来源：期刊VIP网 时间：
作者：安葳鹏;闫鹏皓;张文博;孙旭旭;
单位：河南理工大学计算机科学与技术学院;
摘要：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KGRU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。
关键词：门控循环单元;;记忆截割;;随机搜索算法;;强化因子;;采煤机
基金资助：国家自然科学基金资助项目（61872126）;; 河南省高校重点研究基金资助项目（20A520015）
