發(fā)布時(shí)間：2017-03-31 02:16

  本文關(guān)鍵詞：基于改進(jìn)GA-SVM算法的瓦斯涌出量預(yù)測(cè)研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：煤礦井下瓦斯監(jiān)測(cè)系統(tǒng)是煤礦安全生產(chǎn)過(guò)程中的重要環(huán)節(jié),在對(duì)瓦斯涌出量進(jìn)行監(jiān)測(cè)和預(yù)測(cè)時(shí)需要建立合適的模型,建立完整、先進(jìn)的瓦斯安全監(jiān)測(cè)和控制系統(tǒng),從而促進(jìn)煤炭行業(yè)自動(dòng)化系統(tǒng)的完善改進(jìn),這些系統(tǒng)對(duì)井下的安全作業(yè)生產(chǎn)起到了關(guān)鍵作用。在此背景下,本文在對(duì)瓦斯涌出量模型探究過(guò)程中探索出一種基于改進(jìn)的遺傳支持向量機(jī)(GA-SVM)算法相結(jié)合的瓦斯涌出量預(yù)測(cè)方法。煤礦瓦斯系統(tǒng)隨時(shí)間動(dòng)態(tài)發(fā)展可認(rèn)為是非線性系統(tǒng),具有復(fù)雜程度高、隨機(jī)性強(qiáng)的特點(diǎn)。另外,對(duì)煤礦瓦斯監(jiān)測(cè)時(shí)影響因素眾多,利用單一算法對(duì)煤礦瓦斯涌出量預(yù)測(cè)時(shí)存在片面性問(wèn)題。針對(duì)以上問(wèn)題本文首先分析了瓦斯涌出量的內(nèi)在本質(zhì)和影響因素,利用支持向量機(jī)(SVM)能夠較好地解決小樣本、非線性的特點(diǎn),將預(yù)測(cè)概念引入遺傳算法中,為解決煤礦瓦斯預(yù)測(cè)問(wèn)題提供一種途徑。本文主要進(jìn)行以下工作：首先,對(duì)瓦斯涌出量模型進(jìn)行了深入探討,選取影響因子。其次,提出遺傳支持向量機(jī)預(yù)測(cè)模型。對(duì)遺傳支持向量機(jī)進(jìn)行適當(dāng)改進(jìn)；選取合適的核函數(shù),利用遺傳算法優(yōu)化支持向量機(jī)參數(shù),提高預(yù)測(cè)性能。最后,將構(gòu)造的改進(jìn)GA-SVM預(yù)測(cè)模型與其余兩種算法模型進(jìn)行比較分析分析、誤差分析,通過(guò)實(shí)驗(yàn)仿真驗(yàn)證算法的正確性。
【關(guān)鍵詞】：支持向量機(jī)(SVM) 遺傳算法(GA) 算法改進(jìn) 瓦斯涌出量 預(yù)測(cè)模型
【學(xué)位授予單位】：遼寧工程技術(shù)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類(lèi)號(hào)】：TD712.5
【目錄】：

• 致謝4-5
• 摘要5-6
• Abstract6-10
• 1 引言10-16
• 1.1 問(wèn)題的提出10-11
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀11-13
• 1.2.1 國(guó)內(nèi)研究現(xiàn)狀11-12
• 1.2.2 國(guó)外研究現(xiàn)狀12-13
• 1.3 課題研究主要內(nèi)容和技術(shù)路線13-15
• 1.3.1 研究思路13-14
• 1.3.2 研究?jī)?nèi)容14-15
• 1.4 論文主要工作及章節(jié)安排15-16
• 2 瓦斯涌出量模型分析及預(yù)測(cè)方法16-24
• 2.1 瓦斯的賦存16-17
• 2.2 瓦斯涌出量影響因素分析17-19
• 2.2.1 瓦斯涌出量的基本含義17
• 2.2.2 瓦斯涌出量影響因素17-19
• 2.3 瓦斯涌出量預(yù)測(cè)方法的相關(guān)分析19-22
• 2.3.1 瓦斯涌出量預(yù)測(cè)方法20-21
• 2.3.2 瓦斯涌出量預(yù)測(cè)模型的分析21-22
• 2.4 本章小結(jié)22-24
• 3 支持向量機(jī)理論與遺傳算法24-42
• 3.1 統(tǒng)計(jì)學(xué)理論24-26
• 3.2 支持向量機(jī)26-36
• 3.2.1 最優(yōu)超平面26-28
• 3.2.2 支持向量機(jī)分類(lèi)28-31
• 3.2.3 核函數(shù)31-33
• 3.2.4 支持向量機(jī)回歸33-36
• 3.3 遺傳算法36-41
• 3.3.1 遺傳算法基本原理與步驟36-38
• 3.3.2 遺傳算法染色體編碼38-39
• 3.3.3 適應(yīng)度函數(shù)39-40
• 3.3.4 遺傳運(yùn)算過(guò)程40-41
• 3.4 本章小結(jié)41-42
• 4 基于改進(jìn)GA-SVM預(yù)測(cè)模型技術(shù)框架42-49
• 4.1 礦井瓦斯信息分析42-43
• 4.2 改進(jìn)的GA-SVM43-45
• 4.2.1 支持向量機(jī)的適當(dāng)改進(jìn)43-44
• 4.2.2 遺傳算法的適當(dāng)改進(jìn)44-45
• 4.3 支持向量機(jī)模型選擇45-46
• 4.4 基于改進(jìn)GA-SVM預(yù)測(cè)模型技術(shù)框架46-48
• 4.4.1 GA-SVM選取原則46
• 4.4.2 預(yù)測(cè)模型技術(shù)框架的搭建過(guò)程46-48
• 4.5 本章小結(jié)48-49
• 5 實(shí)驗(yàn)與仿真49-62
• 5.1 仿真平臺(tái)及相關(guān)軟件49-51
• 5.1.1 MATLAB主要特點(diǎn)49-50
• 5.1.2 M文件編程50-51
• 5.2 基于改進(jìn)GA-SVM預(yù)測(cè)模型的建立51-54
• 5.2.1 預(yù)測(cè)模型影響因子的選取51-52
• 5.2.2 預(yù)測(cè)模型建立的基本步驟52
• 5.2.3 支持向量機(jī)預(yù)測(cè)機(jī)訓(xùn)練參數(shù)選擇52-54
• 5.3 GA-SVM預(yù)測(cè)機(jī)的設(shè)置54-55
• 5.4 瓦斯涌出量的仿真分析55-58
• 5.5 結(jié)果分析58-61
• 5.6 本章小結(jié)61-62
• 6 結(jié)論62-64
• 6.1 全文工作結(jié)論62
• 6.2 進(jìn)一步工作展望62-64
• 參考文獻(xiàn)64-67
• 作者簡(jiǎn)歷67-69
• 學(xué)位論文數(shù)據(jù)集69

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 魏春榮;李艷霞;孫建華;米紅偉;李s

本文編號(hào)：278659