發(fā)布時間：2017-03-31 01:15

  本文關(guān)鍵詞：基于ASGSO-ENN算法的瓦斯涌出量動態(tài)預(yù)測研究，由筆耕文化傳播整理發(fā)布。

【摘要】：礦井瓦斯涌出量系統(tǒng)是一個具有多參量、高度非線性、時變性、隨機性的復(fù)雜系統(tǒng),傳統(tǒng)的線性方法無法建立滿足工程精確要求的可靠預(yù)測模型。因此,提出一種將Elman動態(tài)反饋神經(jīng)網(wǎng)絡(luò)(ENN, Elman Neural Network)與自適應(yīng)步長螢火蟲算法(ASGSO, self-Adaptive Step Glowworm Swarm Optimization)相耦合的擬合算法實現(xiàn)對瓦斯涌出量非線性系統(tǒng)的有效辨識。Elman神經(jīng)網(wǎng)絡(luò)由于自身獨特的動態(tài)反饋環(huán)節(jié)及遞歸作用,具備了強大的時變數(shù)據(jù)處理能力及網(wǎng)絡(luò)穩(wěn)定性,因此更能直接表征本質(zhì)非線性系統(tǒng)的動態(tài)特性。針對該網(wǎng)絡(luò)訓(xùn)練過程中依然存在收斂速度慢、精度低、學(xué)習效率不高的問題,提出利用螢火蟲智能算法來對其進行優(yōu)化改進。通過分析了基本螢火蟲算法(GSO)的仿生學(xué)機理及優(yōu)化運行流程,可知螢火蟲算法(GSO)具有強大局部搜索性能且操作簡單、易于實現(xiàn)。為了強化基本螢火蟲算法(GSO)的全局尋優(yōu)性能,重新定義了基于相似度準則的目標鄰域集,并以相似度門檻值的初始精確設(shè)置取代以往對初始感知半徑的粗略估計。在種群每次進化后,根據(jù)研究個體相對目標鄰域集內(nèi)優(yōu)秀個體分布的疏密情況自適應(yīng)地放縮移動步長,避免個體在極值點附近產(chǎn)生搜索振蕩。充分利用經(jīng)改進后的ASGSO算法強大的全局多目標搜索能力對ENN的權(quán)值與閾值在求解空間中進行快速精確的在線搜索,并結(jié)合預(yù)測控制理論建立基于ASGSO-ENN耦合算法的瓦斯涌出量預(yù)測控制系統(tǒng)。利用井下實際采集到的各影響因素監(jiān)測數(shù)據(jù)進行預(yù)測實驗,結(jié)果表明：在較高學(xué)習效率的前提下,其預(yù)測精度和泛化能力明顯強于單一的Elman神經(jīng)網(wǎng)絡(luò)、GSO-ENN耦合模型以及工程常用的BP神經(jīng)網(wǎng)絡(luò)且具有較強的魯棒性。該方法對井下瓦斯災(zāi)害的防治提供了充分的理論指導(dǎo)。
【關(guān)鍵詞】：瓦斯涌出量 非線性系統(tǒng) 動態(tài)反饋 預(yù)測模型 ASGSO-ENN耦合算法
【學(xué)位授予單位】：遼寧工程技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TD712.5
【目錄】：

• 致謝4-5
• 摘要5-6
• Abstract6-10
• 1 緒論10-17
• 1.1 課題研究的背景及選題的意義10
• 1.2 瓦斯涌出量的概念及影響分析10-12
• 1.3 瓦斯涌出量預(yù)測的研究現(xiàn)狀12-14
• 1.3.1 國內(nèi)研究現(xiàn)狀12-13
• 1.3.2 國外研究現(xiàn)狀13-14
• 1.4 基于人工智能算法的預(yù)測研究現(xiàn)狀14-15
• 1.5 論文的研究內(nèi)容及主要工作15-17
• 2 用于瓦斯涌出量預(yù)測的Elman神經(jīng)網(wǎng)絡(luò)模型17-28
• 2.1 引言17
• 2.2 人工神經(jīng)網(wǎng)絡(luò)簡介17-19
• 2.2.1 神經(jīng)元結(jié)構(gòu)與神經(jīng)網(wǎng)絡(luò)的學(xué)習方式17-19
• 2.2.2 神經(jīng)網(wǎng)絡(luò)的基本分類19
• 2.3 基于Elman神經(jīng)網(wǎng)絡(luò)的瓦斯涌出量預(yù)測基本原理19-27
• 2.3.1 Elman神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)20-21
• 2.3.2 Elman神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)描述21-23
• 2.3.3 Elman神經(jīng)網(wǎng)絡(luò)權(quán)值與閾值的修正量計算23-26
• 2.3.4 Elman神經(jīng)網(wǎng)絡(luò)存在的不足26-27
• 2.4 小結(jié)27-28
• 3 瓦斯涌出量預(yù)測模型中的螢火蟲算法優(yōu)化理論28-36
• 3.1 引言28
• 3.2 螢火蟲算法的仿生學(xué)機理28
• 3.3 螢火蟲算法的尋優(yōu)原理28-30
• 3.3.1 熒光素值的更新29
• 3.3.2 概率選擇最優(yōu)個體29
• 3.3.3 更新個體位置29-30
• 3.3.4 自適應(yīng)調(diào)整決策域半徑30
• 3.4 螢火蟲算法的基本結(jié)論30-32
• 3.5 優(yōu)化流程及代碼架構(gòu)32-34
• 3.6 螢火蟲算法尋優(yōu)搜索性能分析34-35
• 3.7 小結(jié)35-36
• 4 ASGSO-ENN耦合算法研究及其性能仿真分析36-52
• 4.1 引言36
• 4.2 改進的螢火蟲優(yōu)化算法36-39
• 4.2.1 基于相似度準則的目標鄰域集37-38
• 4.2.2 搜索步長的自適應(yīng)調(diào)整策略38
• 4.2.3 ASGSO算法的收斂性分析38-39
• 4.3 ASGSO算法數(shù)值仿真實驗39-45
• 4.3.1 分析測試函數(shù)41-42
• 4.3.2 評價指標42-43
• 4.3.3 仿真實驗及結(jié)果分析43-45
• 4.4 ASGSO算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)模型45-49
• 4.4.1 螢火蟲個體編碼46
• 4.4.2 搜索空間維數(shù)的確定46
• 4.4.3 適應(yīng)度函數(shù)的確定46-48
• 4.4.4 ASGSO-ENN耦合算法的實現(xiàn)流程48-49
• 4.5 ASGSO-ENN耦合算法的數(shù)據(jù)擬合實驗49-51
• 4.6 小結(jié)51-52
• 5 基于ASGSO-ENN耦合算法的瓦斯涌出量預(yù)測系統(tǒng)研究52-66
• 5.1 引言52
• 5.2 瓦斯涌出量辨識模型52-55
• 5.2.1 瓦斯涌出量辨識系統(tǒng)原理52-53
• 5.2.2 瓦斯涌出量辨識系統(tǒng)的數(shù)學(xué)描述53-54
• 5.2.3 辨識過程的目標函數(shù)54-55
• 5.3 基于ASGSO-ENN的瓦斯涌出量預(yù)測控制系統(tǒng)55-58
• 5.3.1 瓦斯涌出量預(yù)測系統(tǒng)架構(gòu)55-56
• 5.3.2 瓦斯涌出量預(yù)測控制原理56-58
• 5.3.3 瓦斯涌出量預(yù)測控制的具體步驟58
• 5.4 瓦斯涌出量預(yù)測實驗及分析58-65
• 5.4.1 訓(xùn)練樣本的數(shù)據(jù)組成58-60
• 5.4.2 數(shù)據(jù)的標準化處理60
• 5.4.3 ASGSO-ENN耦合算法結(jié)構(gòu)及參數(shù)的確定60-61
• 5.4.4 瓦斯涌出量預(yù)測結(jié)果及分析61-65
• 5.5 小結(jié)65-66
• 6 總結(jié)與展望66-68
• 6.1 全文總結(jié)66-67
• 6.2 展望67-68
• 參考文獻68-71
• 作者簡歷71-73
• 學(xué)位論文數(shù)據(jù)集73

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 郝天軒;柳猛;;基于多元非線性回歸理論的煤層瓦斯含量預(yù)測[J];煤炭技術(shù);2014年09期

2 許少華;宋美玲;許辰;朱新寧;;一種基于混合誤差梯度下降算法的過程神經(jīng)網(wǎng)絡(luò)訓(xùn)練[J];東北石油大學(xué)學(xué)報;2014年04期

3 閆孝Y，

本文編號：278539