本文選題：多傳感器　切入點：瓦斯涌出量　出處：《傳感技術(shù)學(xué)報》2015年08期

【摘要】：針對煤礦瓦斯涌出量的多影響因素預(yù)測問題,以多傳感器的瓦斯監(jiān)測系統(tǒng)采集處理后的數(shù)據(jù)作為樣本,提出了一種自組織特征映射神經(jīng)網(wǎng)絡(luò)(Self-organizing Feature Maps,SOM)與多變量的徑向基函數(shù)(Radial Basis Function,RBF)結(jié)合的組合人工神經(jīng)網(wǎng)絡(luò)的模型動態(tài)預(yù)測新方法。采用先聚類、再分類建模和預(yù)測的方法,解決了由于訓(xùn)練樣本有限和訓(xùn)練樣本點分散所導(dǎo)致的預(yù)測精度降低的問題,并通過礦井監(jiān)測到的各項歷史數(shù)據(jù)進行試驗。結(jié)果表明,與其他預(yù)測模型相比較,該模型的預(yù)測精度更高,泛化能力更強。預(yù)測平均相對誤差為2.16%,均相對變動值A(chǔ)RV為0.005 9,均方根誤差RMSE為0.131 1,有效地實現(xiàn)了對煤礦絕對瓦斯涌出量的動態(tài)預(yù)測,有較高的實用價值。
[Abstract]:Aiming at the problem of multi-influencing factors prediction of coal mine gas emission, the data collected and processed by the multi-sensor gas monitoring system is taken as the sample.A new method of model dynamic prediction based on self-organizing feature mapping neural network (Som) and multivariable radial basis function (RBF) combined artificial neural network (Ann) is presented in this paper.The method of first clustering, then classifying modeling and forecasting is used to solve the problem of low prediction accuracy caused by limited training samples and scattered training samples, and the experiments are carried out through various historical data monitored by mines.The results show that compared with other prediction models, the prediction accuracy of the model is higher and the generalization ability is stronger.The average relative error of prediction is 2.16, the average relative variation value ARV is 0.005, and the root mean square error RMSE is 0.131 1. The dynamic prediction of absolute gas emission in coal mines is realized effectively, which is of high practical value.
【作者單位】： 遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院;國網(wǎng)遼寧省電力有限公司遼陽供電公司;
【基金】：國家自然科學(xué)基金項目(51274118) 遼寧省教育廳基金項目(L2012119) 遼寧省科技攻關(guān)項目(2011229011)
【分類號】：TD712.5;TP183

【參考文獻】

相關(guān)期刊論文 前8條

1 李紀榕;李福進;吳艷微;尉志武;;基于無線傳感網(wǎng)絡(luò)的煤礦安全監(jiān)測系統(tǒng)設(shè)計[J];傳感技術(shù)學(xué)報;2011年09期

2 王濤;王洋洋;郭長娜;張繼華;;QGA-RBF神經(jīng)網(wǎng)絡(luò)在礦井瓦斯涌出量預(yù)測中的應(yīng)用[J];傳感技術(shù)學(xué)報;2012年01期

3 毛健;趙紅東;姚婧婧;;人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J];電子設(shè)計工程;2011年24期

4 崔麗珍;員曼曼;李璋;赫佳星;;面向煤礦井下WSN低功耗雙向時間同步算法研究與實現(xiàn)[J];傳感技術(shù)學(xué)報;2014年09期

5 王江榮;;基于遺傳算法模糊多元線性回歸分析的瓦斯涌出量預(yù)測模型[J];工礦自動化;2013年12期

6 趙保平;趙紅星;王保鋒;;馬堡煤礦綜采工作面瓦斯涌出規(guī)律分析[J];煤礦安全;2014年12期

7 賈花萍;;灰色Elman神經(jīng)網(wǎng)絡(luò)的礦井瓦斯涌出量預(yù)測[J];計算機技術(shù)與發(fā)展;2014年06期

8 施式亮;李潤求;羅文柯;;基于EMD-PSO-SVM的煤礦瓦斯涌出量預(yù)測方法及應(yīng)用[J];中國安全科學(xué)學(xué)報;2014年07期

【共引文獻】

相關(guān)期刊論文 前10條

1 宋子龍;魏永強;陳金干;王祥;;集線式水庫大壩安全監(jiān)測系統(tǒng)設(shè)計[J];傳感技術(shù)學(xué)報;2012年01期

2 付華;劉娜;周坤;黃嵩;;基于ATMEGA16的便攜式瓦斯檢測儀[J];傳感技術(shù)學(xué)報;2012年09期

3 劉剛;段朝偉;楊金生;;基于nRF905的煤礦瓦斯監(jiān)測系統(tǒng)設(shè)計[J];電子器件;2013年01期

4 劉剛;吳建遠;;基于WIA-PA的瓦斯監(jiān)測傳感器網(wǎng)絡(luò)網(wǎng)關(guān)設(shè)計[J];電子器件;2013年02期

5 單亞鋒;孫朋;徐耀松;付華;謝森;;基于PSO-SVM的煤巖聲發(fā)射源定位預(yù)測[J];傳感技術(shù)學(xué)報;2013年03期

6 王國英;江雨佳;吳曉平;莫路鋒;徐林;;基于無線傳感網(wǎng)的土壤呼吸測量系統(tǒng)[J];傳感技術(shù)學(xué)報;2013年06期

7 公源;;基于人工神經(jīng)網(wǎng)絡(luò)的汽車噴涂配比優(yōu)化研究與應(yīng)用[J];鍛壓裝備與制造技術(shù);2014年01期

8 蘇世雄;;智能優(yōu)化算法應(yīng)用研究[J];電腦編程技巧與維護;2014年06期

9 李紅超;;關(guān)于人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[J];電腦知識與技術(shù);2014年06期

10 喻驍芒;羅光明;朱珍民;葉劍;;分布式光纖傳感器周界安防入侵信號的多目標識別[J];光電工程;2014年01期

相關(guān)博士學(xué)位論文 前5條

1 楊天文;基于神經(jīng)網(wǎng)絡(luò)的參量聲源非線性建模及控制[D];電子科技大學(xué);2013年

2 尹福成;機場道面變形與開裂模式人工智能分析方法[D];哈爾濱工業(yè)大學(xué);2014年

3 龐s，

本文編號：1729188