步骤2.1和步骤2.2，比较得到的b个DTW距离，最终选取出一个DTW距离最小的源域时间序列S；所述步骤3的具体过程为：步骤3.1、构建自回归模型，随机选取参数初始化，从自回归模型中提取源域线性特征；采用自回归模型捕捉步骤2获得的相似性最高的源域时间序列数据中的线性特征，时刻源域时间序列的线性特征由之前个时间步骤的历史输入数据线性组成，赋予每个历史输入数据不同的重要性系数； （4） （5）其中，、、表示对源域历史数据赋予的重要性系数，us（t-1）、us（t-2）、us（t-k）为当前时刻的源域历史数据，输入到自回归模型中，得到输出结果；表示逐元素相加；步骤3.2、构建回声状态网络，设置回声状态网络的谱半径SR、稀疏度SD参数，回声状态网络的输入层、隐藏层和输出层分别有K、N和L个神经元，采用回声状态网络储层状态向量分别捕捉目标域的非线性特征和源域的非线性特征；回声状态网络储层状态方程为： （6） （7）式中，RN×K表示所有N行K列的实数矩阵的集合；RN×N表示所有N行K列的实数矩阵的集合；表示一个N行K列的输入-隐藏连接权重矩阵，表示一个N行N列的隐藏层-隐藏层连接权重矩阵，这两个矩阵中的每个元素都是实数；为当前时刻的输入数据，表示储层神经元的激活状态，是的更新，为双曲正切非线性函数，为泄漏率，xt-1表示t-1时刻x的值；步骤3.3、将步骤3.1中输出结果引入步骤3.2的回声状态网络的储层中，构成回声状态网络储层状态矩阵，步骤3.1源域时间序列的线性特征分别与步骤3.2源域时间序列、目标域时间序列的非线性特征进行整合，分别形成t时刻源域的储层状态矩阵和目标域的储层状态矩阵； （8） （9）其中，为常数，S表示源域时间序列，T表示目标域时间序列，表示t时刻源域时间序列的线性特征，和分别表示t时刻源域时间序列、目标域时间序列的非线性特征；所述步骤4的具体过程为：步骤4.1、预测时刻目标域和源域的输出信号分别为： （10） （11）其中，和分别表示时刻目标域和源域储层状态矩阵，表示回声状态网络的隐藏-输出连接权重矩阵，为实数集集合，ytT和ytS分别表示预测时刻目标域和源域的输出信号；求出预测值之后，获取时刻目标域真实值，通过真实值来计算预测误差，计算出的时刻目标域和源域输出信号的预测误差分别为： （12） （13）其中，YtT和YtS分别表示获取的时刻目标域和源域的真实数据，etT和etS分别表示计算出的时刻目标域和源域输出信号的预测误差；步骤4.2、构建基于迁移学习的递归最小二乘法，将源域迁移到目标域，以目标域和源域的预测误差之和最小为目标函数，更新输出权重；步骤4.2.1、构建目标函数： （14）其中，，分别表示目标域中数据对应的ESN储层状态、预测误差和真实值；，，分别表示源域中数据对应的ESN储层状态、预测误差和真实值；表示目标域和源域在迁移学习回声状态网络模型中的共同输出权重，和表示目标域和源域的长度；和为对目标域和源域的预测误差的惩罚系数；步骤4.2.2、通过拉格朗日乘法和谢尔曼-莫里森-伍德伯里矩阵求逆引理推导出权重；为步骤3.3中的目标域储层状态和源域储层状态和赋予不同的惩罚系数，构建储层状态组合矩阵： （15） 表示储层状态组合矩阵；初始化为单位矩阵，计算增益矢量Kt： （16） 为参数在时刻的值，为参数在时刻的值，表示储层状态组合矩阵的转置，I表示单位矩阵； （17）更新输出权重，用于下一时刻t+1的预测： （18）继续步骤3、步骤4，进行t+1时刻的预测，t=t+1。

全文数据：

权利要求：

百度查询： 西安重装智慧矿山工程技术有限公司 带有迁移学习ESN模型的瓦斯浓度预测方法