典型文献
基于CS-LSTM的工作面瓦斯浓度智能预测研究
文献摘要：
为充分挖掘瓦斯浓度监测数据的变化规律,实现工作面瓦斯浓度的准确预测,提出了一种基于CS-LSTM的工作面瓦斯浓度智能预测模型.采用样条插值法对瓦斯浓度监测数据的缺失值进行插补,再进行无量纲化处理,得到训练样本;利用布谷鸟搜索(CS)算法对长短期记忆网络(LSTM)的隐藏层层数及其神经元个数、全连接层层数及其神经元个数等4个超参数进行寻优,建立最优瓦斯浓度预测模型,并预测工作面未来12 h的瓦斯浓度.研究结果表明:与LSTM及基于遗传算法(GA)的LSTM模型预测结果相比,在相同迭代次数下,CS算法具有更好的全局寻优能力,有效避免了GA算法易陷入局部最优的不足;基于CS-LSTM预测模型的均方根误差(RMSE)为0.023,该模型与其他2种模型相比精度较高,预测效果较好.
文献关键词：
瓦斯浓度;时序预测;CS;LSTM;模型优化;智能化;非线性
中图分类号：
作者姓名：
梁运培;栗小雨;李全贵;毛树人;郑梦浩;李建波
作者机构：
煤矿灾害动力学与控制国家重点实验室,重庆 400044;重庆大学资源与安全学院,重庆 400044
文献出处：
引用格式：
[1]梁运培;栗小雨;李全贵;毛树人;郑梦浩;李建波-.基于CS-LSTM的工作面瓦斯浓度智能预测研究)[J].矿业安全与环保,2022(04):80-86
A类：
B类：
CS,智能预测,预测研究,瓦斯浓度监测,准确预测,样条插值,插值法,缺失值,插补,无量纲化,训练样本,用布,布谷鸟搜索,长短期记忆网络,层数,全连接层,超参数,瓦斯浓度预测,GA,迭代次数,全局寻优,寻优能力,局部最优,RMSE,时序预测,模型优化
AB值：
0.276757
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
