煤與瓦斯突出是煤礦煤炭生產(chǎn)過(guò)程中面臨的主要?jiǎng)恿?zāi)害之一。研究表明,在發(fā)生過(guò)煤與瓦斯突出事故的礦井中,煤層均發(fā)育一定程度的構(gòu)造煤,且構(gòu)造煤厚度越大,瓦斯突出的危險(xiǎn)性越嚴(yán)重。因此,如果能夠準(zhǔn)確預(yù)測(cè)出煤層中構(gòu)造煤的分布,將對(duì)煤礦的安全管理和煤層氣的開(kāi)發(fā)與利用起到至關(guān)重要的作用。針對(duì)目前構(gòu)造煤分布預(yù)測(cè)方法精度不高的問(wèn)題,本文提出了利用深度置信網(wǎng)絡(luò)對(duì)構(gòu)造煤分布進(jìn)行預(yù)測(cè)。首先,利用主成分分析技術(shù)對(duì)三維地震屬性進(jìn)行降維處理,在降低地震屬性維數(shù)的同時(shí),消除變量之間的相關(guān)性;然后,針對(duì)受限玻爾茲曼機(jī)只能接受二進(jìn)制輸入而導(dǎo)致數(shù)據(jù)丟失的問(wèn)題,構(gòu)建了包含一層連續(xù)受限玻爾茲曼機(jī)的深度置信網(wǎng)絡(luò)預(yù)測(cè)模型,訓(xùn)練過(guò)程中利用BP神經(jīng)網(wǎng)絡(luò)有監(jiān)督的對(duì)整個(gè)模型進(jìn)行微調(diào)。同時(shí),為了提高預(yù)測(cè)模型的準(zhǔn)確性,采用了多層感知機(jī)結(jié)合softmax回歸輸出預(yù)測(cè)結(jié)果,有效的提升了預(yù)測(cè)模型的性能。最后,本文將預(yù)測(cè)模型應(yīng)用到蘆嶺煤礦Ⅱ六采區(qū)8煤層,預(yù)測(cè)得到的采區(qū)構(gòu)造煤分布與實(shí)際地質(zhì)資料具有較高的一致性。將該優(yōu)化模型與SVM模型及ELM模型進(jìn)行對(duì)比試驗(yàn),最終取得了更好的預(yù)測(cè)結(jié)果。因此,本文提出的預(yù)測(cè)模型預(yù)測(cè)精度較高,預(yù)測(cè)誤差較小,可以推廣應(yīng)用于實(shí)際... 

【文章來(lái)源】：中國(guó)礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
abstract
1 緒論
    1.1 選題背景和研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 研究?jī)?nèi)容
    1.4 本文的組織結(jié)構(gòu)
2 深度學(xué)習(xí)理論基礎(chǔ)
    2.1 神經(jīng)網(wǎng)絡(luò)模型
    2.2 深度學(xué)習(xí)模型
    2.3 激活函數(shù)及邏輯斯蒂回歸
    2.4 模型預(yù)測(cè)精度指標(biāo)
    2.5 本章小結(jié)
3 基于深度置信網(wǎng)絡(luò)的構(gòu)造煤分布預(yù)測(cè)模型
    3.1 模型數(shù)據(jù)預(yù)處理
    3.2 深度置信網(wǎng)絡(luò)預(yù)測(cè)模型
    3.3 實(shí)驗(yàn)測(cè)試及結(jié)果
    3.4 本章小結(jié)
4 優(yōu)化的MLP-DBN預(yù)測(cè)模型研究
    4.1 多層感知機(jī)
    4.2 連續(xù)受限玻爾茲曼機(jī)
    4.3 模型建立測(cè)試
    4.4 本章小結(jié)
5 深度置信網(wǎng)絡(luò)預(yù)測(cè)構(gòu)造煤分布實(shí)例研究
    5.1 研究區(qū)概況
    5.2 地震屬性數(shù)據(jù)預(yù)處理
    5.3 構(gòu)造煤分布預(yù)測(cè)
    5.4 本章小結(jié)
6 結(jié)論
    6.1 研究成果
    6.2 展望
參考文獻(xiàn)
作者簡(jiǎn)歷
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)多層感知機(jī)的手寫(xiě)數(shù)字識(shí)別[J]. 何平,劉紫燕.  通信技術(shù). 2018(09)
[2]基于多層感知機(jī)的蛋白質(zhì)變性溫度預(yù)測(cè)[J]. 丁雪松,黃立群,張步忠,楊洋,呂強(qiáng).  計(jì)算機(jī)應(yīng)用研究. 2019(08)
[3]基于BP神經(jīng)網(wǎng)絡(luò)的軌道電路故障診斷[J]. 曹雲(yún)夢(mèng),邊冰,張?zhí)炱?  華北理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(01)
[4]基于BP神經(jīng)網(wǎng)絡(luò)的心電信號(hào)智能診斷設(shè)計(jì)[J]. 陳茜,歐陽(yáng)繩武,馬新宇,謝泉.  現(xiàn)代電子技術(shù). 2018(01)
[5]基于改進(jìn)深度置信網(wǎng)絡(luò)的大棚冬棗病蟲(chóng)害預(yù)測(cè)模型[J]. 張善文,張傳雷,丁軍.  農(nóng)業(yè)工程學(xué)報(bào). 2017(19)
[6]基于改進(jìn)的深度信念網(wǎng)絡(luò)的人臉表情識(shí)別[J]. 黃壽喜,邱衛(wèi)根.  計(jì)算機(jī)工程與設(shè)計(jì). 2017(06)
[7]城市物流效率分析自適應(yīng)DBN算法研究[J]. 李楠.  計(jì)算機(jī)工程與應(yīng)用. 2017(12)
[8]Gabor特征與深度信念網(wǎng)絡(luò)結(jié)合的人臉識(shí)別方法[J]. 楊瑞,張?jiān)苽?茍爽,支艷利.  傳感器與微系統(tǒng). 2017(05)
[9]基于快速去噪和深度信念網(wǎng)絡(luò)的高光譜圖像分類方法[J]. 高鑫,歐陽(yáng)寧,袁華.  桂林電子科技大學(xué)學(xué)報(bào). 2016(06)
[10]采用局部二值模式與深度信念網(wǎng)絡(luò)的人臉識(shí)別[J]. 吳進(jìn),嚴(yán)輝,王潔.  電訊技術(shù). 2016(10)

博士論文
[1]構(gòu)造煤結(jié)構(gòu)演化及成因機(jī)制[D]. 李明.中國(guó)礦業(yè)大學(xué) 2013

碩士論文
[1]主成分分析法研究及其在特征提取中的應(yīng)用[D]. 陳佩.陜西師范大學(xué) 2014
[2]BP神經(jīng)網(wǎng)絡(luò)的研究分析及改進(jìn)應(yīng)用[D]. 李友坤.安徽理工大學(xué) 2012
[3]BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)研究及應(yīng)用[D]. 劉天舒.東北農(nóng)業(yè)大學(xué) 2011



本文編號(hào)：3159052