| 摘 要： | 为了更好地捕捉瓦斯浓度的时变规律及有效信息，实现对采煤工作面瓦斯浓度的精准预测，采用麻雀搜索算法（SSA）优化长短期记忆(LSTM)网络，提出了一种基于SSA-LSTM的瓦斯浓度预测模型。采用均值替换法对原始瓦斯浓度时序数据中的缺失数据及异常数据进行处理，再进行归一化和小波阈值降噪；对比测试了SSA与灰狼优化(GWO)算法、粒子群优化（PSO）算法的性能差异，验证了SSA在寻优精度、收敛速度和适应能力等方面的优势；利用SSA的自适应性依次对LSTM的学习率、隐藏层节点个数、正则化参数等超参数进行寻优，以此来提高全局寻优能力，避免预测模型陷入局部最优；将得到的最佳超参数组合代入LSTM网络模型中，输出预测结果。将SSA-LSTM与LSTM、GWO-LSTM、PSO-LSTM瓦斯浓度预测模型进行比较，实验结果表明：基于SSA-LSTM的瓦斯浓度预测模型的均方根误差（RMSE）较LSTM,PSO-LSTM,GWO-LSTM分别减少了77.8%,58.9%,69.7%；平均绝对误差（MAE）分别减少了83.9%,37.8%,70%，采用SSA优化的LSTM预测模型相较于传统LSTM模型具有更高...
|
