發(fā)布時間：2019-06-21 02:47

【摘要】：針對煤與瓦斯突出發(fā)生內(nèi)在機理復(fù)雜性、致突因素與突出事件之間模糊性導(dǎo)致預(yù)測精度不高這一問題,提出將模糊粗糙集理論(FRS)結(jié)合改進的極端學(xué)習(xí)機(ELM)進行煤與瓦斯突出預(yù)測。通過FRS信息約簡理論降低致突因素原始數(shù)據(jù)屬性維度,提取出致突輔助因素,與主要因素共同作為ELM網(wǎng)絡(luò)神經(jīng)元輸入,利用遺傳算法(GA)對極端學(xué)習(xí)機網(wǎng)絡(luò)輸入權(quán)值、隱含層閾值進行優(yōu)化,建立GA-ELM預(yù)測模型,模型輸出為煤與瓦斯突出強度預(yù)測結(jié)果。經(jīng)過模型訓(xùn)練和試驗驗證,該模型泛化能力強、預(yù)測精度高、收斂速度明顯加快。
[Abstract]:In order to solve the problem that the inherent mechanism complexity of coal and gas outburst and the fuzziness between outburst factors and outburst events lead to the low prediction accuracy, the fuzzy rough set theory (FRS) combined with the improved extreme learning machine (ELM) is proposed to predict coal and gas outburst. The attribute dimension of the original data of outburst factors is reduced by FRS information reduction theory, and the auxiliary factors of outburst are extracted, which are used as neuron input of ELM network together with the main factors. Genetic algorithm (GA) is used to optimize the input weights and hidden layer threshold of extreme learning machine network, and the GA-ELM prediction model is established. The output of the model is the prediction result of coal and gas outburst intensity. The model training and experimental results show that the model has strong generalization ability, high prediction accuracy and accelerated convergence speed.
【作者單位】： 遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院;
【基金】：國家自然科學(xué)基金項目(51274118) 遼寧省教育廳基金項目(UPRP20140464)
【分類號】：TD713;TP18

【參考文獻】

相關(guān)期刊論文 前10條

1 付華;王馨蕊;王志軍;王雨虹;屠乃威;徐耀松;;基于PCA和PSO-ELM的煤與瓦斯突出軟測量研究[J];傳感技術(shù)學(xué)報;2014年12期

2 付華;王馨蕊;楊本臣;王志軍;屠乃威;王雨虹;徐耀松;;基于MPSO-CWLS-SVM的瓦斯涌出量預(yù)測[J];傳感技術(shù)學(xué)報;2014年11期

3 彭繼慎;聶苓;;DBC優(yōu)化算法在瓦斯突出預(yù)測中的應(yīng)用[J];計算機系統(tǒng)應(yīng)用;2014年02期

4 王世強;張登福;畢篤彥;張立東;王占領(lǐng);李洋;雍霄駒;;基于模糊粗糙集和蜂群算法的屬性約簡[J];中南大學(xué)學(xué)報(自然科學(xué)版);2013年01期

5 周天沛;孫偉;;基于蟻群-模糊聚類算法的井下工作面瓦斯突出預(yù)測[J];工礦自動化;2012年10期

6 金洪偉;;煤與瓦斯突出發(fā)展過程的實驗與機理分析[J];煤炭學(xué)報;2012年S1期

7 付華;姜偉;單欣欣;;基于耦合算法的煤礦瓦斯涌出量預(yù)測模型研究[J];煤炭學(xué)報;2012年04期

8 胡廣青;姜波;吳胡;;基于灰色關(guān)聯(lián)-遺傳神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測模型[J];中國煤炭地質(zhì);2011年09期

9 李彬;李貽斌;;基于ELM學(xué)習(xí)算法的混沌時間序列預(yù)測[J];天津大學(xué)學(xué)報;2011年08期

10 邊霞;米良;;遺傳算法理論及其應(yīng)用研究進展[J];計算機應(yīng)用研究;2010年07期

【共引文獻】

相關(guān)期刊論文 前10條

1 湯雙清;周東偉;李慶東;胡蘭蘭;;基于遺傳算法的飛輪儲能系統(tǒng)用徑向永磁軸承的優(yōu)化設(shè)計[J];中國農(nóng)機化學(xué)報;2016年08期

2 達小文;王曉程;陳志浩;;基于改進模糊測試的Web應(yīng)用漏洞挖掘方法[J];計算機與現(xiàn)代化;2016年08期

3 何清;;工作面瓦斯涌出量預(yù)測研究現(xiàn)狀及發(fā)展趨勢[J];礦業(yè)安全與環(huán)保;2016年04期

4 賈默伊;宋欣;劉健;;多種群遺傳算法脫重組分塔溫控系統(tǒng)設(shè)計[J];計算機工程與設(shè)計;2016年07期

5 鄭堯軍;陳紅巖;馮勇;陳開考;曲健;;粒子群優(yōu)化SVM在氣體定量分析中的應(yīng)用[J];傳感技術(shù)學(xué)報;2016年07期

6 謝國民;單敏柱;付華;;基于IsoMap和MBFO-SVR的瓦斯涌出量動態(tài)預(yù)測研究[J];傳感技術(shù)學(xué)報;2016年07期

7 韓銳;董增川;馬紅亮;羅峗;許波劉;張翔宇;;黃河下游地區(qū)多目標(biāo)優(yōu)化配水模型研究[J];人民黃河;2016年07期

8 張文鐸;王自勤;田豐果;陳家兌;;基于AMESim和遺傳算法的發(fā)動機配氣相位仿真與優(yōu)化[J];機械設(shè)計與制造;2016年07期

9 袁瑞甫;;含瓦斯煤層的真實突出危險性及其判別試驗[J];煤炭科學(xué)技術(shù);2016年06期

10 謝國民;謝鴻;付華;閆孝Y，

本文編號：2503727