一种改进量子粒子群优化的瓦斯信号演化趋势预测方法与流程

技术特征：
1.一种改进量子粒子群优化的瓦斯信号演化趋势预测方法，其特征在于：包括以下步骤：s1：通过井下瓦斯传感器收集瓦斯信号时间序列数据，形成瓦斯信号时间序列库；s2：对存储到瓦斯信号时间序列库中的瓦斯信号数据进行小波去噪预处理；s3：基于最小微熵率法同时计算瓦斯信号时间序列的延迟时间τ和嵌入维数m；s4：将处理后的瓦斯信号序列基于改进的量子粒子群算法预测瓦斯信号演化趋势；s5：利用改进的量子粒子群算法优化elman算法的权值和阈值ω和θ。2.如权利要求1所述的改进量子粒子群优化的瓦斯信号演化趋势预测方法，其特征在于：所述s2的具体过程为：含噪瓦斯信号表示为x
i
，n表示自然数，对信号应用阈值法进行去噪。3.如权利要求2所述的改进量子粒子群优化的瓦斯信号演化趋势预测方法，其特征在于：所述阈值法如公式(1)所示：其中，t
h
代表对信号x
i
做h距离的时域平移，(t
h
x
i
)＝x
(i h)time
为经平移处理后的信号，w(t
h
x
i
)代表去噪信号，t
‑
h
(w(t
h
x
i
)代表经反向循环平移处理的去噪信号，ave表示“平均化处理”；h
n
＝{h|0≤h≤n}，h为正整数。4.如权利要求1所述的改进量子粒子群优化的瓦斯信号演化趋势预测方法，其特征在于：所述s3的具体过程为：用最小微熵率法同时求取去噪后瓦斯信号时间序列的延迟时间τ及嵌入维数m，获取最佳重构参数，重构序列相空间，对于瓦斯信号时间序列x(t)(t＝1,2,
…
,n)，n
r
个替代数据x
r,i
(t)，i＝1,2,3，
…
，n
r
，n
r
为整数，其微熵如公式(2)所示：其中：ρ
j
为第j个延迟向量与其最近邻点间位置的欧氏距离；o≈0.5772为欧拉常数，则可得给定序列微熵率，如公式(3)所示：其中，n(n＝n
‑
(m
‑
1)τ)为延迟向量个数；＜
·
＞
i
为求解n
r
个替代数据微熵h(x
r,i
)的平均值算子，在上式所得结果中筛选出最小微熵率值，其所对应的τ、m值即为相空间重构的最优参数，经重构后相空间向量表示为x
i
＝(x
i
,x
i τ
,
…
,x
i (m
‑
1)τ
)∈r
m
，式中：i＝1,2,
…
,m，m＝n
‑
(m
‑
1)τ。5.如权利要求1所述的改进量子粒子群优化的瓦斯信号演化趋势预测方法，其特征在于：所述s4的具体过程为：粒子群中每一个粒子都具有量子行为，对于粒子i，其吸引势子表示为p
i
(p
i,1
,p
i,2
,
…
,p
i,n
)，则n维搜索空间基于δ势阱的量子粒子群算法中粒子进化方程如公式(4)所示：其中：t表示时间，p
i,j
表示吸引势子p
i
在j维的坐标，l
i,j
为特征搜索长度，u
i,j
～u(0,1)
为均匀分布的随机数；在算法中引入粒子平均最优位置av(t)，使算法具有更好的收敛精度与速度，表示所有粒子最优位置的平均值，如公式(5)所示：则l
i,j
＝2γ
·
|av
j
(t)
‑
x
i,j
(t)|，原粒子进化方程变更如公式(6)所示：其中，γ表示收缩
‑
扩张因子，影响算法的鲁棒性，采用自适应调整γ的方法，提高量子粒子群算法的整体性能，如公式(7)：其中，k
m
为算法最大迭代次数；γ0和γ1为可设定的值。6.如权利要求1所述的改进量子粒子群优化的瓦斯信号演化趋势预测方法，其特征在于：所述s5的具体过程分为以下步骤：s5.1:初始化群体：设置elman的参数向量x＝{ω,θ}作为粒子i在j维空间第t次迭代的位置x
i,j
(t)，随机生成粒子初始化位置，形成初始搜索种群，设定最大迭代次数和粒子群规模；s5.2计算粒子个体av(t)和局部吸引势子，按照式(5)设计γ，根据进化公式(4)进一步计算粒子在j维空间中的适应度函数值，用elman算法训练误差平方和e(x)衡量，其中，e(x)＝y
k
(x)
‑
y'
k
(x)，表示elman训练误差值，y
k
(x)为目标期望输出值；y'
k
(x)为目标实际输出值；s5.3:比较当前粒子适应度值与历史粒子最优适应度值，更新粒子最优适应度值；s5.4:检查是否符合算法终止条件，若不满足最大迭代次数，则返回s2，继续进行下一次迭代运算，若满足最大迭代次数，则输出粒子最优适应度值，对种群内每个粒子进行此操作；s5.5:比较种群内全部的粒子最优适应度值，更新全局最优位置。

技术总结
本发明提出一种改进量子粒子群优化的瓦斯信号演化趋势预测方法，涉及瓦斯信号预测领域，通过井下瓦斯传感器收集瓦斯信号时间序列数据，形成瓦斯信号时间序列库；对存储到瓦斯信号时间序列库中的瓦斯信号数据进行小波去噪预处理；基于最小微熵率法同时计算瓦斯信号时间序列的延迟时间τ和嵌入维数m；将处理后的瓦斯信号序列基于改进的量子粒子群算法预测瓦斯信号演化趋势；利用改进的量子粒子群算法优化Elman算法的权值和阈值ω和θ，利用Elman算法具有动态反馈环节的优越性，与Elman有机结合改进传统粒子群优化算法易陷入局部最优解的算法缺陷，实现煤矿回采工作面瓦斯信号演化趋势的准确动态预测。号演化趋势的准确动态预测。号演化趋势的准确动态预测。


技术研发人员：付华 刘雨竹 雷天 石浩帆 周文铮 邵良杉
受保护的技术使用者：辽宁工程技术大学
技术研发日：2021.11.17
技术公布日：2022/1/4