基于IPSO-LSTM的井下动目标位置预测实验研究.pdf

第9卷第3期矿业科学学报Vol.9No.3

2024年6月JOURNALOFMININGSCIENCEANDTECHNOLOGYJun.2024

王红尧，房彦旭，吴钰晶，等。基于IPSO-LSTM的井下动目标位置预测实验研究[J].矿业科学学报,2024,9（3）：393-403.DOI:10.19606/

j.cnki.jmst.2024.03.008

WANGHongyao,FANGYanxi,WUYujing,etal.PositionpredictionofundergroundmovingtargetsinminesbasedonIPSO-LSTM[JJ.Journalof

MiningScienceandTechnology,2024,9(3):393-403.D0I:10.19606/j.cnki.jmst.2024.03.008

基于IPSO-LSTM的井下动目标位置预测实验研究

王红尧，房彦旭,吴钰晶²，吉正平，赫海全3，鲜旭红3

1.中国矿业大学（北京）机械与电气工程学院，北京100083；

2.安标国家矿用产品安全标志中心有限公司，北京100013；

3.窑街煤电集团有限公司，甘肃兰州730084

摘要：提升井下人员定位精度能够加强矿山安全监测，最大程度保障井下人员的生命安全。针

对现有测距类算法受现场环境影响致使定位精度不足的问题,提出一种基于IPSO-LSTM的定位

模型,应用于井下动目标的位置预测。采用LSTM构建指纹定位模型，通过UWB无线模块采集

距离信息以构建距离-位置指纹关系数据库，利用数据库对PSO-LSTM模型进行训练，最后将训

练好的模型进行目标轨迹预测。为比较不同改进策略对PSO的提升效果，对比了混沌映射随机

初始化种群位置、非线性惯性权重递减、非对称优化学习因子和适应度函数优化4种改进策略，

实验证明改进的PSO优化算法收敛速度快、鲁棒性好。为验证IPSO-LSTM的定位效果，以平均

定位误差作为评价指标，将IPSO-LSTM模型与Chan算法、PSO-LSTM模型、LSTM神经网络、

SSA-LSTM模型和GWO-LSTM进行对比，结果显示,IPSO-LSTM定位模型的平均定位误差为30

mm，相对传统Chan算法、LSTM、PSO-LSTM模型分别提升了76%、49%、24%。为降低局部误差

偏大的现象，采用中值滤波对输入信息处理，进一步提升了定位精度。研究对进一步提高现有井

下动目标定位系统的精度和稳定性具有重要意义和参考价值。

关键词：井下动目标；改进的粒子群优化算法；IPSO-LSTM模型；平均定位误差

中图分类号：TD7文献标志码：A文章编号：2096-2193(2024)03-0393-11

Positionpredictionofundergroundmovingtargets

inminesbasedonIPSO-LSTM

WANGHongyao,FANGYanxu,WUYujing”,JIZhengping,HEHaiquan,XIANXuhong

1.SchoolofMechanicalandElectricalEngineering,ChinaUniversityofMiningandTechnology-Beijing,Bejing100083,China;

2.ChinaMiningProductsSafetyApprovalandCertificationCenter,Beijing100013,China;

3.YaojieC