一种基于泛函网络的周期来压预测方法.docx

一种基于泛函网络的周期来压预测方法专利名称：一种基于泛函网络的周期来压预测方法技术领域：本发明涉及地下采矿工程周期荷载预测问题，特别是涉及基于泛函网络的周期来压预测方法背景技术：在巷道内的液压支架是承受顶板压力的主要构件，在设置支架时要考虑很多因素，其中荷载的形式和变化规律是主要的考察因素，同时要实现工作面的安全高效生产，其周期来压步距及强度也必须掌握，因此必须以科学的方法来正确预测周期来压波形，传统的预测方法主要有:经验估算法、威尔逊估算法、老顶结构平衡关系估算法等使用FN对时序波的预测有良好效果，并应用到周期来压预测，模型的预测首先利用小波分解技术将所选的样本集数据根据不同频率分解成不同的分量，分解后的各分量运用混沌理论进行相空间重构，重构分量使用FN模型进行训练，最后，将各个FN模型得到的预测结果进行重组得到完整的预测周期来压荷载波形发明内容构造了基于小波和混沌优化的FN方法进行预测，模型的预测首先利用小波分解技术将所选的样本集数据根据不同频率分解成不同的分量分解后的各分量运用混沌理论进行相空间重构，重构分量使用FN模型进行训练，进而进行预测最后，将各个FN模型得到的预测结果进行重组得到完整的预测周期来压荷载波形。

预测数据样本集是繁多且存在一定非平稳性、非线性的，FN的预测精度会受到影响，为了解决这一问题，利用小波分析方法的多分辨率分析，对数据进行分层次处理，支架荷载的采样点是对于时间而言的，在时间上是离散的，对于这种情况，可以使用Mallat快速算法实现离散小波变换M allat算法是运用小波滤波器对离散信号进行低通和高通的滤波过程设第i尺度上的低频分量是4，高频分量是 权利要求1.一种基于泛函网络的周期来压预测方法，其特征在于，构造了基于小波和混沌优化的FN方法进行预测，其过程分为三步:首先利用小波分解技术将所选的样本集数据根据不同频率分解成不同的分量；分解后的各分量运用混沌理论进行相空间重构，重构分量使用FN模型进行训练，进而进行预测；最后，将各个FN模型得到的预测结果进行重组得到完整的预测周期来压荷载波形2.根据权利要求1所述的周期来压预测方法，其特征在于，该方法的第一步使用小波对液压支架周期来压荷载进行分解，用Mallat小波分析方法对支架来压荷载进行分解，使用matlab中dwt的正交小波基(db4)进行3级分解,共分解出4个分量,其中,S1为低频分量(趋势项)，dv d2, d,为各等级高频分量，形成泛函分析的样本数据。

3.根据权利要求1所述的周期来压预测方法，其特征在于，该方法的第二步使用混沌理论对第一步的样本数据进行混沛性质的识别，通过计算混沛吸弓I子的维数和Lyapunov特征指数来识别其混沌性4.根据权利要求1所述的周期来压预测方法，其特征在于，是根据调整周期来判断其混沌性的，系统在r=16时更接近混沌；根据G-P算法计算出时间序列的关联维:嵌入维数《=3 ;利用互信息法求得相空间重构的时间延迟Γ =2 ;利用小数据量法求得平均周期为Γ=15.44，Lyapunov指数为2 >0 ;即周期来压时间序列具有混沌特性5.根据权利要求1所述的周期来压预测方法，其特征在于，空间重构采用Takens定理，延迟时间(f)和嵌入维(m)就可以将混沌时间序列进行重构如式:χ.=+C*-1 ο6.根据权利要求1所述的 周期来压预测方法，其特征在于，该方法的第二步使用FN模型进行训练，使用小波分解后的4个时序序列波形进行预测，使用时序序列的前350个点作为训练集合，后75个点作为模拟对比集合，预测形成的各个频率的4条时序序列波进行小波重构后形成最终的周期来压荷载预测波7.根据权利要求1所述 的周期来压预测方法，其特征在于，整个基于FN的周期来压预测流程。

全文摘要本发明公开了一种基于泛函网络的周期来压预测方法，特征在于构造了基于小波和混沌优化的FN方法进行预测，其过程分为三步首先利用小波分解技术将所选的样本集数据根据不同频率分解成不同的分量；分解后的各分量运用混沌理论进行相空间重构，重构分量使用FN模型进行训练，进而进行预测；最后，将各个FN模型得到的预测结果进行重组得到完整的预测周期来压荷载波形本发明的目的在于可以通过泛函网络的适应性对周期来压在考虑混沌及重构的情况下预测周期来压可广泛用于地下采矿的周期来压预测。