瓦斯災害是煤礦生產(chǎn)過程中的重大安全隱患,瓦斯?jié)舛鹊脑诰�準確監(jiān)測對煤礦安全生產(chǎn)有著重要的意義。然而由于礦井下存在復雜的電磁源,瓦斯傳感器在數(shù)據(jù)采集過程中往往會受到電磁干擾而產(chǎn)生“大數(shù)”,“大數(shù)”會導致瓦斯檢測系統(tǒng)的誤報警,帶來安全隱患。針對該問題,本文首先對干擾信號的特點進行分析,基于人工免疫算法搭建一種瓦斯“大數(shù)”干擾識別模型,進而利用該模型對干擾信號和正常報警信號的特點進行學習,在學習過程中提取出免疫疫苗,用于提高模型對干擾信號識別的速度和準確性。其次利用自適應免疫遺傳算法的尋優(yōu)能力尋求最小均方差算法的最佳收斂步長,設計一種自適應濾波器,使用該濾波器對干擾模型識別出的干擾數(shù)據(jù)進行濾除。為了驗證本文設計的干擾識別模型是否有效,本文首先將采集到的數(shù)據(jù)直接用自適應濾波器進行處理,將處理后得到的數(shù)據(jù)與本文所設計方法處理后的數(shù)據(jù)進行對比;其次為了驗證自適應濾波器對干擾數(shù)據(jù)的濾除效果,分別對干擾識別模型判斷后的數(shù)據(jù)分別利用高斯濾波、巴特沃斯濾波和小波分析進行處理,然后將處理后的結(jié)果與自適應濾波器處理后的結(jié)果進行比較。通過對仿真實驗結(jié)果的對比分析,證明了本文設計的方法對瓦斯干擾數(shù)據(jù)的濾除效果相對較... 

【文章來源】：江西理工大學江西省

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

瓦斯“突出”與干擾對比圖

圖 3.3 不同步長 LMS 算法迭代速度對圖 3.3 進行分析可以發(fā)現(xiàn)，當選取的收斂步長太小的時候，例如圖中的收斂 0.025 時，LMS 算法迭代的速度非常緩慢，但是當 LMS 算法停止迭代即達到的時候，最終的迭代誤差非常�。划斶x取得收斂步長較大的時候，例如圖中收選取為 0.075 時，可以看出雖然 LMS 算法收斂速度很快，但是最終 LMS 算法時的穩(wěn)態(tài)誤差也比較大；當選取的收斂步長值非常大的時候，例如圖中收斂步為 0.095 時，LMS 算法在收斂過程中穩(wěn)定性變的非常差，很難收斂到最終的穩(wěn)通過實驗對不同的收斂步長的收斂結(jié)果進行對比可以發(fā)現(xiàn)，收斂步長值的選取影響 LMS 算法的迭代速度[68]，而且對 LMS 算法最終收斂到穩(wěn)定狀態(tài)時的誤差有很大的影響。3 RLS 算法與 LMS 算法對比為了對比 LMS 算法與 RLS 算法在不同環(huán)境下的收斂性能，分別對兩種自適應迭代收斂的仿真實驗，由于 RLS 算法中加權(quán)因子λ 無量綱，而 LMS 算法中收子μ 有量綱，其量綱為功率量綱的倒數(shù)[66]。因此，為了更好的比較兩種算法收

第三章 自適應 FIR 濾波器設計對于 RLS 算法定義遺忘因子為：β =1 λ首先對濾波器的相關(guān)參數(shù)進行設置：權(quán)系數(shù)的個數(shù) L =10，迭代次數(shù)為 1500。程中為了更好的對比兩種算法的收斂性能，步長因子和遺忘因子均取使算法性優(yōu)的值。為了更為全面的比較出兩種算法的收斂性能，試驗分別在平穩(wěn)環(huán)境下環(huán)境下進行。圖 3.4 和圖 3.5 為兩種環(huán)境下得到的收斂結(jié)果。在平穩(wěn)環(huán)境下 R LMS 算法的對比結(jié)果如圖 3.4 所示。


本文編號：2896738