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

【摘要】：我國(guó)煤炭資源豐富,煤炭開(kāi)采量逐年增加,煤炭消費(fèi)在我國(guó)一次能源消費(fèi)中占有絕對(duì)的主導(dǎo)地位,同時(shí),煤炭作為我國(guó)能源的基礎(chǔ),其安全問(wèn)題已經(jīng)成為我國(guó)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(wèn)‘題,據(jù)統(tǒng)計(jì),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(guān)系能源安全問(wèn)題,還關(guān)系到到采礦人員安全以及采礦設(shè)備安全等各個(gè)方面。隨著煤礦開(kāi)采范圍的不斷擴(kuò)大,其深度和復(fù)雜度也不斷增加,傳統(tǒng)的預(yù)測(cè)煤與瓦斯突出方法已經(jīng)不能滿足當(dāng)前的實(shí)際需要,需要在現(xiàn)代化的處理方法基礎(chǔ)上,突破傳統(tǒng)方法的束縛,快速對(duì)煤與瓦斯突出進(jìn)行準(zhǔn)確預(yù)測(cè)的研究。本文的研究?jī)?nèi)容主要包括以下幾點(diǎn)： 1,通過(guò)對(duì)煤與瓦斯突出機(jī)理的研究,綜合考慮突出發(fā)生的規(guī)律、過(guò)程以及與之相關(guān)的主控因素等方面,在借鑒和學(xué)習(xí)其他優(yōu)秀學(xué)者研究成果的基礎(chǔ)上,明確了煤與瓦斯突出是一種復(fù)雜的非線性過(guò)程。并從綜合方面構(gòu)建更為全面的煤與瓦斯突出預(yù)測(cè)模型。 2,本文通過(guò)采用兩個(gè)均具有非線性、自主學(xué)習(xí)、自組織以及并行處理能力的BP及RBF人工神經(jīng)網(wǎng)絡(luò),分別對(duì)煤與瓦斯突出預(yù)測(cè)問(wèn)題進(jìn)行了建模。在MATLAB環(huán)境下,以預(yù)測(cè)準(zhǔn)確度和收斂速度兩個(gè)指標(biāo)為評(píng)判準(zhǔn)則,對(duì)山西某煤礦實(shí)測(cè)數(shù)據(jù)進(jìn)行仿真測(cè)試；實(shí)驗(yàn)結(jié)果表明,RBF神經(jīng)網(wǎng)絡(luò)較BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)更快速且結(jié)果更準(zhǔn)確可靠,在煤與瓦斯突出預(yù)測(cè)方面更具有實(shí)際應(yīng)用價(jià)值。 3,在神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的基礎(chǔ)上,探尋適合更廣的基于演進(jìn)算法的粒子群優(yōu)化算法以及基于統(tǒng)計(jì)學(xué)方法的最小向量機(jī)算法的結(jié)合,可以在更廣泛的范圍內(nèi)實(shí)現(xiàn)多指標(biāo)、非線性的預(yù)測(cè)模型構(gòu)建。這種算法的引入相對(duì)于神經(jīng)網(wǎng)絡(luò)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(yù)測(cè)模型方面有較大的應(yīng)用空間。
【關(guān)鍵詞】：神經(jīng)網(wǎng)絡(luò) 支持向量機(jī) 粒子群優(yōu)化算法 煤與瓦斯突出 預(yù)測(cè)模型
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：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(wèn)題的現(xiàn)狀12-13
• 1.3 煤與瓦斯突出預(yù)測(cè)研究需要解決的問(wèn)題13
• 1.4 人工神經(jīng)網(wǎng)絡(luò)發(fā)展現(xiàn)狀13-14
• 1.5 支持向量機(jī)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(gòu)安排15-17
• 第二章 煤與瓦斯突出及預(yù)測(cè)問(wèn)題研究17-33
• 2.1 煤與瓦斯突出17-20
• 2.1.1 突出前的預(yù)兆17
• 2.1.2 突出強(qiáng)度劃分17-18
• 2.1.3 煤與瓦斯突出過(guò)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(yù)測(cè)方法研究20-24
• 2.2.1 基于指標(biāo)(經(jīng)驗(yàn)知識(shí))的預(yù)測(cè)方法20-22
• 2.2.2 基于物理學(xué)原理的檢測(cè)方法22
• 2.2.3 基于數(shù)學(xué)模型的預(yù)測(cè)方法22-23
• 2.2.4 基于黑箱理論的預(yù)測(cè)方法23-24
• 2.3 神經(jīng)網(wǎng)絡(luò)24-28
• 2.3.1 人工神經(jīng)網(wǎng)絡(luò)24
• 2.3.2 神經(jīng)網(wǎng)絡(luò)特點(diǎn)24-25
• 2.3.3 人工神經(jīng)網(wǎng)絡(luò)的模型25
• 2.3.4 人工神經(jīng)網(wǎng)絡(luò)的種類25-26
• 2.3.5 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)26-27
• 2.3.6 兩種常用神經(jīng)網(wǎng)絡(luò)(BP、RBF)的比較27-28
• 2.4 基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)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(luò)的煤與瓦斯突出預(yù)測(cè)模型研究33-43
• 3.1 BP神經(jīng)網(wǎng)絡(luò)33-36
• 3.1.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)33-34
• 3.1.2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程34-35
• 3.1.3 BP網(wǎng)絡(luò)在解決問(wèn)題方面的特點(diǎn)35-36
• 3.1.4 BP算法存在的問(wèn)題及改進(jìn)36
• 3.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分析36-40
• 3.2.1 預(yù)測(cè)模型輸入、輸出樣本選擇36-39
• 3.2.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的建立39
• 3.2.3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練及測(cè)試39-40
• 3.3 預(yù)測(cè)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(luò)的煤與瓦斯突出預(yù)測(cè)模型的研究43-51
• 4.1 RBF神經(jīng)網(wǎng)絡(luò)43-45
• 4.1.1 RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)43-44
• 4.1.2 RBF神經(jīng)網(wǎng)絡(luò)的兩種模型44-45
• 4.2 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分析45-47
• 4.2.1 預(yù)測(cè)模型輸入、輸出樣本選擇45-46
• 4.2.2 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的建立46
• 4.2.3 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練及測(cè)試46-47
• 4.3 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)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(yù)測(cè)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(xué)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(diǎn)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(yīng)用研究56
• 5.2 統(tǒng)計(jì)學(xué)習(xí)理論56-58
• 5.3 支持向量機(jī)(SVM)理論58-65
• 5.3.1 線性支持向量機(jī)59-60
• 5.3.2 線性不可分支持向量機(jī)60-62
• 5.3.3 非線性支持向量機(jī)62-63
• 5.3.4 核函數(shù)63-64
• 5.3.5 SVM算法的優(yōu)勢(shì)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(jī)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(xiàn)73-77
• 致謝77-79
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄79

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前9條

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

2 陳長(zhǎng)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(shù)大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年S2期

3 戴宏亮;;基于改進(jìn)的自適應(yīng)支持向量機(jī)建模的煤與瓦斯突出預(yù)測(cè)[J];計(jì)算機(jī)應(yīng)用研究;2009年05期

4 李春輝;陳日輝;蘇恒瑜;;BP神經(jīng)網(wǎng)絡(luò)在煤與瓦斯突出預(yù)測(cè)中的應(yīng)用[J];礦冶;2010年03期

5 張?jiān)S良,彭蘇萍,張子戌,袁崇孚;煤與瓦斯突出敏感地質(zhì)指標(biāo)研究[J];煤田地質(zhì)與勘探;2003年02期

6 王延林;楊勝?gòu)?qiáng);歐曉英;;灰色關(guān)聯(lián)分析在煤與瓦斯突出預(yù)測(cè)中的應(yīng)用[J];煤炭技術(shù);2009年03期

7 李遠(yuǎn)紅;;煤巖物理力學(xué)性質(zhì)對(duì)煤與瓦斯突出的影響研究[J];煤炭技術(shù);2011年10期

8 伍愛(ài)友,肖紅飛,王從陸,何利文;煤與瓦斯突出控制因素加權(quán)灰色關(guān)聯(lián)模型的建立與應(yīng)用[J];煤炭學(xué)報(bào);2005年01期

9 田云麗;周利華;;基于BP神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)方法的研究[J];系統(tǒng)工程理論與實(shí)踐;2005年12期

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

，

本文編號(hào)：490342