專利名稱：一種基于bp神經(jīng)網(wǎng)絡(luò)的瓦斯監(jiān)測方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及傳感器信息處理及煤礦安全技術(shù)領(lǐng)域，特別是涉及一種基于BP神經(jīng)網(wǎng)絡(luò)的瓦斯監(jiān)測方法及裝置。
背景技術(shù)：
目前煤礦安全生產(chǎn)是一個非常重視的問題，隨著礦井開采深度的增加，井下地質(zhì)狀況的多種多樣、瓦斯檢測的復(fù)雜性和瓦斯突出的不確定性更為顯著，使煤礦安全生產(chǎn)存在極大的安全隱患。礦井瓦斯監(jiān)測主要是對井下瓦斯及CO濃度、粉塵含量、溫度、風(fēng)速、負(fù)壓等參數(shù)進行實時檢測(現(xiàn)有技術(shù)之瓦斯監(jiān)測系統(tǒng)如附圖I所示)，需采用大量不同類型的傳感器。但由于傳感器測量精度所限及環(huán)境因素的干擾，會使測量數(shù)據(jù)與實際存在偏差，更為嚴(yán)重的是，井下復(fù)雜環(huán)境中有害氣體的侵蝕會使部分傳感器喪失檢測能力。傳統(tǒng)的很多解決方法是單傳感器多次測量或多個傳感器測量數(shù)據(jù)取平均值，這樣雖然能在一定程度上提高測控系統(tǒng)的可靠性，但無法滿足系統(tǒng)實時性的要求，不準(zhǔn)確的測量數(shù)據(jù)仍會影響最終判斷結(jié)果。因此，整體而言，在目前的煤礦瓦斯監(jiān)測方案中，大多還存在落后的人工檢測與巡視方式，檢測不準(zhǔn)確、不到位、不及時的現(xiàn)象及問題。并且，有些煤礦利用自動化的儀器進行瓦斯監(jiān)測，但通常是較為簡單的單一傳感器檢測手段，存在檢測不穩(wěn)定，不可靠的缺點。雖然也有一些檢測儀器是借用幾種傳感器來進行組合檢測，但通常是簡單的數(shù)據(jù)推理，遺漏安全隱患，沒有充分利用數(shù)據(jù)進行深層次上的推理。為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于BP神經(jīng)網(wǎng)絡(luò)的瓦斯監(jiān)測方法及裝置，嘗試提出利用BP神經(jīng)網(wǎng)絡(luò)對井下傳感器信息進行融合處理的設(shè)計方法，使之能夠智能完善、準(zhǔn)確地反映環(huán)境特征提高了對目標(biāo)的識別速度和可靠性，是目前傳感器信息處理及煤礦安全技術(shù)領(lǐng)域亟待解決的問題之一。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明實施例提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的瓦斯監(jiān)測方法及裝置，通過建立包含輸入層、隱層及輸出層的基于BP神經(jīng)網(wǎng)絡(luò)的初始模型，接著對初始模型進行參數(shù)設(shè)置，然后依據(jù)參數(shù)設(shè)置后的初始模型進行計算，確定模型中的連接權(quán)值，最終根據(jù)限定誤差為基準(zhǔn)，確定BP神經(jīng)網(wǎng)絡(luò)模型及輸入與輸出間的關(guān)系，本方案融合了井下監(jiān)測分站內(nèi)不同位置的同類傳感器的信息，在很大程度上降低了測量誤差，提高了數(shù)據(jù)的準(zhǔn)確性。為解決上述技術(shù)問題，本發(fā)明實施例的目的是通過以下技術(shù)方案實現(xiàn)的一種基于BP神經(jīng)網(wǎng)絡(luò)的瓦斯監(jiān)測方法，包括步驟一、建立包含輸入層、隱層及輸出層的基于BP神經(jīng)網(wǎng)絡(luò)的初始模型；步驟二、對初始模型進行參數(shù)設(shè)置；步驟三、依據(jù)參數(shù)設(shè)置后的初始模型進行計算，確定模型中的連接權(quán)值；步驟四、根據(jù)限定誤差為基準(zhǔn)，確定BP神經(jīng)網(wǎng)絡(luò)模型及輸入與輸出間的關(guān)系。
優(yōu)選的，上述步驟一中，輸入層的節(jié)點數(shù)為6個。優(yōu)選的，上述輸入層的節(jié)點包含瓦斯、一氧化碳、溫度、風(fēng)速、粉塵和負(fù)壓數(shù)據(jù)。優(yōu)選的，上述步驟一中，所述輸出層輸出井下安全狀況信息，分為五個等級，包括安全、較安全、一般安全、較危險、危險，故輸出層節(jié)點數(shù)選擇為5。優(yōu)選的，上述步驟一中，所述隱層節(jié)點數(shù)取為10個。優(yōu)選的，上述步驟二中，對初始模型進行參數(shù)設(shè)置包括初始權(quán)值取(-1，I)間的隨機數(shù)，Π學(xué)習(xí)速率取O. 1，期望誤差取O. 001，最大步數(shù)設(shè)為1000。優(yōu)選的，上述步驟二中，進一步包含隱層及輸出層激活函數(shù)選取連續(xù)可微的單極
性sigmoid函數(shù)，BP/(-^) = 1 —r ; wki為隱層節(jié)點k與輸入層節(jié)點i的連接權(quán)值；vjk為
I + eJ
輸出層節(jié)點j與隱層節(jié)點k的連接權(quán)值。優(yōu)選的，上述步驟四中，進一步包括，將計算輸出與樣本目標(biāo)輸出之間的差異反饋回神經(jīng)網(wǎng)絡(luò)，使網(wǎng)絡(luò)的各個連接權(quán)值不斷調(diào)整至可以在限定誤差內(nèi)模擬出樣本輸入與輸出的關(guān)系為止。一種基于BP神經(jīng)網(wǎng)絡(luò)的瓦斯監(jiān)測裝置，包括初始化單元、參數(shù)設(shè)置單元、計算單元以及執(zhí)行單元，通過建立包含輸入層、隱層及輸出層的基于BP神經(jīng)網(wǎng)絡(luò)的初始模型，接著對初始模型進行參數(shù)設(shè)置，然后依據(jù)參數(shù)設(shè)置后的初始模型進行計算，確定模型中的連接權(quán)值，最終根據(jù)限定誤差為基準(zhǔn)，確定BP神經(jīng)網(wǎng)絡(luò)模型及輸入與輸出間的關(guān)系。優(yōu)選的，上述初始化單元用于建立包含輸入層、隱層及輸出層的基于BP神經(jīng)網(wǎng)絡(luò)的初始模型。 優(yōu)選的，上述參數(shù)設(shè)置單元用于對初始模型進行參數(shù)設(shè)置。優(yōu)選的，上述計算單元用于依據(jù)參數(shù)設(shè)置后的初始模型進行計算，確定模型中的連接權(quán)值。優(yōu)選的，上述執(zhí)行單元用于根據(jù)限定誤差為基準(zhǔn)，確定BP神經(jīng)網(wǎng)絡(luò)模型及輸入與輸出間的關(guān)系。綜上所述，本發(fā)明提供了一種基于BP神經(jīng)網(wǎng)絡(luò)的瓦斯監(jiān)測方法及裝置，通過建立包含輸入層、隱層及輸出層的基于BP神經(jīng)網(wǎng)絡(luò)的初始模型，接著對初始模型進行參數(shù)設(shè)置，然后依據(jù)參數(shù)設(shè)置后的初始模型進行計算，確定模型中的連接權(quán)值，最終根據(jù)限定誤差為基準(zhǔn)，確定BP神經(jīng)網(wǎng)絡(luò)模型及輸入與輸出間的關(guān)系，本方案融合了井下監(jiān)測分站內(nèi)不同位置的同類傳感器的信息，在很大程度上降低了測量誤差，提高了數(shù)據(jù)的準(zhǔn)確性。


圖I為現(xiàn)有技術(shù)之瓦斯監(jiān)測系統(tǒng)示意圖；圖2為一種基于BP神經(jīng)網(wǎng)絡(luò)的瓦斯監(jiān)測方法示意圖；圖3為本發(fā)明實施例之網(wǎng)絡(luò)模型示意圖；圖4為本發(fā)明實施例之訓(xùn)練誤差曲線示意圖；圖5為本發(fā)明實施例之網(wǎng)絡(luò)融合結(jié)果示意圖；圖6為一種基于BP神經(jīng)網(wǎng)絡(luò)的瓦斯監(jiān)測裝置示意圖。
具體實施例方式本發(fā)明實施例提供的一種基于BP神經(jīng)網(wǎng)絡(luò)的瓦斯監(jiān)測方法及裝置，通過建立包含輸入層、隱層及輸出層的基于BP神經(jīng)網(wǎng)絡(luò)的初始模型，接著對初始模型進行參數(shù)設(shè)置，然后依據(jù)參數(shù)設(shè)置后的初始模型進行計算，確定模型中的連接權(quán)值，最終根據(jù)限定誤差為基準(zhǔn)，確定BP神經(jīng)網(wǎng)絡(luò)模型及輸入與輸出間的關(guān)系，本方案融合了井下監(jiān)測分站內(nèi)不同位置的同類傳感器的信息，在很大程度上降低了測量誤差，提高了數(shù)據(jù)的準(zhǔn)確性。本發(fā)明的主要思路為利用BP神經(jīng)網(wǎng)絡(luò)對井下傳感器信息進行融合處理的設(shè)計方法，從多信息的視角進行處理、綜合，得到各種信息的內(nèi)在聯(lián)系和規(guī)律，剔除無用和錯誤的成分，保留正確和有用的成分，最終實現(xiàn)信息的智能優(yōu)化，使之能夠智能完善、準(zhǔn)確地反映環(huán)境特征提高了對目標(biāo)的識別速度和可靠性，經(jīng)過融合后的傳感器信息具有冗余性、互補性和實時性。為使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，下面參照附圖并舉實施例，對本發(fā)明進一步詳細(xì)說明。本發(fā)明實施例提供了一種基于BP神經(jīng)網(wǎng)絡(luò)的瓦斯監(jiān)測方法，如圖2所示，具體步驟包括步驟一、建立包含輸入層、隱層及輸出層的基于BP神經(jīng)網(wǎng)絡(luò)的初始模型；具體而言，在本發(fā)明實施例中，是采用BP神經(jīng)網(wǎng)絡(luò)對對瓦斯等分布信息進行智能處理，最終得出井下環(huán)境信息并作出安全評定，全面綜合了井下環(huán)境參數(shù)，實時、客觀、準(zhǔn)確地給出安全狀況評價。因此，在本方案中，采用三層BP神經(jīng)網(wǎng)絡(luò)，具體而言，包含輸入層、一個隱層及輸出層。輸入層接收由一級數(shù)據(jù)融合獲得的瓦斯、CO (—氧化碳)、溫度、風(fēng)速、粉塵和負(fù)壓數(shù)據(jù)，因此輸入層接的節(jié)點數(shù)為6。輸出層輸出井下安全狀況信息，分為五個等級，包括安全、較安全、一般安全、較危險、危險，故輸出層節(jié)點數(shù)選擇為5。此外，本方案的隱層節(jié)點數(shù)取為10。網(wǎng)絡(luò)模型如附圖3所示。步驟二、對初始模型進行參數(shù)設(shè)置；具體而言，在本發(fā)明實施例中，BP神經(jīng)網(wǎng)絡(luò)算法是一種前向反饋型算法，因此在基于BP神經(jīng)網(wǎng)絡(luò)的初始模型中，我們進行如下定義和參數(shù)設(shè)置初始權(quán)值取(-1，I)間的隨機數(shù)，Π學(xué)習(xí)速率取0.1，期望誤差取O. 001，最大步數(shù)設(shè)為1000。選取5個礦井的實測環(huán)境數(shù)據(jù)樣本經(jīng)一級融合后作輸入網(wǎng)絡(luò)進行訓(xùn)練，并且隱層及輸出層激活函數(shù)選取連續(xù)可微的單極性sigmoid函數(shù)，
權(quán)利要求
1.一種基于BP神經(jīng)網(wǎng)絡(luò)的瓦斯監(jiān)測方法，其特征在于，所述方法包括 步驟一、建立包含輸入層、隱層及輸出層的基于BP神經(jīng)網(wǎng)絡(luò)的初始模型； 步驟二、對初始模型進行參數(shù)設(shè)置； 步驟三、依據(jù)參數(shù)設(shè)置后的初始模型進行計算，確定模型中的連接權(quán)值； 步驟四、根據(jù)限定誤差為基準(zhǔn)，確定BP神經(jīng)網(wǎng)絡(luò)模型及輸入與輸出間的關(guān)系。
2.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟一中，輸入層的節(jié)點數(shù)為6個。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述輸入層的節(jié)點包含瓦斯、一氧化碳、溫度、風(fēng)速、粉塵和負(fù)壓數(shù)據(jù)。
4.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟一中，所述輸出層輸出井下安全狀況信息，分為五個等級，包括安全、較安全、一般安全、較危險、危險，故輸出層節(jié)點數(shù)選擇為5。
5.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟一中，所述隱層節(jié)點數(shù)取為10個。
6.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟二中，對初始模型進行參數(shù)設(shè)置包括初始權(quán)值取(-1，I)間的隨機數(shù)，n學(xué)習(xí)速率取0.1，期望誤差取ο. 001，最大步數(shù)設(shè)為1000。
7.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟二中，進一步包含隱層及輸出層激活函數(shù)選取連續(xù)可微的單極性sigmoid函數(shù)，即/CO =;wki為隱層節(jié)點k與輸 I +e入層節(jié)點i的連接權(quán)值；'k為輸出層節(jié)點j與隱層節(jié)點k的連接權(quán)值。
8.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟四中，進一步包括，將計算輸出與樣本目標(biāo)輸出之間的差異反饋回神經(jīng)網(wǎng)絡(luò)，使網(wǎng)絡(luò)的各個連接權(quán)值不斷調(diào)整至可以在限定誤差內(nèi)模擬出樣本輸入與輸出的關(guān)系為止。
9.一種基于BP神經(jīng)網(wǎng)絡(luò)的瓦斯監(jiān)測裝置，其特征在于，所述裝置包括初始化單元、參數(shù)設(shè)置單元、計算單元以及執(zhí)行單元，通過建立包含輸入層、隱層及輸出層的基于BP神經(jīng)網(wǎng)絡(luò)的初始模型，接著對初始模型進行參數(shù)設(shè)置，然后依據(jù)參數(shù)設(shè)置后的初始模型進行計算，確定模型中的連接權(quán)值，最終根據(jù)限定誤差為基準(zhǔn)，確定BP神經(jīng)網(wǎng)絡(luò)模型及輸入與輸出間的關(guān)系。
10.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述初始化單元用于建立包含輸入層、隱層及輸出層的基于BP神經(jīng)網(wǎng)絡(luò)的初始模型。
11.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述參數(shù)設(shè)置單元用于對初始模型進行參數(shù)設(shè)置。
12.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述計算單元用于依據(jù)參數(shù)設(shè)置后的初始模型進行計算，確定模型中的連接權(quán)值。
13.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述執(zhí)行單元用于根據(jù)限定誤差為基準(zhǔn)，確定BP神經(jīng)網(wǎng)絡(luò)模型及輸入與輸出間的關(guān)系。
全文摘要
本發(fā)明提供了一種基于BP神經(jīng)網(wǎng)絡(luò)的瓦斯監(jiān)測方法及裝置，通過建立包含輸入層、隱層及輸出層的基于BP神經(jīng)網(wǎng)絡(luò)的初始模型，接著對初始模型進行參數(shù)設(shè)置，然后依據(jù)參數(shù)設(shè)置后的初始模型進行計算，確定模型中的連接權(quán)值，最終根據(jù)限定誤差為基準(zhǔn)，確定BP神經(jīng)網(wǎng)絡(luò)模型及輸入與輸出間的關(guān)系，本方案融合了井下監(jiān)測分站內(nèi)不同位置的同類傳感器的信息，在很大程度上降低了測量誤差，提高了數(shù)據(jù)的準(zhǔn)確性。
文檔編號G06N3/02GK102937036SQ20121046660
公開日2013年2月20日 申請日期2012年11月16日 優(yōu)先權(quán)日2012年11月16日
發(fā)明者計春雷, 宋曉勇, 肖薇 申請人:上海電機學(xué)院