發(fā)布時(shí)間：2017-06-24 13:03

  本文關(guān)鍵詞：基于多元回歸殘差RBF神經(jīng)網(wǎng)絡(luò)修正算法瓦斯涌出量預(yù)測(cè)研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：瓦斯災(zāi)害一直是威脅我國(guó)煤炭開(kāi)采過(guò)程中安全生產(chǎn)的重要因素之一。瓦斯的潛在影響隨著煤層開(kāi)采深度的增加變得更加顯著。回采工作面瓦斯涌出量是礦井瓦斯防治及通風(fēng)設(shè)計(jì)的重要依據(jù),準(zhǔn)確的對(duì)其進(jìn)行預(yù)測(cè)能夠有效防止多種瓦斯災(zāi)害的發(fā)生。因此加強(qiáng)瓦斯涌出量預(yù)測(cè)方法及技術(shù)的研究,提高瓦斯涌出量預(yù)測(cè)的精度,對(duì)改善提高煤炭安全生產(chǎn)具有積極地現(xiàn)實(shí)意義。瓦斯涌出量受到多個(gè)因素影響,多元線性回歸分析能夠確定瓦斯涌出量及其影響因素的數(shù)學(xué)解析式,利用解析式不僅能夠根據(jù)一個(gè)或幾個(gè)變量的數(shù)值預(yù)測(cè)或控制另一個(gè)變量而且能夠進(jìn)行影響因素分析從而確定哪些是重要因素,哪些是次要因素；然而瓦斯涌出量受多種因素制約,是一個(gè)灰色、非線性、復(fù)雜的動(dòng)力學(xué)系統(tǒng),單一線性回歸分析不能很好的反應(yīng)其非線性部分,神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性逼近能力,能夠很好的預(yù)測(cè)回采工作面瓦斯涌出量非線性部分。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單,訓(xùn)練速度快,是一種高效的前饋式神經(jīng)網(wǎng)絡(luò),具有其他前向網(wǎng)絡(luò)所不具備的全局最優(yōu)特性和最佳逼近性能。RBF神經(jīng)網(wǎng)絡(luò)還能克服BP網(wǎng)絡(luò)學(xué)習(xí)時(shí)收斂時(shí)間過(guò)長(zhǎng),易陷入局部最小等問(wèn)題。為了綜合利用上述兩種模型的優(yōu)點(diǎn),更好預(yù)測(cè)瓦斯涌出量,提出了一種多元回歸分析殘差RBF神經(jīng)網(wǎng)絡(luò)修正模型。首先利用數(shù)據(jù)樣本建立瓦斯涌出量多元線性回歸分模型,并用該模型對(duì)瓦斯涌出量進(jìn)行初步預(yù)測(cè),計(jì)算預(yù)測(cè)結(jié)果與實(shí)際瓦斯涌出量的殘差；然后以殘差為因變量,瓦斯涌出量影響因素原始數(shù)據(jù)為自變量,利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)殘差進(jìn)行擬合預(yù)測(cè)；最后利用RBF殘差的預(yù)測(cè)結(jié)果對(duì)瓦斯涌出量預(yù)測(cè)結(jié)果進(jìn)行補(bǔ)償修正。在SPSS19.0環(huán)境下,利用該模型進(jìn)行實(shí)際預(yù)測(cè),預(yù)測(cè)結(jié)果精度有了較大提高,結(jié)果表明：利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)多元回歸分析型進(jìn)行補(bǔ)償,將線性擬合算法和非線性擬合算法結(jié)合起來(lái)用于瓦斯涌出量預(yù)測(cè)是一種較為優(yōu)越的算法。
【關(guān)鍵詞】：瓦斯涌出量 多元回歸分析 徑向基神經(jīng)網(wǎng)絡(luò) 組合 預(yù)測(cè)
【學(xué)位授予單位】：遼寧工程技術(shù)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TD712.5
【目錄】：

• 致謝4-5
• 摘要5-6
• Abstract6-11
• 1 緒論11-17
• 1.1 引言11-12
• 1.2 瓦斯涌出量研究現(xiàn)狀12-14
• 1.2.1 國(guó)外研究現(xiàn)狀12
• 1.2.2 國(guó)內(nèi)研究現(xiàn)狀12-14
• 1.3 研究?jī)?nèi)容14-15
• 1.4 研究方法與技術(shù)路線15-17
• 1.4.1 研究方法15-16
• 1.4.2 技術(shù)路線16-17
• 2 多元線性回歸分析理論17-32
• 2.1 回歸分析基本概念17
• 2.2 多元線性回歸17-28
• 2.2.1 多元線性回歸定義17-18
• 2.2.2 多元線性回歸模型及算法18-20
• 2.2.3 回歸方程及顯著性檢驗(yàn)20-28
• 2.3 多元回歸分析建模方法28-32
• 2.3.1 逐步回歸分析28-30
• 2.3.2 主成分多元回歸分析30-31
• 2.3.3 多元回歸分析建模流程31-32
• 3 多元回歸殘差RBF神經(jīng)網(wǎng)絡(luò)修正算法32-46
• 3.1 RBF神經(jīng)網(wǎng)絡(luò)32-41
• 3.1.1 人工神經(jīng)網(wǎng)絡(luò)32-33
• 3.1.2 人工神經(jīng)網(wǎng)絡(luò)的工作原理及特點(diǎn)33-35
• 3.1.3 RBF神經(jīng)網(wǎng)絡(luò)35
• 3.1.4 RBF函數(shù)35-36
• 3.1.5 RBF神經(jīng)網(wǎng)絡(luò)模型36-37
• 3.1.6 RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)37-39
• 3.1.7 RBF神經(jīng)網(wǎng)絡(luò)優(yōu)勢(shì)39-40
• 3.1.8 RBF神經(jīng)網(wǎng)絡(luò)存在的問(wèn)題40-41
• 3.2 多元回歸分析殘差修RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型41-43
• 3.2.1 組合預(yù)測(cè)方法41-42
• 3.2.2 組合預(yù)測(cè)優(yōu)勢(shì)42
• 3.2.3 多元回歸分析殘差修正RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)42-43
• 3.3 SPSS及特點(diǎn)43-46
• 4 瓦斯涌出因素分析及預(yù)測(cè)指標(biāo)體系確定46-51
• 4.1 瓦斯涌出影響因素分析46-49
• 4.1.1 瓦斯涌出量影響地質(zhì)因素46-48
• 4.1.2 瓦斯涌出量開(kāi)采因素48-49
• 4.1.3 自然因素49
• 4.2 瓦斯涌出量影響因素指標(biāo)體系構(gòu)建49-51
• 4.2.1 構(gòu)建預(yù)測(cè)指標(biāo)體系的原則49-50
• 4.2.2 瓦斯涌出量預(yù)測(cè)指標(biāo)體系構(gòu)建50-51
• 5 瓦斯涌出量多元回歸分析RBF殘差修正算法實(shí)現(xiàn)及應(yīng)用51-67
• 5.1 多元回歸分析瓦斯涌出量預(yù)測(cè)模型51-59
• 5.1.1 逐步回歸分析瓦斯涌出量預(yù)測(cè)51-55
• 5.1.2 主成分回歸分析瓦斯涌出量預(yù)測(cè)55-59
• 5.2 RBF神經(jīng)網(wǎng)絡(luò)瓦斯涌出量預(yù)測(cè)59-61
• 5.3 多元回歸分析殘差RBF修正算法瓦斯涌出量預(yù)測(cè)61-64
• 5.4 結(jié)果比較64-65
• 5.5 工程應(yīng)用65-67
• 結(jié)論67-69
• 展望69-70
• 參考文獻(xiàn)70-72
• 作者簡(jiǎn)歷72-74
• 學(xué)位論文數(shù)據(jù)集74

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 畢建武;賈進(jìn)章;;基于SPSS的PCA-MRA回采工作面瓦斯涌出量預(yù)測(cè)[J];安全與環(huán)境學(xué)報(bào);2014年05期

2 汪發(fā)余;高振滄;畢建武;;基于SPSS組合預(yù)測(cè)算法的煤炭消費(fèi)量預(yù)測(cè)研究[J];資源開(kāi)發(fā)與市場(chǎng);2014年08期

3 畢建武;賈進(jìn)章;劉丹;;基于SPSS多元回歸分析的回采工作面瓦斯涌出量預(yù)測(cè)[J];安全與環(huán)境學(xué)報(bào);2013年05期

4 潘玉民;鄧永紅;張全柱;薛鵬騫;;基于QPSO-RBF的瓦斯涌出量預(yù)測(cè)模型[J];中國(guó)安全科學(xué)學(xué)報(bào);2012年12期

5 付華;姜偉;單欣欣;;基于耦合算法的煤礦瓦斯涌出量預(yù)測(cè)模型研究[J];煤炭學(xué)報(bào);2012年04期

6 王春曉;陳開(kāi)巖;趙紅梅;;基于灰色模型的瓦斯涌出量預(yù)測(cè)[J];煤炭技術(shù);2012年02期

7 呂伏;梁冰;孫維吉;王巖;;基于主成分回歸分析法的回采工作面瓦斯涌出量預(yù)測(cè)[J];煤炭學(xué)報(bào);2012年01期

8 羅景峰;許開(kāi)立;;基于可變模糊組合方法的瓦斯涌出量預(yù)測(cè)[J];中國(guó)安全生產(chǎn)科學(xué)技術(shù);2011年06期

9 羅躍;朱炎銘;王懷勐;李武;張建勝;鐘和清;;分源預(yù)測(cè)法在厚煤層瓦斯涌出量預(yù)測(cè)研究中的應(yīng)用[J];煤炭工程;2011年03期

10 ;Control of facies and fluid potential on hydrocarbon accumulation and prediction of favorable Silurian targets in the Tazhong Uplift,Tarim Basin,China[J];Petroleum Science;2011年01期

  本文關(guān)鍵詞：基于多元回歸殘差RBF神經(jīng)網(wǎng)絡(luò)修正算法瓦斯涌出量預(yù)測(cè)研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：478234