本文關(guān)鍵詞：基于PCA的PSO-DE混合算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在煤與瓦斯突出預(yù)測(cè)中的應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

【摘要】：煤炭是我國(guó)應(yīng)用非常廣泛的一級(jí)能源和燃料，我國(guó)社會(huì)經(jīng)濟(jì)的發(fā)展以及人民群眾生活的質(zhì)量都與煤炭息息相關(guān)。為了滿足煤炭資源的需求，煤炭開采深度在不斷加大，由于地質(zhì)條件十分復(fù)雜，再加之開采技術(shù)發(fā)展的緩慢和安全管理水平的落后，導(dǎo)致煤炭的開采難度增大、危險(xiǎn)系數(shù)提高，煤礦事故時(shí)有發(fā)生。其中煤與瓦斯突出是煤礦事故中最嚴(yán)重的災(zāi)害之一，嚴(yán)重威脅著井下作業(yè)人員的生命安全，制約著煤炭行業(yè)的快速、良好的發(fā)展。因此，對(duì)突出事故的準(zhǔn)確預(yù)測(cè)與有效防御是一項(xiàng)非常重要的工作。 本文對(duì)目前國(guó)內(nèi)外的有關(guān)突出的預(yù)測(cè)方法進(jìn)行了梳理與分析，并且對(duì)突出產(chǎn)生的原因、規(guī)律、條件以及其重要機(jī)理進(jìn)行了詳盡的論述，為選擇有效的預(yù)測(cè)方法提供了一定的理論基礎(chǔ)。針對(duì)突出影響因素之間存在的非線性關(guān)系這一特征，采用傳統(tǒng)的預(yù)測(cè)方法已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足目前礦井安全生產(chǎn)的需要。為了有效的解決此問(wèn)題，在深入學(xué)習(xí)主成分分析法（PCA）、BP神經(jīng)網(wǎng)絡(luò)、DE算法和PSO算法的相關(guān)理論的基礎(chǔ)上，結(jié)合前人的研究成果，分析了它們的優(yōu)缺點(diǎn)，并將后兩種算法有效的混合起來(lái)形成了全新的一種更加有效的算法——PSO-DE混合算法。由于這種混合算法的優(yōu)點(diǎn)在很大程度上能彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)的不足，因此采用該算法對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化。在此基礎(chǔ)上建立了基于PCA的PSO-DE混合算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的突出預(yù)測(cè)模型，并以山西焦煤西山煤電屯蘭礦作為實(shí)際研究現(xiàn)場(chǎng)，根據(jù)礦井的地質(zhì)開采條件及瓦斯賦存條件選取了5個(gè)突出預(yù)測(cè)指標(biāo)，經(jīng)過(guò)對(duì)這些指標(biāo)進(jìn)行主成分分析，確定了貢獻(xiàn)率（累積）不小于85%的2個(gè)占主導(dǎo)作用的主成分來(lái)替換以上的5個(gè)預(yù)測(cè)指標(biāo)，將優(yōu)選出的2個(gè)綜合指標(biāo)作為改進(jìn)網(wǎng)絡(luò)的輸入值。通過(guò)運(yùn)算，預(yù)測(cè)結(jié)果與現(xiàn)場(chǎng)實(shí)際觀測(cè)結(jié)果相同，證明該預(yù)測(cè)模型在突出預(yù)測(cè)方面具有良好的泛化能力和滿意的精度。與傳統(tǒng)的預(yù)測(cè)方法進(jìn)行比較發(fā)現(xiàn)該方法具有準(zhǔn)確率高、所用時(shí)間短、適用性強(qiáng)等特點(diǎn)。根據(jù)預(yù)測(cè)結(jié)果，選擇、實(shí)施科學(xué)合理的防治措施，能有效地節(jié)省防突整個(gè)過(guò)程及某個(gè)環(huán)節(jié)中的工程量，這樣不僅大大縮短了防治的周期、提高了防突的效果，，更為提高煤礦生產(chǎn)水平、提升礦井安全管理水平、提高礦井經(jīng)濟(jì)效益奠定了堅(jiān)實(shí)的基礎(chǔ)。
【關(guān)鍵詞】：PSO-DE混合算法 煤與瓦斯突出 主成分分析 BP神經(jīng)網(wǎng)絡(luò) 預(yù)測(cè)
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP183;TD713.2
【目錄】：

• 摘要3-5
• ABSTRACT5-10
• 第一章 緒論10-22
• 1.1 引言10
• 1.2 研究的目的與意義10-11
• 1.3 國(guó)內(nèi)外煤與瓦斯突出概況11-13
• 1.3.1 國(guó)外煤與瓦斯突出概況11-12
• 1.3.2 國(guó)內(nèi)煤與瓦斯突出概況12-13
• 1.4 煤與瓦斯突出預(yù)測(cè)研究現(xiàn)狀13-19
• 1.4.1 國(guó)外研究現(xiàn)狀13-15
• 1.4.2 國(guó)內(nèi)研究現(xiàn)狀15-19
• 1.5 差分進(jìn)化算法的國(guó)內(nèi)外研究現(xiàn)狀19-20
• 1.6 本文的研究?jī)?nèi)容及步驟20-22
• 1.6.1 本文的研究?jī)?nèi)容20-21
• 1.6.2 研究步驟21-22
• 第二章 煤與瓦斯突出機(jī)理及影響因素22-32
• 2.1 煤與瓦斯突出機(jī)理研究現(xiàn)狀22-26
• 2.2 煤與瓦斯突出的一般規(guī)律26-27
• 2.3 影響煤與瓦斯突出的主要因素27-30
• 2.3.1 地應(yīng)力27
• 2.3.2 煤層的厚度27-28
• 2.3.3 地質(zhì)構(gòu)造28-29
• 2.3.4 瓦斯參數(shù)29
• 2.3.5 煤體的結(jié)構(gòu)與煤質(zhì)29
• 2.3.6 其他因素29-30
• 2.4 本章小結(jié)30-32
• 第三章 PCA-BP 神經(jīng)網(wǎng)絡(luò)煤與瓦斯突出預(yù)測(cè)模型32-50
• 3.1 影響煤與瓦斯突出因素的主成分分析32-39
• 3.1.1 主成分分析原理32-34
• 3.1.2 煤與瓦斯突出影響因素的主成分分析34-39
• 3.2 人工神經(jīng)網(wǎng)絡(luò)39-41
• 3.2.1 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介39-40
• 3.2.2 神經(jīng)網(wǎng)絡(luò)的組成要素40
• 3.2.3 人工神經(jīng)網(wǎng)絡(luò)的主要算法40-41
• 3.3 BP 神經(jīng)網(wǎng)絡(luò)41-43
• 3.3.1 BP 神經(jīng)網(wǎng)絡(luò)的工作原理41-42
• 3.3.2 BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)步驟42-43
• 3.3.3 BP 神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)43
• 3.4 PCA-BP 神經(jīng)網(wǎng)絡(luò)突出預(yù)測(cè)模型的建立43-49
• 3.4.1 預(yù)測(cè)模型的參數(shù)43-44
• 3.4.2 突出預(yù)測(cè)模型實(shí)驗(yàn)平臺(tái)——MATLB 簡(jiǎn)介44-45
• 3.4.3 突出預(yù)測(cè)模型在 MATLAB 中的實(shí)現(xiàn)45-46
• 3.4.4 PCA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)突出模型的訓(xùn)練及測(cè)試46-49
• 3.5 本章小結(jié)49-50
• 第四章 基于 PCA 的 PSO-DE 混合算法優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型50-64
• 4.1 差分進(jìn)化算法50-53
• 4.1.1 差分進(jìn)化算法的介紹50
• 4.1.2 標(biāo)準(zhǔn)差分算法50-52
• 4.1.3 DE 算法的參數(shù)52
• 4.1.4 DE 算法的主要特點(diǎn)52-53
• 4.2 粒子群算法53-57
• 4.2.1 粒子群算法的發(fā)展53
• 4.2.2 基本粒子群算法的原理53-55
• 4.2.3 粒子群算法的計(jì)算步驟及流程圖55-56
• 4.2.4 粒子群算法的改進(jìn)56-57
• 4.2.5 粒子群算法的主要特點(diǎn)57
• 4.3 基于 PCA 的 PSO-DE 優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型57-62
• 4.3.1 PSO-DE 混合算法的原理57-58
• 4.3.2 PSO-DE 混合算法優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)58-60
• 4.3.3 參數(shù)的設(shè)置60-61
• 4.3.4 基于 PCA 的 PSO-DE 混合算法優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)模型的測(cè)試61-62
• 4.4 本章小結(jié)62-64
• 第五章 突出預(yù)測(cè)模型在屯蘭礦的實(shí)際應(yīng)用64-80
• 5.1 屯蘭礦的概況64-67
• 5.1.1 地理位置64-65
• 5.1.2 煤層賦存65-66
• 5.1.3 開拓方式66-67
• 5.1.4 礦井的通風(fēng)系統(tǒng)67
• 5.2 屯蘭礦的煤與瓦斯突出主要因素的分析67-70
• 5.3 預(yù)測(cè)指標(biāo)的確定70-72
• 5.4 預(yù)測(cè)煤與瓦斯突出指標(biāo)的測(cè)定72-75
• 5.4.1 鉆屑瓦斯解吸指標(biāo)(K 1)的測(cè)定72-73
• 5.4.2 煤的堅(jiān)固系數(shù)(f)的測(cè)定73
• 5.4.3 最大鉆屑量(S)的測(cè)定73-74
• 5.4.4 瓦斯放散初速度(Δp)的測(cè)定74-75
• 5.4.5 鉆孔瓦斯涌出初速度(q0)的測(cè)定75
• 5.5 屯蘭礦煤與瓦斯突出預(yù)測(cè)實(shí)例分析75-78
• 5.6 本章小結(jié)78-80
• 第六章 主要結(jié)論與展望80-82
• 6.1 主要結(jié)論80-81
• 6.2 不足與展望81-82
• 參考文獻(xiàn)82-86
• 附錄86-90
• 致謝90-92
• 在校期間研究成果92

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 郭德勇;李念友;裴大文;鄭登鋒;;煤與瓦斯突出預(yù)測(cè)灰色理論-神經(jīng)網(wǎng)絡(luò)方法[J];北京科技大學(xué)學(xué)報(bào);2007年04期

2 丁興華;陳俊杰;;基于主成分分析法的Web頁(yè)面推薦算法[J];電腦開發(fā)與應(yīng)用;2009年07期

3 文光才,徐三民;煤礦瓦斯防治技術(shù)的新進(jìn)展[J];礦業(yè)安全與環(huán)保;2000年01期

4 秦彥磊;阮欣;肖新偉;;石門揭煤防瓦斯突出技術(shù)研究[J];黑龍江科技信息;2011年29期

5 孫海濤;胡千庭;梁運(yùn)陪;吳教錕;;煤與瓦斯突出預(yù)測(cè)的自適應(yīng)神經(jīng)-模糊推理系統(tǒng)研究[J];河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年04期

6 胡桂武;胡勁松;;遷徙差分進(jìn)化算法集成及其在RNA二級(jí)結(jié)構(gòu)預(yù)測(cè)中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2008年04期

7 陳勇 ,魏忠杰 ,米立公;世界煤炭大國(guó)煤礦安全生產(chǎn)調(diào)查[J];勞動(dòng)保護(hù);2005年06期

8 仇海生;張保泉;;利用煤鉆屑瓦斯解吸指標(biāo)法測(cè)定煤層瓦斯含量[J];煤礦安全;2007年07期

9 肖俊賢;李希建;孟昭君;;模糊聚類評(píng)估法在煤與瓦斯突出預(yù)測(cè)中的應(yīng)用[J];煤炭技術(shù);2011年05期

10 魏風(fēng)清,張晉京;鉆孔瓦斯涌出初速度測(cè)試深度的探討[J];煤炭科學(xué)技術(shù);2004年05期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 鄧明;煤與瓦斯突出早期辨識(shí)與實(shí)時(shí)預(yù)警技術(shù)研究[D];安徽理工大學(xué);2010年

2 楊恒;鶴壁八礦煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)研究[D];遼寧工程技術(shù)大學(xué);2010年

3 段東;煤與瓦斯突出影響因素及微震前兆分析[D];東北大學(xué)　;2009年

  本文關(guān)鍵詞：基于PCA的PSO-DE混合算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在煤與瓦斯突出預(yù)測(cè)中的應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：287023