發(fā)布時間：2021-04-27 03:20

　　針對煤礦瓦斯涌出量預(yù)測中經(jīng)常出現(xiàn)變量難以獲取等問題,為了提高瓦斯涌出量的預(yù)測精度和可靠性,提出將小波包分解方法與極限學(xué)習(xí)機(jī)相結(jié)合,構(gòu)建瓦斯涌出量的小波-極限學(xué)習(xí)機(jī)時變預(yù)測模型。首先,通過小波包分解重構(gòu)將瓦斯涌出量時變序列分解成高、低頻率不同的分量,然后采用極限學(xué)習(xí)機(jī)對小波包分解重構(gòu)后的時間序列進(jìn)行預(yù)測,再疊加預(yù)測值,得到最終的預(yù)測結(jié)果。以山西天池煤礦某工作面瓦斯涌出量監(jiān)測時序樣本為例,為體現(xiàn)模型的優(yōu)越性,設(shè)置2個對照模型,即小波-BP模型和未經(jīng)小波處理的極限學(xué)習(xí)機(jī)模型。結(jié)果表明:該模型預(yù)測相對誤差為0.42%～10.45%,平均相對誤差僅為2.50%,小波-BP模型的預(yù)測相對誤差為0.33%～7.33%,平均相對誤差為3.42%,未經(jīng)小波處理的極限學(xué)習(xí)機(jī)模型的預(yù)測相對誤差為1.59%～13.09%,平均相對誤差為4.25%,小波-極限學(xué)習(xí)機(jī)模型的預(yù)測精度和泛化能力均高于對照模型;小波包分解重構(gòu)方法的引入能有效降低數(shù)據(jù)復(fù)雜度,大幅度提高預(yù)測精度,為瓦斯涌出量時變序列的預(yù)測提供了新的思路。 

【文章來源】：西安科技大學(xué)學(xué)報. 2020,40(05)北大核心

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引 言
1 小波-極限學(xué)習(xí)機(jī)預(yù)測理論
    1.1 小波包分解重構(gòu)
    1.2 極限學(xué)習(xí)機(jī)原理
2 小波-極限學(xué)習(xí)機(jī)預(yù)測方法及實現(xiàn)
3 應(yīng)用與分析
4 結(jié) 論


【參考文獻(xiàn)】：
期刊論文
[1]因子分析法與BP神經(jīng)網(wǎng)絡(luò)耦合模型對回采工作面瓦斯涌出量預(yù)測[J]. 徐剛,王磊,金洪偉,劉沛東.  西安科技大學(xué)學(xué)報. 2019(06)
[2]基于小波包分解的BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測[J]. 王寧,羅汝斌,廖俊,李珺,蔣祎,楊澤川,袁俊杰.  控制與信息技術(shù). 2019(04)
[3]基于IGSA-BP網(wǎng)絡(luò)的瓦斯涌出量預(yù)測模型[J]. 徐耀松,齊翠玉,豐勝成.  電子測量與儀器學(xué)報. 2019(05)
[4]2013—2017年全國煤礦事故統(tǒng)計分析及對策[J]. 蔣星星,李春香.  煤炭工程. 2019(01)
[5]新信息優(yōu)先原則下礦井回采工作面瓦斯涌出量的MUBGM（1,1）-Markov預(yù)測[J]. 田水承,楊雪健,趙娜英,王敏.  西安科技大學(xué)學(xué)報. 2017(06)
[6]瓦斯涌出量的AFSA-ELM預(yù)測模型[J]. 溫廷新,孫雪.  遼寧工程技術(shù)大學(xué)學(xué)報(自然科學(xué)版). 2017(11)
[7]基于因子分析法的瓦斯涌出量預(yù)測指標(biāo)選取[J]. 李樹剛,馬彥陽,林海飛,潘紅宇,趙鵬翔.  西安科技大學(xué)學(xué)報. 2017(04)
[8]基于小波分析的煤礦瓦斯涌出量灰色預(yù)測模型[J]. 郭長娜,王洋洋,吳北平.  計算機(jī)系統(tǒng)應(yīng)用. 2015(03)
[9]基于ACC-ENN算法的煤礦瓦斯涌出量動態(tài)預(yù)測模型研究[J]. 付華,謝森,徐耀松,陳子春.  煤炭學(xué)報. 2014(07)
[10]基于SPSS多元回歸分析的回采工作面瓦斯涌出量預(yù)測[J]. 畢建武,賈進(jìn)章,劉丹.  安全與環(huán)境學(xué)報. 2013(05)

碩士論文
[1]基于小波包分解和希爾伯特黃變換的滾動軸承故障診斷[D]. 熊星.中國科學(xué)技術(shù)大學(xué) 2014



本文編號：3162661