基于K-GRU神经网络的采煤机记忆截割及优化

TP391; 目的 针对采煤机记忆截割不准确、自动化程度不高的问题,方法 本文提出一种基于K-GRU神经网络的采煤机记忆截割算法,此算法具有更适合处理长时序数据的特点,将算法与采煤机记忆截割结合起来,可以减少采煤过程中滚筒的损坏同时保护工人生命安全.该算法在深层门控循环单元(GRU)的输入端引入比例因子K,用比例因子K表现不同时刻数据的重要程度,以加强模型对长时序数据的记忆性,进而提高记忆截割精度.在模型训练阶段利用随机搜索算法(RS)对深层K-GRU神经网络的超参数选择进行优化,加快模型训练速度.结果 实验中使用Python完成K-GRU模型构建与超参数优化,使用随机搜索算法可以在更短时间内...

Full description

Saved in:
Bibliographic Details
Published in河南理工大学学报（自然科学版） Vol. 43; no. 1; pp. 96 - 104
Main Authors 安葳鹏, 闫鹏皓, 张文博, 孙旭旭
Format Journal Article
LanguageChinese
Published 河南理工大学 计算机科学与技术学院,河南 焦作 454000 2024
Subjects
随机搜索算法
强化因子
gate recurrent unit
random search algorithm
门控循环单元
memory cutting
采煤机
记忆截割
strengthening factor
shearer
Online AccessGet full text

Cover

More Information
Summary:TP391; 目的 针对采煤机记忆截割不准确、自动化程度不高的问题,方法 本文提出一种基于K-GRU神经网络的采煤机记忆截割算法,此算法具有更适合处理长时序数据的特点,将算法与采煤机记忆截割结合起来,可以减少采煤过程中滚筒的损坏同时保护工人生命安全.该算法在深层门控循环单元(GRU)的输入端引入比例因子K,用比例因子K表现不同时刻数据的重要程度,以加强模型对长时序数据的记忆性,进而提高记忆截割精度.在模型训练阶段利用随机搜索算法(RS)对深层K-GRU神经网络的超参数选择进行优化,加快模型训练速度.结果 实验中使用Python完成K-GRU模型构建与超参数优化,使用随机搜索算法可以在更短时间内得到超参数最优解,得到超参数epochs为317、batch_size为70的最优解共花费154 s,在最优解情况下计算模型对真实采煤数据预测的误差,得到K-GRU的loss值为 0.046 7、R2 为 0.957 8、EVS为0.965 6、ME为0.083 3.结论 最终表明,优化后的深层K-GRU模型在解释方差得分、最大误差和可决系数方面均优于SVM、KNN、LSTM、RNN和普通GRU模型,显著提高了采煤机记忆截割的适用性和准确性.
ISSN:1673-9787
DOI:10.16186/j.cnki.1673-9787.2021090055