基于时空神经网络模型的瓦斯浓度预测分析-prediction and analysis of gas concentration based on spatio-temporal neural network model.docxVIP

致谢在中国矿业大学硕士研究生阶段三年的时光已接近尾声，回顾在此期间的经历的 一切，有很多的感触。通过这几年在中国矿业大学的学习和生活我获得了很多东西， 我变得更加成熟并且做事态度更加虚心、严谨和负责。在这里我对那些关心我、帮助 我和支持我的老师、朋友和同学表示最诚挚谢意！首先，我要对一直教导我、关心我、支持我的导师钱建生教授表示衷心的感谢。 钱老师渊博的知识，丰富的研究经验，一丝不苟的敬业精神，正直的初始风格，严谨 的治学态度，对学科前沿的敏锐洞察力，对学生的耐心教诲，以及不断开拓新领域的 精神，令我受益匪浅、终生难忘。另外也要感谢郭星哥老师，李雷达老师，程德强老 师在我进入中国矿业大学以来对我学习和生活提供的帮助。感谢实验室的祝汉城、张祥忠、孙莉、杜锐和宋洁等，通过与他们的交流和讨论 开阔了我的思路，让我受益匪浅。感谢我们宿舍的所有的成员，多年来在学习和生活 上的互相帮助使我们亲如一家人。最后深深的感谢我父母以及家庭的其他长辈和兄弟姐妹们对我学业的关心和支 持。尤其是我的父母，为我的学习和生活付出了巨大的心血，在我人生最低谷时是我 唯一的依靠，他们的关爱和帮助使我战胜了种种困难，不断前行。摘要当前，瓦斯灾害是威胁我国煤矿安全生产过程的灾害之一。从煤矿实际监测数据 中提取影响瓦斯浓度变化的因素，充分挖掘瓦斯浓度变化的规律，建立准确可靠的瓦 斯浓度预测模型对于有效避免瓦斯灾害的发生具有重要意义。本文从时空序列数据分析和建模出发，首先探讨时空序列的特性：时空自相关性、 时空偏相关性和时空平稳性，并研究传统时空模型 STARMA 的建模步骤：空间权矩 阵建立、模型识别、参数估计和模型诊断。基于传统神经网络理论，引入时间延迟算 子和空间延迟算子，采用单隐层前馈神经网络对神经网络进行空间扩展，构造一种基 于时间分析和空间分析的新型时空神经网络，采用极限学习机对时空神经网络进行训 练，提出一种新型的时空神经网络 STELM 学习算法。针对煤矿瓦斯监测系统中每个监测点的瓦斯浓度序列不仅在时间上与其历史数据信息有关，不同监测点的瓦斯浓度序列在空间上也存在一定相关性，将本文提出时 空神经网络模型应用到瓦斯浓度预测中，结合实际煤矿瓦斯浓度序列数据，设计基于 时空神经网络模型的瓦斯浓度预测方案，分别采用 K-means 聚类算法和 GP 算法确定 时空神经网络模型的空间延迟参数和时间延迟参数。对本文所提出的时空神经网络学 习算法 STELM 和传统的神经网络学习算法进行仿真实验和对比分析，说明 STELM 算法的性能确实优于传统神经网络学习算法；对建立的时空神经网络瓦斯浓度预测模 型与传统 STARMA 模型进行仿真实验和对比分析，证明本文所提出的时空神经网络 模型预测精度高于传统 STARMA 模型。该论文有图 15 幅，表 6 个，参考文献 61 篇。关键词：时空自相关；STARMA 模型；时空神经网络；STELM 算法；瓦斯浓度预测IAbstractCurrently, the gas disaster is one of the disasters threating our country’s coal mine safety production process, so extracting the factors influencing gas concentration change from coal mine actual monitoring data, fully tapping the rule of gas concentration change, establishing accurate and reliable gas concentration prediction model have great significance to effectively prevent the occurrence of gas disaster.Based on space-time sequence data analysis and modeling, this paper first discusses the characteristics of space-time sequence: space-time auto correlation, space-time partial correlation, space-time stationarity. Then this paper studies the modeling steps of traditional space-time model STARMA: spatial weight matrix establish, model identifica