基于DE-EDA-SVM的瓦斯?jié)舛阮A(yù)測(cè)建模仿真研究*

付　華，豐盛成，劉　晶，唐　博

（遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院，遼寧葫蘆島125105）

?

基于DE-EDA-SVM的瓦斯?jié)舛阮A(yù)測(cè)建模仿真研究*

付華*，豐盛成，劉晶，唐博

（遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院，遼寧葫蘆島125105）

摘要：瓦斯?jié)舛茸鳛楹饬棵旱V瓦斯危害程度的一個(gè)重要指標(biāo)，為了能夠更加準(zhǔn)確的預(yù)測(cè)煤礦瓦斯的濃度，提出一種差分進(jìn)化-分布估計(jì)（DE-EDA）算法優(yōu)化的支持向量機(jī)瓦斯?jié)舛阮A(yù)測(cè)新方法。利用無(wú)線傳感網(wǎng)絡(luò)系統(tǒng)采集工作環(huán)境中的瓦斯?jié)舛葦?shù)據(jù)，并經(jīng)過(guò)降噪處理后作為訓(xùn)練樣本。采用DE-EDA算法對(duì)SVM模型的懲罰參數(shù)C、損失參數(shù)ε以及徑向基參數(shù)γ進(jìn)行優(yōu)化，利用優(yōu)化后的模型進(jìn)行瓦斯?jié)舛鹊念A(yù)測(cè)。通過(guò)MATLAB軟件仿真可以得出，所采用的優(yōu)化模型能夠準(zhǔn)確的預(yù)測(cè)煤礦瓦斯?jié)舛鹊淖兓厔?shì)。并與經(jīng)過(guò)粒子群（PSO）算法優(yōu)化的預(yù)測(cè)模型相比較。結(jié)果表明，經(jīng)過(guò)DE-EDA算法優(yōu)化的SVM模型具有訓(xùn)練速度更快、預(yù)測(cè)更準(zhǔn)確的特點(diǎn)，為實(shí)際煤礦瓦斯?jié)舛鹊念A(yù)測(cè)和處理提供了更加可靠的理論基礎(chǔ)。

關(guān)鍵詞：無(wú)線傳感網(wǎng)絡(luò)；瓦斯?jié)舛阮A(yù)測(cè)；支持向量機(jī)；參數(shù)優(yōu)化；差分進(jìn)化；分布估計(jì)算法；預(yù)測(cè)模型

煤礦瓦斯?jié)舛茸鳛橛绊懨旱V安全生產(chǎn)的一個(gè)重要參數(shù)，它直接關(guān)系著煤礦的經(jīng)濟(jì)發(fā)展以及工作人員的生命安全［1-2］。具體表現(xiàn)為：當(dāng)瓦斯?jié)舛冗^(guò)度升高時(shí)，空氣中的氧氣含量就會(huì)降低從而導(dǎo)致人員窒息；瓦斯?jié)舛冗_(dá)到一定量時(shí)遇明火會(huì)燃燒或爆炸或者引發(fā)瓦斯突出，瓦斯突出爆炸能產(chǎn)生1 850℃以上的高溫和強(qiáng)大沖擊波，能夠造成人員的傷亡以及基礎(chǔ)設(shè)施、各種設(shè)備的損壞；瓦斯爆炸的同時(shí)也會(huì)產(chǎn)生大量的有毒有害氣體，造成人員中毒傷亡［3］。因此，對(duì)煤礦瓦斯?jié)舛鹊目焖?、?zhǔn)確的預(yù)測(cè)已成為非常有效和必要的預(yù)防煤礦瓦斯災(zāi)害的方法。目前，煤礦瓦斯?jié)舛阮A(yù)測(cè)的焦點(diǎn)是以無(wú)線傳感器網(wǎng)絡(luò)瓦斯監(jiān)測(cè)系統(tǒng)為平臺(tái)［4-5］，采用先進(jìn)的無(wú)線傳感器網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)對(duì)煤礦工作環(huán)境的全面覆蓋，能夠?qū)ぷ髅嫔系耐咚節(jié)舛葧r(shí)時(shí)進(jìn)行監(jiān)測(cè)，并自動(dòng)采集、處理相關(guān)數(shù)據(jù)，從而快速、準(zhǔn)確的預(yù)測(cè)瓦斯?jié)舛龋瑢?shí)現(xiàn)瓦斯?jié)舛鹊念A(yù)測(cè)和控制以并有效防止瓦斯突出事故的發(fā)生。

針對(duì)煤礦瓦斯?jié)舛鹊臅r(shí)變性、高度非線性、復(fù)雜性等特點(diǎn)，大多數(shù)學(xué)者都采用數(shù)學(xué)模型進(jìn)行瓦斯?jié)舛鹊念A(yù)測(cè)。黃東，謝學(xué)斌等采用灰色系統(tǒng)理論與自記憶原理相結(jié)合的方法建立了瓦斯?jié)舛鹊幕疑杂洃涱A(yù)測(cè)模型［6］；張劍英，許徽等基于最優(yōu)參數(shù)建立了瓦斯?jié)舛阮A(yù)測(cè)的支持向量機(jī)算法模型［7］；張寶燕，李茹等以混沌時(shí)間序列為基礎(chǔ)進(jìn)行瓦斯?jié)舛阮A(yù)測(cè)研究［8］；以神經(jīng)網(wǎng)絡(luò)為模型進(jìn)行瓦斯預(yù)測(cè)研究的也有相關(guān)文獻(xiàn)［9-10］。以上相關(guān)瓦斯預(yù)測(cè)模型存在時(shí)效性短、訓(xùn)練容易陷入局部最優(yōu)、學(xué)習(xí)效率低、泛化能力差等缺點(diǎn)。因此，在相關(guān)文獻(xiàn)的基礎(chǔ)上，本文進(jìn)一步對(duì)瓦斯?jié)舛阮A(yù)測(cè)模型的精度以及可靠性展開(kāi)了全面的研究，提出一種基于差分進(jìn)化-分布估計(jì)（DE-EDA）算法優(yōu)化支持向量機(jī)（SVM）的瓦斯?jié)舛阮A(yù)測(cè)模型。相比于神經(jīng)網(wǎng)絡(luò)算法，SVM算法有著更高的訓(xùn)練效率以及泛化性能，是一種先進(jìn)的模型預(yù)測(cè)算法。但SVM參數(shù)的選取是一個(gè)重要的環(huán)節(jié)，這些參數(shù)以不同的方式制約著模型的復(fù)雜程度與學(xué)習(xí)效率。在此基礎(chǔ)上，本文提出一種差分進(jìn)化-分布估計(jì)組合算法，并優(yōu)化SVM算法的相關(guān)參數(shù)。通過(guò)實(shí)際的仿真表明，該算法具有非常良好的分布性與收斂性，尋優(yōu)效果穩(wěn)定。與其它優(yōu)化算法相比較，該算法能充分提高SVM的學(xué)習(xí)效率與速度，改善預(yù)測(cè)模型的精度與可靠性。

1　無(wú)線傳感網(wǎng)絡(luò)的瓦斯監(jiān)控系統(tǒng)

煤礦瓦斯監(jiān)控系統(tǒng)作為一種有效的、安全的瓦斯檢測(cè)和控制手段，在避免瓦斯突出等災(zāi)害、維護(hù)煤礦安全正常運(yùn)行等方面發(fā)揮著重要的無(wú)可替代的作用，并且能夠?yàn)椴僮?、管理、工作人員提供準(zhǔn)確的井下有關(guān)環(huán)境安全的動(dòng)態(tài)信息。

無(wú)線傳感網(wǎng)絡(luò)瓦斯監(jiān)控系統(tǒng)的組成主要包括：移動(dòng)、固定傳感器節(jié)點(diǎn)；井下監(jiān)控站；井上計(jì)算機(jī)監(jiān)控系統(tǒng)。其系統(tǒng)監(jiān)控圖如圖1所示，井下瓦斯傳感器能時(shí)時(shí)檢測(cè)到環(huán)境中的瓦斯?jié)舛?，各個(gè)傳感器之間通過(guò)無(wú)線網(wǎng)絡(luò)的形式傳輸數(shù)據(jù)以及控制信息，并將所有的數(shù)據(jù)以無(wú)線網(wǎng)絡(luò)方式都傳輸?shù)骄碌闹行谋O(jiān)控站，最后通過(guò)光纖網(wǎng)將井下的所有數(shù)據(jù)傳送到井上瓦斯計(jì)算機(jī)監(jiān)控系統(tǒng)，經(jīng)過(guò)數(shù)據(jù)轉(zhuǎn)換處理后顯示動(dòng)態(tài)瓦斯?jié)舛取?/p>

圖1　無(wú)線傳感網(wǎng)絡(luò)的瓦斯監(jiān)控系統(tǒng)圖

目前，國(guó)內(nèi)瓦斯監(jiān)控系統(tǒng)確實(shí)能進(jìn)行準(zhǔn)確的瓦斯的濃度記錄，并能提供超限報(bào)警功能，但并不能預(yù)測(cè)瓦斯?jié)舛鹊淖兓厔?shì)。因此，在瓦斯監(jiān)控系統(tǒng)提供的瓦斯?jié)舛葦?shù)據(jù)的基礎(chǔ)上，建立瓦斯?jié)舛鹊膭?dòng)態(tài)DE-EDA-SVM預(yù)測(cè)模型，為煤礦井下預(yù)防瓦斯災(zāi)害提供一種準(zhǔn)確、可靠的新方法。

2　支持向量機(jī)回歸模型

SVM是在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論與結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理［11］基礎(chǔ)上形成的一種機(jī)械學(xué)習(xí)方法，在處理小樣本以及非線性的建模問(wèn)題中具有明顯的優(yōu)勢(shì)。本文采用支持向量機(jī)回歸建模［12］進(jìn)行瓦斯?jié)舛阮A(yù)測(cè)，其基本原理是采用非線性映射函數(shù)φ，將數(shù)據(jù)樣本映射到高維特征空間S中，使其在高維空間進(jìn)行線性回歸，相當(dāng)于在原空間進(jìn)行非線性回歸的效果。定義樣本(xj,yj),j=1,…,k，其中，xj∈Rm，yj∈R，k為樣本總數(shù)。SVM的估計(jì)函數(shù)如下：

式中，α為空間S的權(quán)矢量；b∈R為偏置。

其優(yōu)化目標(biāo)為：

式中，ε為損失函數(shù)；βj、βj*為松弛因子；C為懲罰因子，對(duì)經(jīng)驗(yàn)、置信風(fēng)險(xiǎn)折中選取。

由以上優(yōu)化目標(biāo)與條件，可以引入拉格朗日算子λ與λ*，從而得出支持向量機(jī)回歸的對(duì)偶目標(biāo)：

式中，Qij=K(xi,xj)=φ(xi)Τφ(xj)

支持向量機(jī)回歸函數(shù)為：

對(duì)于核函數(shù)的選取，本文選擇徑向基核函數(shù)（RBF）［13］，其公式如下：

支持向量機(jī)的回歸函數(shù)已經(jīng)確定，但其參數(shù)的選取對(duì)回歸函數(shù)有很大的影響：①懲罰因子C直接影響著模型的復(fù)雜度與訓(xùn)練誤差，如果C的選取過(guò)小，模型訓(xùn)練可能出現(xiàn)“欠學(xué)習(xí)”情況；如果C的選取過(guò)大，則會(huì)出現(xiàn)“過(guò)學(xué)習(xí)”情況，都將會(huì)降低其泛化能力。②損失參數(shù)ε直接影響著支持向量的數(shù)量。ε值選擇過(guò)小，計(jì)算精度高但其支持向量的數(shù)量多，ε值選擇過(guò)大，計(jì)算精度低，支持向量數(shù)少。③核函數(shù)參數(shù)γ影響樣本的分布以及范圍特性。因此，參數(shù)C、ε、γ的選取直接決定著支持向量機(jī)回歸模型的預(yù)測(cè)精度與泛化能力。本文采用差分進(jìn)化-分布估計(jì)算法對(duì)以上三個(gè)參數(shù)進(jìn)行優(yōu)化，優(yōu)化的標(biāo)準(zhǔn)為交叉驗(yàn)證情況下的均方差：

3　DE-EDA算法原理

本文利用一個(gè)選擇因子來(lái)選擇粒子的產(chǎn)生方式，利用差分進(jìn)化或者分布估計(jì)算法產(chǎn)生新粒子，以概率的形式確定不同時(shí)期的不同搜索策略，更能提高搜索的速度與效率。

分布估計(jì)算法利用建立解集空間的概率模型，進(jìn)而描述種群的進(jìn)化趨勢(shì)，通過(guò)概率模型選取生成新的種群。本文利用非劣解的方法建立概率模型，定義每個(gè)子區(qū)間含有1個(gè)樣本數(shù)，即區(qū)間的高度為1。因此，子區(qū)間的數(shù)量都等于算法中的非劣解的數(shù)量。該算法的全局搜索能力良好，但在高維優(yōu)化中容易陷入局部最優(yōu)，出現(xiàn)收斂早熟的現(xiàn)象。

差分進(jìn)化算法［14］基于群體差異的啟發(fā)式進(jìn)行隨機(jī)搜索，與遺傳算法中的交叉、變異類(lèi)似，該進(jìn)化算法具有魯棒性好、原理簡(jiǎn)單、結(jié)合能力強(qiáng)等特點(diǎn)。該進(jìn)化算法在變異初期的搜索范圍相對(duì)較大，對(duì)分布估計(jì)全局搜索起輔助作用；而在進(jìn)化后期，其變異因子相對(duì)較小，能夠?qū)Ψ橇咏膺M(jìn)行更加精確的搜索。因此，本文將兩種算法結(jié)合，充分利用分布估計(jì)算法的全局搜索能力，并通過(guò)差分進(jìn)化算法彌補(bǔ)分布估計(jì)算法容易陷入局部最優(yōu)的缺點(diǎn)，從而得到更好的優(yōu)化效果。其算法流程圖如圖2所示。

圖2　DE-EDA算法流程圖

該算法具體步驟為：

式中，c0、v0為常數(shù)，tmax為最大迭代次數(shù)。

⑤取隨機(jī)數(shù)pi∈[0,1]，如果pi＜ct，則采用分布估計(jì)算法生成新粒子zi′；如果pi≥ct，則用差分進(jìn)化算法生成新粒子zi″；

⑥若i=m，令N′={z1′,z2′,…,zm′}，否則，令i=i+1，回到第⑤步；

②計(jì)算Nt-1中所有粒子的目標(biāo)函數(shù)值；

③取Nt-1中的非劣解集并劃分搜索空間，建立空間概率模型；

④根據(jù)式（10）和式（11）確定選擇因子ct。變異因子vt，令i=1；

⑧滿足迭代次數(shù)，計(jì)算結(jié)束，否則，令t=t+1，返回第②步。

4　DE-EDA-SVM瓦斯?jié)舛阮A(yù)測(cè)

4.1數(shù)據(jù)處理

本文對(duì)調(diào)兵山市鐵煤集團(tuán)的大明煤礦進(jìn)行瓦斯?jié)舛炔杉?，每?0 s對(duì)采煤工作環(huán)境中的瓦斯?jié)舛炔杉淮?，?00個(gè)采樣點(diǎn)作為原始數(shù)據(jù)。由于煤礦生產(chǎn)、運(yùn)行環(huán)境比較惡劣，瓦斯監(jiān)控系統(tǒng)容易受到電磁干擾，瓦斯?jié)舛葯z測(cè)傳感器輸出信號(hào)微弱可能受到影響，濃度值中也會(huì)含有高頻與低頻噪聲。因此，本文在處理瓦斯?jié)舛葦?shù)據(jù)時(shí)，首先去除數(shù)據(jù)中明顯的異常數(shù)據(jù)，再利用Coif小波函數(shù)的Rigrsure閾值形式［15］對(duì)瓦斯?jié)舛葦?shù)據(jù)進(jìn)行降噪、濾波處理，去掉原始信號(hào)中的干擾、噪聲信號(hào)，得到真實(shí)的原始信號(hào)，如圖3所示。

圖3　處理后的瓦斯?jié)舛惹€圖

4.2仿真參數(shù)

本實(shí)驗(yàn)中，共有經(jīng)過(guò)處理后的300采樣數(shù)據(jù)，其中，前250個(gè)實(shí)驗(yàn)數(shù)據(jù)用作支持向量機(jī)訓(xùn)練集，其余50個(gè)數(shù)據(jù)用來(lái)檢驗(yàn)預(yù)測(cè)模型的預(yù)測(cè)精度。

DE-EDA算法預(yù)測(cè)參數(shù)主要有種群規(guī)模、進(jìn)化代數(shù)、常數(shù)c0、v0以及交叉、變異概率。種群規(guī)模與進(jìn)化代數(shù)主要影響算法的收斂速度、精度與穩(wěn)定性。為了提高收斂速度，種群規(guī)模不宜過(guò)大，過(guò)小也會(huì)降低算法的計(jì)算精度；進(jìn)化代數(shù)也要在計(jì)算速度與算法精度兩者之間適中選取；c0決定了選用DE或者EDA算法的次數(shù)，盡可能的使兩種算法的使用符合統(tǒng)計(jì)規(guī)律；v0以及交叉、變異概率影響差分進(jìn)化算法生成新粒子的情況，三者之間存在最優(yōu)組合，可以確保算法盡快的收斂到全局最優(yōu)解。

綜合以上分析，為了加快收斂速度、提高算法精度，本文算法參數(shù)設(shè)置：種群大小G=100，進(jìn)化代數(shù)M=500，c0=1，交叉概率pc=0.3，變異概率pa=0.3，v0=0.2。SVM訓(xùn)練目標(biāo)誤差設(shè)為0.004。該參數(shù)設(shè)置是根據(jù)瓦斯?jié)舛鹊念A(yù)測(cè)精度進(jìn)行調(diào)節(jié)，應(yīng)用時(shí)需要根據(jù)實(shí)際情況進(jìn)行調(diào)節(jié)［16］。

4.3仿真結(jié)果

利用DE-EDA算法對(duì)參數(shù)C、ε、γ進(jìn)行優(yōu)化，經(jīng)過(guò)優(yōu)化后，得到參數(shù)C=76.06，ε=0.013 9，γ=0.154，MSE=1.53×10-4。DE-EDA-SVM訓(xùn)練誤差曲線如圖4所示。

圖4　DE-EDA-SVM訓(xùn)練誤差曲線

由圖4可知，DE-EDA-SVM算法訓(xùn)練誤差收斂速度快。為了對(duì)比優(yōu)化后的SVM的泛化性能，本文分別對(duì)具有7和10個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并利用DE-EDA算法優(yōu)化網(wǎng)絡(luò)的初始權(quán)值與閾值。選取同樣的訓(xùn)練樣本，得到MSE=8.38×10-4與MSE=7.64×10-4，都大于SVM的MSE指標(biāo)。由此可知，SVM的泛化能力更強(qiáng)。

圖5為本文算法與粒子群優(yōu)化SVM（PSO-SVM）算法的瓦斯?jié)舛葘?shí)際值與預(yù)測(cè)值的對(duì)比。經(jīng)過(guò)PSO算法優(yōu)化后，參數(shù)C=87.29，ε=0.061 2，γ= 0.134，MSE=2.49×10-4。可以看出，該算法的泛化能力不如本文算法，經(jīng)過(guò)DE-EDA優(yōu)化后的SVM模型預(yù)測(cè)精度明顯高于PSO-SVM模型的預(yù)測(cè)精度，預(yù)測(cè)誤差更低。

圖5　DE-EDA-SVM和PSO-SVM瓦斯?jié)舛阮A(yù)測(cè)比較

表1為本文算法的預(yù)測(cè)模型與PSO-SVM預(yù)測(cè)模型的預(yù)測(cè)性能比較，通過(guò)對(duì)比可以看出，DE-EDASVM預(yù)測(cè)模型的預(yù)測(cè)誤差與預(yù)測(cè)時(shí)間都明顯低于PSO-SVM預(yù)測(cè)模型，并且穩(wěn)定性也優(yōu)于PSO-SVM預(yù)測(cè)模型。粒子群算法初始參數(shù)設(shè)置：種群規(guī)模G=100，進(jìn)化代數(shù)M=500，加速因子c1=c2=2.25。

表1　2種模型預(yù)測(cè)性能對(duì)比

通過(guò)以上仿真結(jié)果以及對(duì)比分析，經(jīng)過(guò)DEEDA優(yōu)化的SVM模型相比于經(jīng)過(guò)DE-EDA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)具有明顯的泛化能力，是因?yàn)镾VM在分析小樣本的應(yīng)用上比神經(jīng)網(wǎng)絡(luò)具有更明顯的優(yōu)勢(shì)，即使改變網(wǎng)絡(luò)的隱含層數(shù)量，其泛化能力也沒(méi)有明顯的改變；與PSO-SVM算法相比較，本文算法預(yù)測(cè)精度更高，穩(wěn)定性更強(qiáng)。這是由于PSO算法容易陷入局部最優(yōu)，而DE-EDA算法具有選擇性優(yōu)化功能，兩種優(yōu)化算法之間互相作用，克服缺點(diǎn)，能夠增強(qiáng)SVM參數(shù)優(yōu)化的效率，充分尋找到全局最優(yōu)的SVM參數(shù)，并能克服回歸建模的不足，防止模型過(guò)渡擬合問(wèn)題，提高了算法的魯棒性。因此，DE-EDA-SVM預(yù)測(cè)模型具有更高的預(yù)測(cè)精度，并將該模型應(yīng)用到無(wú)線傳感網(wǎng)絡(luò)的瓦斯監(jiān)控系統(tǒng)，能夠增加系統(tǒng)的瓦斯?jié)舛阮A(yù)測(cè)功能，為煤礦安全生產(chǎn)、提前做好防范措施提供技術(shù)支持。

5　結(jié)語(yǔ)

在總結(jié)現(xiàn)有的瓦斯?jié)舛阮A(yù)測(cè)模型的基礎(chǔ)上，本文提出一種基于差分進(jìn)化與分布估計(jì)算法組合的支持向量機(jī)瓦斯?jié)舛阮A(yù)測(cè)模型。該組合算法具有更好的分布性、收斂性和魯棒性等特點(diǎn)。通過(guò)DE-EDA算法優(yōu)化SVM模型的懲罰因子C、損失參數(shù)ε、核函數(shù)參數(shù)γ，充分提高SVM模型的學(xué)習(xí)效率和預(yù)測(cè)精度，克服了單純SVM模型收斂速度慢、預(yù)測(cè)精度低的缺點(diǎn)。利用MATLAB軟件進(jìn)行仿真，經(jīng)過(guò)與PSO-SVM對(duì)比可知DE-EDA-SVM算法預(yù)測(cè)效果更好，能夠?yàn)槊旱V瓦斯?jié)舛鹊念A(yù)測(cè)提供一定的理論支持。

參考文獻(xiàn)：

［1］周福寶，王鑫鑫，夏同強(qiáng).瓦斯安全抽采及其建模［J］.煤炭學(xué)報(bào)，2014，8（39）：1659-1666.

［2］孫繼平.煤礦安全生產(chǎn)監(jiān)控與通信技術(shù)［J］.煤炭學(xué)報(bào)，2010，11（35）：1925-1929.

［3］尉存娟.瓦斯爆炸誘導(dǎo)瓦斯-煤塵二次爆炸的試驗(yàn)研究［J］.中國(guó)安全科學(xué)學(xué)報(bào)，2014，12（24）：29-32.

［4］付華，訾海等.一種EKF-WLS-SVR與混沌時(shí)間序列分析的瓦斯動(dòng)態(tài)預(yù)測(cè)新方法［J］.傳感技術(shù)學(xué)報(bào)，2015，1（28）：126-131.

［5］付華，王馨蕊等.基于MPSO-CWLS-SVM的瓦斯涌出量預(yù)測(cè)［J］.傳感技術(shù)學(xué)報(bào)，2014，11（27）：1568-1572.

［6］黃東，謝學(xué)斌等.基于灰色自記憶原理的煤礦瓦斯?jié)舛阮A(yù)測(cè)［J］.科技導(dǎo)報(bào)，2010，28（17）：58-62.

［7］張劍英，許徽等.基于粒子群優(yōu)化的支持向量機(jī)在瓦斯?jié)舛阮A(yù)測(cè)中的應(yīng)用研究［J］.工礦自動(dòng)化，2010，10（10）：32-35.

［8］張寶燕，李茹等.基于混沌時(shí)間序列的瓦斯?jié)舛阮A(yù)測(cè)研究［J］.計(jì)算機(jī)工程與應(yīng)用，2011，47（10）：244-248.

［9］付華，李文娟等.IGA-DFNN在瓦斯?jié)舛阮A(yù)測(cè)中的應(yīng)用［J］.傳感技術(shù)學(xué)報(bào)，2014，2（27）：262-266.

［10］Dong Xiucheng，Wang Shouchun.Design of Artificial Neural Net?works Using a Genetic Algorithm to Predict Saturates of Vacuum Gas Oil［J］.Petroleum Science，2010，1（6）：118-122.

［11］李海生.支持向量機(jī)回歸算法與應(yīng)用研究［D］.廣州：華南理工大學(xué)，2005.

［12］陳果，周伽.小樣本數(shù)據(jù)的支持向量機(jī)回歸模型參數(shù)及預(yù)測(cè)區(qū)間研究［J］.計(jì)量學(xué)報(bào)，2008（1）：92-96.

［13］郭虎升，王文劍.動(dòng)態(tài)粒度支持向量回歸機(jī)［J］.軟件學(xué)報(bào)，2013，24（11）：2535-2547.

［14］楊啟文.差分進(jìn)化算法綜述［J］.模式識(shí)別與人工智能，2008，4 （21）：506-513.

［15］張冬雪，苑津莎，李中.一種改進(jìn)閾值法小波去噪的信號(hào)包絡(luò)分析方法研究［J］.電力科學(xué)與工程，2010，6（26）：6-10.

［16］陶新民，徐鵬等.組合分布估計(jì)和差分進(jìn)化的多目標(biāo)優(yōu)化算法［J］.智能系統(tǒng)學(xué)報(bào)，2013，1（8）：39-45.

付　華（1962-），女，遼寧阜新人，教授，博士生導(dǎo)師，博士（后），主要研究方向?yàn)槊旱V瓦斯檢測(cè)、智能檢測(cè)和數(shù)據(jù)融合技術(shù)。支持國(guó)家自然科學(xué)基金2項(xiàng)、支持及參與國(guó)家863和省部級(jí)項(xiàng)目30余項(xiàng)，發(fā)表學(xué)術(shù)論文40余篇，申請(qǐng)專(zhuān)利24項(xiàng)，fxfuhua@163.com；

唐　博（1991-），男，在讀研究生，現(xiàn)從事現(xiàn)代控制理論及其應(yīng)用。

劉　晶（1989-），女，在讀研究生，現(xiàn)從事計(jì)算機(jī)智能檢測(cè)技術(shù)；

The Modeling and Simulation of Gas Concentration PredictionBased on De-Eda-Svm*

FU Hua*，F(xiàn)ENG Shengcheng，LIU Jing，TANG Bo
（Liaoning Technical University，F(xiàn)aculty of Electrical and Control Engineering，Huludao Liaoning 125105，China）

Abstract：As an important index to measure the degree of gas hazard in coal mine，in order to predict the coal mine gas concentration more accurately，proposes a new method for predicting gas concentration of support vector ma?chine based on differential evolution and estimation of distribution（DE-EDA）algorithm.The wireless sensor net?works system was used to collect the gas concentration data after the noise reduction in the working air.Used DEEDA algorithm to optimize the parameters of the SVM model，penalty parameters C，loss parameters ε and radial ba?sis parameters γ，and predicted gas concentration by optimized model.Through the simulation of MATLAB software can get the conclusion that the optimized model can accurately predict the change trend of coal mine gas concentra?tion.Compared the conclusion with the prediction model of the particle swarm optimization（PSO）algorithm.The results show the SVM model has the characteristics of faster training speed and more accurate prediction，which pro?vides a more reliable theoretical basis for the prediction and treatment of gas concentration in coal mine.

Key words：wireless sensor networks；gas concentration prediction；support vector machine；parameter optimiza?tion；differential evolution；estimation of distribution algorithm；prediction model

doi：EEACC：723010.3969/j.issn.1004-1699.2016.02.022

收稿日期：2015-09-19修改日期：2015-10-08

中圖分類(lèi)號(hào)：TP391；TP212

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1004-1699（2016）02-0285-05

項(xiàng)目來(lái)源：國(guó)家自然科學(xué)基金項(xiàng)目（51274118）；遼寧省教育廳基金項(xiàng)目（L2012119）；遼寧省科技攻關(guān)項(xiàng)目（2011229011）