隨著煤炭需求的增加,煤與瓦斯突出的動(dòng)力災(zāi)害事故頻繁發(fā)生且日益嚴(yán)重。因此,有必要研究煤與瓦斯突出危險(xiǎn)性預(yù)測(cè),以實(shí)現(xiàn)其快速且準(zhǔn)確的預(yù)測(cè)。但是在現(xiàn)實(shí)的生活中,煤與瓦斯突出的事件遠(yuǎn)少于不突出的事件,且突出強(qiáng)度也不同,因此收集到的數(shù)據(jù)樣本是非均衡數(shù)據(jù),數(shù)據(jù)集的不均衡直接影響到分類預(yù)測(cè)的準(zhǔn)確性,因此本文主要是在非均衡數(shù)據(jù)應(yīng)對(duì)策略下,從數(shù)據(jù)和算法兩個(gè)方面對(duì)煤與瓦斯突出的問題進(jìn)行研究,提出了基于GREA-PCA數(shù)據(jù)處理的IFOA-ELM預(yù)測(cè)模型。首先對(duì)于非均衡數(shù)據(jù)采取欠采樣策略、過采樣策略或改變?cè)u(píng)價(jià)指標(biāo)應(yīng)對(duì)策略,之后在數(shù)據(jù)上主要是利用灰色關(guān)聯(lián)分析和熵權(quán)法結(jié)合的灰色關(guān)聯(lián)熵（GREA）提取主要的影響因素、利用主成分分析（PCA）降低維度。在算法上主要是通過改進(jìn)果蠅優(yōu)化算法的初始位置維度、果蠅個(gè)體搜索步長以及在迭代更新中引入群體適應(yīng)度方差等策略,來形成IFOA算法并優(yōu)化極限學(xué)習(xí)機(jī)的權(quán)值與閾值,構(gòu)建IFOA-ELM預(yù)測(cè)模型。最后,在python平臺(tái)上應(yīng)用UCI數(shù)據(jù)集中fertility數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn),實(shí)驗(yàn)發(fā)現(xiàn)過采樣策略與改變?cè)u(píng)價(jià)指標(biāo)策略下的預(yù)測(cè)準(zhǔn)確率高于欠采樣策略。且三種策略下,經(jīng)過GREA-PCA處理后... 

【文章來源】：遼寧工程技術(shù)大學(xué)遼寧省

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

技術(shù)路線圖

取以及激活函數(shù)的選取對(duì)于ELM算法的實(shí)現(xiàn)效果非常重要，因此本文主要是借鑒“試錯(cuò)法”的思想，通過試驗(yàn)的方法來選取不同隱含層神經(jīng)元數(shù)目以及不同激活函數(shù)，使得IFOA-ELM模型的預(yù)測(cè)效果較好，找到較好的隱含層神經(jīng)元數(shù)目和激活函數(shù)。設(shè)置隱含層神經(jīng)元數(shù)目的待選區(qū)間為[1,30]，激活函數(shù)的待選集合為{tanh,sine,sigmoid}。通過進(jìn)行多次重復(fù)試驗(yàn)，最終確定的IFOA-ELM模型的激活函數(shù)為tanh函數(shù)，隱含層神經(jīng)元數(shù)目為9。找到效果較好的隱含層神經(jīng)元數(shù)目和激活函數(shù)之后，對(duì)測(cè)試的5條數(shù)據(jù)進(jìn)行預(yù)測(cè)。模型的預(yù)測(cè)值與真實(shí)值對(duì)比折線圖如圖2.1所示。通過觀察形成的對(duì)比折線圖發(fā)現(xiàn)，經(jīng)過GREA-PCA處理之后的IFOA-ELM模型的預(yù)測(cè)僅存在1個(gè)預(yù)測(cè)錯(cuò)誤，預(yù)測(cè)的準(zhǔn)確率為80%。圖2.1欠采樣策略下GREA-PCA數(shù)據(jù)處理的IFOA-ELM模型預(yù)測(cè)效果Figure2.1IFOA-ELMmodel’spredictionforGREA-PCAdataprocessingofundersamplingstrategy

遼寧工程技術(shù)大學(xué)碩士學(xué)位論文17上述主要是在數(shù)據(jù)進(jìn)行GREA-PCA處理的試驗(yàn)，為了驗(yàn)證GREA-PCA對(duì)數(shù)據(jù)處理的有效性，本文設(shè)置兩種條件下的數(shù)據(jù)，即數(shù)據(jù)集未進(jìn)行GREA-PCA處理的樣本數(shù)據(jù)和數(shù)據(jù)集進(jìn)行GREA-PCA處理的樣本數(shù)據(jù)。這兩種條件下選取同樣的18條樣本數(shù)據(jù)作為訓(xùn)練樣本，5條樣本數(shù)據(jù)作為測(cè)試樣本，之后再使用IFOA-ELM模型分別在兩種條件下進(jìn)行預(yù)測(cè)效果對(duì)比。數(shù)據(jù)集未進(jìn)行GREA-PCA處理的預(yù)測(cè)效果如圖2.2所示。由圖2.2可知，數(shù)據(jù)集未進(jìn)行處理（NOGREA-PCA）條件下，模型測(cè)試樣本存在2個(gè)樣本的預(yù)測(cè)錯(cuò)誤，預(yù)測(cè)的準(zhǔn)確率為60%。而由圖2.1可知，數(shù)據(jù)集進(jìn)行處理（GREA-PCA）條件下，模型測(cè)試樣本的存在1個(gè)樣本錯(cuò)誤。通過對(duì)比兩個(gè)預(yù)測(cè)的結(jié)果，發(fā)現(xiàn)數(shù)據(jù)集進(jìn)行GREA-PCA處理可以有效提高IFOA-ELM模型的預(yù)測(cè)效果。圖2.2欠采樣策略下NOGREA-PCA數(shù)據(jù)處理的IFOA-ELM模型預(yù)測(cè)效果Figure2.2IFOA-ELMmodel’spredictionforNOGREA-PCAdataprocessingofundersamplingstrategy為驗(yàn)證IFOA-ELM模型比其他模型在分類預(yù)測(cè)上有優(yōu)勢(shì)，在數(shù)據(jù)集進(jìn)行GREA-PCA處理的條件下，對(duì)比IFOA-ELM模型、ELM模型以及FOA-ELM模型三者的預(yù)測(cè)效果。預(yù)測(cè)結(jié)果如圖2.3、圖2.4所示，ELM模型預(yù)測(cè)存在3個(gè)預(yù)測(cè)錯(cuò)誤，預(yù)測(cè)的準(zhǔn)確率僅僅是40%，F(xiàn)OA-ELM模型預(yù)測(cè)存在2個(gè)預(yù)測(cè)錯(cuò)誤，預(yù)測(cè)的準(zhǔn)確率為60%。將圖2.1和圖2.3、圖2.4進(jìn)行對(duì)比可以看出IFOA-ELM模型的預(yù)測(cè)效果最好，準(zhǔn)確率最高。圖2.3欠采樣策略下GREA-PCA數(shù)據(jù)處理的ELM模型預(yù)測(cè)效果Figure2.3ELMmodel’spredictionforGREA-PCAdataprocessingofundersamplingstrategy


本文編號(hào)：2995646