声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：43-1215/TD
国际刊号：1005-2763
发布日期:
作者：杨科，宋克静，张杰
关键词：瓦斯浓度预测;多尺度卷积;注意力机制﹔门控循环单元神经网络模型(MCA-GRU)
为了有效地提取关键信息的多尺度特征,从而提高瓦斯浓度的预测精度﹐提出了一种多尺度卷积和注意力机制的门控循环单元神经网络模型(MCA-GRU)。首先将处理后的瓦斯浓度数据经过多尺度卷积层,提取到数据的多尺度特征;其次经过空间注意力模块对特征信息进行注意力权重分配,以捕捉时序数据中的重要模式和动态变化;最后经过GRU层充分提取时间序列的相关性信息。本模型能够有效获取并聚焦瓦斯浓度时间序列的重要特征,从而提高瓦斯浓度的预测精度。以某矿瓦斯监测数据为样本,该模型与传统CNN-LSTM模型和CNN模型的对比结果表明:MCA-GRU模型克服传统预测方法无法获取多特征和关键信息的缺点，其总体预测效果最优,尤其在预测峰谷值时更为突出﹔MCA-GRU模型的泛化能力较强﹐与 CNN-LSTM模型相比,其平均绝对误差和均方根误差分别降低了14.3%和20 %,R2提高了4.5%。
来源：2023年第10期
《矿业研究与开发》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。