發(fā)布時(shí)間：2017-04-05 05:11

  本文關(guān)鍵詞：基于支持向量機(jī)的煤礦瓦斯突出預(yù)測系統(tǒng)的研究，由筆耕文化傳播整理發(fā)布。

【摘要】：瓦斯突出是引發(fā)煤礦重大惡性事故的隱患,在防突治理方面,如何提高瓦斯突出危險(xiǎn)性預(yù)測的精度,使防突措施減少盲目性,增強(qiáng)針對性的研究工作是有實(shí)用意義的。瓦斯突出預(yù)測問題是一個(gè)受多種因素綜合影響的復(fù)雜的、非線性的、高維問題,傳統(tǒng)的方法往往難以奏效,尋求一種有效的煤與瓦斯突出預(yù)測方法一直是煤礦地質(zhì)工作者積極探索的研究方向。本文在分析了煤與瓦斯突出機(jī)理和影響因素的基礎(chǔ)上,把統(tǒng)計(jì)學(xué)習(xí)理論的最新方法一支持向量機(jī),應(yīng)用于瓦斯突出的預(yù)測中,為解決礦井瓦斯突出預(yù)測問題提供了一條新途徑。 現(xiàn)階段在瓦斯涌出量預(yù)測中最為常見的方法是利用BP神經(jīng)網(wǎng)絡(luò),它將瓦斯預(yù)測技術(shù)基礎(chǔ)理論與神經(jīng)網(wǎng)絡(luò)分析方法有機(jī)地結(jié)合起來,具有現(xiàn)代理論基礎(chǔ)研究方法,能夠進(jìn)行一定程度上的瓦斯突出預(yù)測,但是在樣本數(shù)據(jù)處理上還存在過學(xué)習(xí)現(xiàn)象等一些不足。針對這個(gè)問題本文采用小波分析及支持向量機(jī)的瓦斯數(shù)據(jù)預(yù)測算法,結(jié)合基于STM32煤礦監(jiān)控?cái)?shù)據(jù)采樣的硬件部分,提高數(shù)據(jù)采樣精度和瓦斯預(yù)測準(zhǔn)確性,增強(qiáng)井下作業(yè)的安全性。在參閱大量文獻(xiàn)的基礎(chǔ)上,論文主要研究工作如下： 首先,本文引入瓦斯突出的機(jī)理、突出的一般規(guī)律,對影響煤與瓦斯突出的地質(zhì)因素進(jìn)行了分析。煤與瓦斯突出現(xiàn)象非常復(fù)雜,尤其是隨著開采深度、強(qiáng)度、速度和規(guī)模的增加和擴(kuò)大,影響煤與瓦斯突出的因素眾多,各因素之間關(guān)系的復(fù)雜性,致使傳統(tǒng)方法難以精確預(yù)測。 其次,本文提出了基于免疫支持向量機(jī)的煤礦瓦斯突出預(yù)測模型。由于瓦斯突出時(shí)所能搜集到的特征向量有限,這對于需要大量訓(xùn)練樣本的BP網(wǎng)絡(luò)來說,網(wǎng)絡(luò)的訓(xùn)練具有一定的局限性,存在局部極小點(diǎn)和過學(xué)習(xí)等問題。因此,論文引入了基于小樣本學(xué)習(xí)的支持向量機(jī)。為了進(jìn)一步提高預(yù)測準(zhǔn)確率,利用小波對采樣的數(shù)據(jù)進(jìn)行分析、重構(gòu)、去噪,優(yōu)化采樣數(shù)據(jù)。運(yùn)用免疫進(jìn)化算法,通過抗體最大程度匹配抗原的原理尋求參數(shù)c和g的最優(yōu)解,避免選取的盲目性充分優(yōu)化模型。通過對比一般SVM模型的仿真結(jié)果,可知基于免疫支持向量機(jī)的瓦斯突出預(yù)測,提高了預(yù)測系統(tǒng)的推廣能力,縮短了預(yù)測時(shí)間。 最后,由于目前的預(yù)測方法用到的參數(shù)眾多,有些參數(shù)采集困難,使用十分不便。為解決這個(gè)問題,本文采用性價(jià)比好和穩(wěn)定性能高的STM32作為核心處理器實(shí)現(xiàn)采集,通過與井下瓦斯、溫度傳感器無線射頻通信,對安全監(jiān)控?cái)?shù)據(jù)進(jìn)行實(shí)時(shí)高精度的采樣,提高數(shù)據(jù)處理的可靠性。
【關(guān)鍵詞】：瓦斯突出 免疫進(jìn)化算法 支持向量機(jī) STM32f103
【學(xué)位授予單位】：安徽理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TD713;TP18
【目錄】：

• 摘要5-7
• Abstract7-15
• 1 緒論15-21
• 1.1 煤礦瓦斯突出的研究背景及意義15-16
• 1.2 煤礦瓦斯突出預(yù)測的國內(nèi)外研究現(xiàn)狀及發(fā)展方向16-18
• 1.3 本論文的主要研究內(nèi)容18-21
• 2 井下瓦斯?jié)舛扔绊懸蛩胤治?/span>21-27
• 2.1 瓦斯突出機(jī)理21-22
• 2.2 瓦斯突出類型22
• 2.3 瓦斯突出一般規(guī)律22-23
• 2.4 影響瓦斯突出的因素23-26
• 2.4.1 圍巖條件24
• 2.4.2 煤層煤質(zhì)特征24
• 2.4.3 地質(zhì)構(gòu)造條件24-25
• 2.4.4 煤體結(jié)構(gòu)25
• 2.4.5 煤層埋藏深度25
• 2.4.6 其他因素25-26
• 2.5 本章小結(jié)26-27
• 3. 井下瓦斯數(shù)據(jù)的采集及預(yù)處理27-47
• 3.1 瓦斯傳感器在井下煤礦的數(shù)據(jù)采集27-29
• 3.1.1 瓦斯傳感器的工作原理27-28
• 3.1.2 瓦斯傳感器的硬件鋪設(shè)28
• 3.1.3 瓦斯傳感器的信號傳輸28-29
• 3.2. 溫度傳感器在井下煤礦的數(shù)據(jù)采集29-30
• 3.2.1 數(shù)字溫度傳感器29
• 3.2.2 溫度傳感器的硬件架構(gòu)29-30
• 3.3 煤礦井下瓦斯數(shù)據(jù)預(yù)處理30-46
• 3.3.1 小波分析濾波原理31-33
• 3.3.2 小波包分析33-36
• 3.3.3 小波小波分析的信號消噪處理36-46
• 3.4 本章小結(jié)46-47
• 4 支持向量機(jī)理論47-65
• 4.1 支持向量機(jī)理論47-54
• 4.1.1 統(tǒng)計(jì)學(xué)理論簡介47-49
• 4.1.2 分類支持向量機(jī)理論49-53
• 4.1.3 分類支持向量機(jī)學(xué)習(xí)算法53-54
• 4.1.4 支持向量機(jī)與人工神經(jīng)網(wǎng)絡(luò)相比較54
• 4.2 構(gòu)造支持向量機(jī)多分類預(yù)測模型54-59
• 4.2.1 支持向量機(jī)多類分類方法的基本原理55-57
• 4.2.2 支持向量機(jī)多分類方法性能比較57-58
• 4.2.3 構(gòu)造一對多分類方法58-59
• 4.3 核函數(shù)的選取59-61
• 4.3.1 可分性60-61
• 4.3.2 局部性61
• 4.4 核函數(shù)參數(shù)的影響和選取61-64
• 4.5 本章小結(jié)64-65
• 5. 基于免疫支持向量機(jī)的瓦斯突出預(yù)測65-81
• 5.1 免疫進(jìn)化算法理論65-68
• 5.1.1 免疫算法的生物學(xué)機(jī)理65-66
• 5.1.2 免疫進(jìn)化算法的思想66-67
• 5.1.3 免疫進(jìn)化算法表達(dá)式67-68
• 5.2 免疫進(jìn)化算法的收斂性68-70
• 5.3 免疫進(jìn)化算法的優(yōu)點(diǎn)70-71
• 5.4 免疫支持向量機(jī)算法模型的設(shè)計(jì)71-76
• 5.4.1 模型樣本訓(xùn)練集和測試集的選定71-72
• 5.4.2 數(shù)據(jù)歸一化72-73
• 5.4.3 免疫進(jìn)化算法選擇最佳參數(shù)c和g73-76
• 5.5 瓦斯突出預(yù)測模型的仿真與測試76-79
• 5.6 本章小結(jié)79-81
• 6. 煤礦瓦斯突出預(yù)測系統(tǒng)硬件設(shè)計(jì)81-95
• 6.1 單片機(jī)最小系統(tǒng)設(shè)計(jì)81-89
• 6.1.1 Cortex-M3內(nèi)核介紹81-83
• 6.1.2 STM32F103系列單片機(jī)83-87
• 6.1.3 STM32單片機(jī)最小系統(tǒng)87-89
• 6.2 數(shù)據(jù)采集模塊設(shè)計(jì)89-90
• 6.2.1 模擬量數(shù)據(jù)采集89
• 6.2.2 開關(guān)量數(shù)據(jù)采集89-90
• 6.3 數(shù)據(jù)存儲與顯示模塊設(shè)計(jì)90-91
• 6.4 RS485通信模塊設(shè)計(jì)91-92
• 6.5 EEPROM模塊設(shè)計(jì)92-93
• 6.6 時(shí)鐘電路模塊設(shè)計(jì)93-94
• 6.7 本章小結(jié)94-95
• 7 結(jié)論95-97
• 參考文獻(xiàn)97-99
• 致謝99-101
• 作者簡介及讀研期間主要科研成果101

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 王斌國;陳玉娥;;KJ2000煤礦綜合監(jiān)控系統(tǒng)中的表格組態(tài)[J];福建電腦;2006年06期

2 米建國,李繼培;依靠科技 遏制瓦斯礦難[J];中國發(fā)展觀察;2005年09期

3 張小云,劉允才;高斯核支撐向量機(jī)的性能分析[J];計(jì)算機(jī)工程;2003年08期

4 齊志泉,田英杰,徐志潔;支持向量機(jī)中的核參數(shù)選擇問題[J];控制工程;2005年04期

5 劉英學(xué);淮南謝李深井開采礦井瓦斯涌出量預(yù)測研究[J];煤礦安全;1994年10期

6 趙延明;;基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的瓦斯含量預(yù)測模型[J];工礦自動化;2009年04期

7 馬永軍,李孝忠,王希雷;基于模糊支持向量機(jī)和核方法的目標(biāo)檢測方法研究[J];天津科技大學(xué)學(xué)報(bào);2005年03期

8 徐義田,王來生,張好治,孫寶山;基于SVM的分類算法與聚類分析[J];煙臺大學(xué)學(xué)報(bào)(自然科學(xué)與工程版);2004年01期

9 楊勝遠(yuǎn);李金林;楊東朋;;ARMA模型在瓦斯?jié)舛阮A(yù)測中的應(yīng)用[J];中國煤炭;2008年06期

10 梁運(yùn)培,羅小林;回采工作面瓦斯涌出規(guī)律及涌出量預(yù)測方法的研究[J];中州煤炭;1999年06期

  本文關(guān)鍵詞：基于支持向量機(jī)的煤礦瓦斯突出預(yù)測系統(tǒng)的研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：286519