本文關鍵詞：基于神經(jīng)網(wǎng)絡和粒子群優(yōu)化SVM的煤與瓦斯突出預測模型研究，由筆耕文化傳播整理發(fā)布。

【摘要】：我國煤炭資源豐富,煤炭開采量逐年增加,煤炭消費在我國一次能源消費中占有絕對的主導地位,同時,煤炭作為我國能源的基礎,其安全問題已經(jīng)成為我國能源安全的重要內(nèi)容。但是在安全采礦方面仍存在很多問‘題,據(jù)統(tǒng)計,煤與瓦斯突出事故是現(xiàn)在礦難事故的主要方面。安全采礦不僅關系能源安全問題,還關系到到采礦人員安全以及采礦設備安全等各個方面。隨著煤礦開采范圍的不斷擴大,其深度和復雜度也不斷增加,傳統(tǒng)的預測煤與瓦斯突出方法已經(jīng)不能滿足當前的實際需要,需要在現(xiàn)代化的處理方法基礎上,突破傳統(tǒng)方法的束縛,快速對煤與瓦斯突出進行準確預測的研究。本文的研究內(nèi)容主要包括以下幾點： 1,通過對煤與瓦斯突出機理的研究,綜合考慮突出發(fā)生的規(guī)律、過程以及與之相關的主控因素等方面,在借鑒和學習其他優(yōu)秀學者研究成果的基礎上,明確了煤與瓦斯突出是一種復雜的非線性過程。并從綜合方面構建更為全面的煤與瓦斯突出預測模型。 2,本文通過采用兩個均具有非線性、自主學習、自組織以及并行處理能力的BP及RBF人工神經(jīng)網(wǎng)絡,分別對煤與瓦斯突出預測問題進行了建模。在MATLAB環(huán)境下,以預測準確度和收斂速度兩個指標為評判準則,對山西某煤礦實測數(shù)據(jù)進行仿真測試；實驗結(jié)果表明,RBF神經(jīng)網(wǎng)絡較BP神經(jīng)網(wǎng)絡的預測更快速且結(jié)果更準確可靠,在煤與瓦斯突出預測方面更具有實際應用價值。 3,在神經(jīng)網(wǎng)絡預測的基礎上,探尋適合更廣的基于演進算法的粒子群優(yōu)化算法以及基于統(tǒng)計學方法的最小向量機算法的結(jié)合,可以在更廣泛的范圍內(nèi)實現(xiàn)多指標、非線性的預測模型構建。這種算法的引入相對于神經(jīng)網(wǎng)絡在參數(shù)優(yōu)化方面和泛化能力方面均有較大的提升。研究表明,PSO-SVM算法在煤與瓦斯突出預測模型方面有較大的應用空間。
【關鍵詞】：神經(jīng)網(wǎng)絡 支持向量機 粒子群優(yōu)化算法 煤與瓦斯突出 預測模型
【學位授予單位】：太原理工大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TD713
【目錄】：

• 摘要3-5
• ABSTRACT5-11
• 第一章 緒論11-17
• 1.1 煤炭安全生產(chǎn)的重要意義11-12
• 1.2 煤與瓦斯突出問題的現(xiàn)狀12-13
• 1.3 煤與瓦斯突出預測研究需要解決的問題13
• 1.4 人工神經(jīng)網(wǎng)絡發(fā)展現(xiàn)狀13-14
• 1.5 支持向量機的發(fā)展現(xiàn)狀14-15
• 1.6 完成的主要工作15
• 1.7 本文內(nèi)容結(jié)構安排15-17
• 第二章 煤與瓦斯突出及預測問題研究17-33
• 2.1 煤與瓦斯突出17-20
• 2.1.1 突出前的預兆17
• 2.1.2 突出強度劃分17-18
• 2.1.3 煤與瓦斯突出過程18
• 2.1.4 突出發(fā)生的一般規(guī)律18-19
• 2.1.5 煤與瓦斯突出形成主控因素研究19-20
• 2.2 煤與瓦斯突出預測方法研究20-24
• 2.2.1 基于指標(經(jīng)驗知識)的預測方法20-22
• 2.2.2 基于物理學原理的檢測方法22
• 2.2.3 基于數(shù)學模型的預測方法22-23
• 2.2.4 基于黑箱理論的預測方法23-24
• 2.3 神經(jīng)網(wǎng)絡24-28
• 2.3.1 人工神經(jīng)網(wǎng)絡24
• 2.3.2 神經(jīng)網(wǎng)絡特點24-25
• 2.3.3 人工神經(jīng)網(wǎng)絡的模型25
• 2.3.4 人工神經(jīng)網(wǎng)絡的種類25-26
• 2.3.5 神經(jīng)網(wǎng)絡的學習26-27
• 2.3.6 兩種常用神經(jīng)網(wǎng)絡(BP、RBF)的比較27-28
• 2.4 基于神經(jīng)網(wǎng)絡預測方法研究28-29
• 2.5 粒子群優(yōu)化算法29-33
• 第三章 基于BP神經(jīng)網(wǎng)絡的煤與瓦斯突出預測模型研究33-43
• 3.1 BP神經(jīng)網(wǎng)絡33-36
• 3.1.1 BP神經(jīng)網(wǎng)絡的結(jié)構33-34
• 3.1.2 BP神經(jīng)網(wǎng)絡的學習過程34-35
• 3.1.3 BP網(wǎng)絡在解決問題方面的特點35-36
• 3.1.4 BP算法存在的問題及改進36
• 3.2 BP神經(jīng)網(wǎng)絡預測分析36-40
• 3.2.1 預測模型輸入、輸出樣本選擇36-39
• 3.2.2 BP神經(jīng)網(wǎng)絡預測模型的建立39
• 3.2.3 BP神經(jīng)網(wǎng)絡預測模型的訓練及測試39-40
• 3.3 預測結(jié)果分析40-41
• 3.4 本章小結(jié)41-43
• 第四章 基于RBF神經(jīng)網(wǎng)絡的煤與瓦斯突出預測模型的研究43-51
• 4.1 RBF神經(jīng)網(wǎng)絡43-45
• 4.1.1 RBF神經(jīng)網(wǎng)絡的結(jié)構43-44
• 4.1.2 RBF神經(jīng)網(wǎng)絡的兩種模型44-45
• 4.2 RBF神經(jīng)網(wǎng)絡預測分析45-47
• 4.2.1 預測模型輸入、輸出樣本選擇45-46
• 4.2.2 RBF神經(jīng)網(wǎng)絡預測模型的建立46
• 4.2.3 RBF神經(jīng)網(wǎng)絡預測模型的訓練及測試46-47
• 4.3 RBF神經(jīng)網(wǎng)絡預測模型預測結(jié)果分析47-48
• 4.4 本章小結(jié)48-51
• 第五章 基于粒子群優(yōu)化SVM的煤與瓦斯突出預測模型的研究51-71
• 5.1 粒子群優(yōu)化算法51-56
• 5.1.1 算法的數(shù)學描述51
• 5.1.2 算法的參數(shù)選擇51-52
• 5.1.3 粒子群優(yōu)化算法的流程52-53
• 5.1.4 粒子群優(yōu)化算法的特點53-54
• 5.1.5 粒子群優(yōu)化算法的特征54
• 5.1.6 常用的兩種粒子群優(yōu)化算法54-55
• 5.1.7 粒子群優(yōu)化算法與其他算法的比較55-56
• 5.1.8 粒子群優(yōu)化算法的應用研究56
• 5.2 統(tǒng)計學習理論56-58
• 5.3 支持向量機(SVM)理論58-65
• 5.3.1 線性支持向量機59-60
• 5.3.2 線性不可分支持向量機60-62
• 5.3.3 非線性支持向量機62-63
• 5.3.4 核函數(shù)63-64
• 5.3.5 SVM算法的優(yōu)勢64
• 5.3.6 SVM算法的核映射64-65
• 5.3.7 SVM算法的基本流程65
• 5.4 粒子群優(yōu)化支持向量機參數(shù)方法研究65-67
• 5.4.1 參數(shù)優(yōu)化的必要性65-66
• 5.4.2 參數(shù)優(yōu)化算法流程66-67
• 5.5 仿真分析67-70
• 5.6 本章小結(jié)70-71
• 第六章 總結(jié)與展望71-73
• 參考文獻73-77
• 致謝77-79
• 攻讀學位期間發(fā)表的學術論文目錄79

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前9條

1 傅貴,李宣東,李軍;事故的共性原因及其行為科學預防策略[J];安全與環(huán)境學報;2005年01期

2 陳長華;王真;;采空區(qū)自然發(fā)火位置相似模擬模型[J];遼寧工程技術大學學報(自然科學版);2009年S2期

3 戴宏亮;;基于改進的自適應支持向量機建模的煤與瓦斯突出預測[J];計算機應用研究;2009年05期

4 李春輝;陳日輝;蘇恒瑜;;BP神經(jīng)網(wǎng)絡在煤與瓦斯突出預測中的應用[J];礦冶;2010年03期

5 張許良,彭蘇萍,張子戌,袁崇孚;煤與瓦斯突出敏感地質(zhì)指標研究[J];煤田地質(zhì)與勘探;2003年02期

6 王延林;楊勝強;歐曉英;;灰色關聯(lián)分析在煤與瓦斯突出預測中的應用[J];煤炭技術;2009年03期

7 李遠紅;;煤巖物理力學性質(zhì)對煤與瓦斯突出的影響研究[J];煤炭技術;2011年10期

8 伍愛友,肖紅飛,王從陸,何利文;煤與瓦斯突出控制因素加權灰色關聯(lián)模型的建立與應用[J];煤炭學報;2005年01期

9 田云麗;周利華;;基于BP神經(jīng)網(wǎng)絡的煤與瓦斯突出預測方法的研究[J];系統(tǒng)工程理論與實踐;2005年12期

  本文關鍵詞：基于神經(jīng)網(wǎng)絡和粒子群優(yōu)化SVM的煤與瓦斯突出預測模型研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：490342