本文關(guān)鍵詞：基于改進(jìn)PCA-ELM的煤與瓦斯突出軟測(cè)量研究

  更多相關(guān)文章： 煤與瓦斯突出 軟測(cè)量 主成分分析 粒子群優(yōu)化算法 極端學(xué)習(xí)機(jī)

【摘要】：煤與瓦斯突出是一種礦井動(dòng)力災(zāi)害,嚴(yán)重威脅著煤礦安全生產(chǎn)和人員生命財(cái)產(chǎn)安全,因此是煤礦要重點(diǎn)防控對(duì)象之—。本文在充分的分析煤與瓦斯突出發(fā)生機(jī)理的基礎(chǔ)上,深入的研究了影響突出的各種因素,提出了基于改進(jìn)PCA-ELM的軟測(cè)量模型,應(yīng)用于煤與瓦斯突出預(yù)測(cè)。本文以煤與瓦斯突出軟測(cè)量為出發(fā)點(diǎn),圍繞建模過(guò)程中的幾個(gè)關(guān)鍵技術(shù)問(wèn)題,主要進(jìn)行了以下幾個(gè)方面的工作：(1)全面分析煤與瓦斯突出機(jī)理和主要影響因素,并探討和分析了影響其精確性的主要因素：數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、輔助變量選擇、建模方法等。(2)通過(guò)對(duì)數(shù)據(jù)預(yù)處理和輔助變量選擇兩個(gè)關(guān)鍵技術(shù)問(wèn)題,研究提高煤與瓦斯突出軟測(cè)量精度和可行性的方法：數(shù)據(jù)預(yù)處理方面,對(duì)采集到的數(shù)據(jù)進(jìn)行誤差分析與處理；輔助變量選取方面,引入主成分分析理論進(jìn)行優(yōu)化選取,降低維數(shù),去除冗余信息,提高模型的精確度和計(jì)算效率。(3)由于極端學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層的閡值是隨機(jī)確定的,對(duì)極端學(xué)習(xí)機(jī)產(chǎn)生不確定性影響。利用粒子群優(yōu)化算法優(yōu)化選取極端學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層閾值,對(duì)極端學(xué)習(xí)機(jī)算法進(jìn)行改進(jìn),并采用改進(jìn)的ELM算法進(jìn)行軟測(cè)量建模,并與BP神經(jīng)網(wǎng)絡(luò)、ELM的建模方法進(jìn)行性能比較。結(jié)果顯示基于改進(jìn)PCA-ELM算法的軟測(cè)量模型具有穩(wěn)定性高、泛化性能強(qiáng)和預(yù)測(cè)能力好等優(yōu)點(diǎn)。
【關(guān)鍵詞】：煤與瓦斯突出 軟測(cè)量 主成分分析 粒子群優(yōu)化算法 極端學(xué)習(xí)機(jī)
【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】：2014
【分類(lèi)號(hào)】：TD713
【目錄】：

• 致謝4-5
• 摘要5-6
• Abstract6-10
• 1 緒論10-18
• 1.1 課題背景和意義10
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀10-15
• 1.2.1 煤與瓦斯突出機(jī)理研究現(xiàn)狀10-12
• 1.2.2 煤與瓦斯突出預(yù)測(cè)研究現(xiàn)狀12-15
• 1.3 本文研究?jī)?nèi)容與結(jié)構(gòu)安排15-18
• 1.3.1 主要研究?jī)?nèi)容15-16
• 1.3.2 文章結(jié)構(gòu)安排與技術(shù)路線(xiàn)16-18
• 2 軟測(cè)量理論基礎(chǔ)18-27
• 2.1 引言18
• 2.2 軟測(cè)量原理18-19
• 2.3 軟測(cè)量模型的實(shí)現(xiàn)19-21
• 2.3.1 輔助變量的選擇19-20
• 2.3.2 數(shù)據(jù)預(yù)處理20-21
• 2.3.3 建模方法的選擇21
• 2.3.4 軟測(cè)量模型的校正21
• 2.4 軟測(cè)量建模方法21-25
• 2.5 軟測(cè)量研究發(fā)展趨勢(shì)25-26
• 2.6 本章小節(jié)26-27
• 3 煤與瓦斯突出軟測(cè)量模型的輔助變量選取27-41
• 3.1 煤與瓦斯突出的影響因素27-30
• 3.1.1 瓦斯因素27-28
• 3.1.2 地應(yīng)力因素28-29
• 3.1.3 地質(zhì)構(gòu)造29
• 3.1.4 煤層厚度29
• 3.1.5 煤體結(jié)構(gòu)和煤質(zhì)29-30
• 3.2 數(shù)據(jù)處理30-32
• 3.2.1 誤差處理30-31
• 3.2.2 數(shù)據(jù)標(biāo)準(zhǔn)化31-32
• 3.3 主成分分析法的原理32-36
• 3.3.1 主成分分析法的原理32
• 3.3.2 主成分分析法的數(shù)學(xué)模型32-33
• 3.3.3 主成分分析的幾何解釋33-34
• 3.3.4 主成分分析法步驟34-36
• 3.4 煤與瓦斯突出輔助變量選取36-40
• 3.4.1 數(shù)據(jù)采集與預(yù)處理36-38
• 3.4.2 主成分分析38-40
• 3.5 本章小節(jié)40-41
• 4 改進(jìn)PCA-ELM的煤與瓦斯突出預(yù)測(cè)41-55
• 4.1 極端學(xué)習(xí)機(jī)理論41-45
• 4.1.1 極端學(xué)習(xí)機(jī)的提出41-42
• 4.1.2 單隱層前饋神經(jīng)網(wǎng)絡(luò)42-43
• 4.1.3 極端學(xué)習(xí)機(jī)算法描述43-45
• 4.2 粒子群優(yōu)化算法45-49
• 4.2.1 粒子群算法基本原理45-46
• 4.2.2 粒子群算法參數(shù)選取46-48
• 4.2.3 粒子群算法流程48-49
• 4.3 粒子群優(yōu)化極端學(xué)習(xí)機(jī)49-50
• 4.4 PSO-ELM性能分析50-52
• 4.5 改進(jìn)PCA-ELM在煤與瓦斯軟測(cè)量中的應(yīng)用52-54
• 4.6 本章小節(jié)54-55
• 5 結(jié)論與展望55-56
• 5.1 本文總結(jié)55
• 5.2 展望55-56
• 參考文獻(xiàn)56-59
• 作者簡(jiǎn)歷59-61
• 學(xué)位論文數(shù)據(jù)集61

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 梁冰;秦冰;孫維吉;王少遠(yuǎn);石迎爽;;智能加權(quán)灰靶決策模型在煤與瓦斯突出危險(xiǎn)評(píng)價(jià)中的應(yīng)用[J];煤炭學(xué)報(bào);2013年09期

2 許新征;丁世飛;楊勝?gòu)?qiáng);趙作鵬;吳祥;;煤與瓦斯突出的PCA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型研究[J];計(jì)算機(jī)工程與應(yīng)用;2011年28期

3 楊敏;汪云甲;程遠(yuǎn)平;;煤與瓦斯突出預(yù)測(cè)的改進(jìn)差分進(jìn)化神經(jīng)網(wǎng)絡(luò)模型研究[J];中國(guó)礦業(yè)大學(xué)學(xué)報(bào);2009年03期

4 王峰;邢科義;徐小平;;系統(tǒng)辨識(shí)的粒子群優(yōu)化方法[J];西安交通大學(xué)學(xué)報(bào);2009年02期

5 朱玉;張虹;蘇成;;基于免疫遺傳算法的煤與瓦斯突出預(yù)測(cè)研究[J];中國(guó)礦業(yè)大學(xué)學(xué)報(bào);2009年01期

6 撒占友;何學(xué)秋;王恩元;;煤與瓦斯突出危險(xiǎn)性電磁輻射異常判識(shí)方法[J];煤炭學(xué)報(bào);2008年12期

7 付建華;程遠(yuǎn)平;;中國(guó)煤礦煤與瓦斯突出現(xiàn)狀及防治對(duì)策[J];采礦與安全工程學(xué)報(bào);2007年03期

8 陳國(guó)初;俞金壽;;兩群微粒群優(yōu)化算法及其應(yīng)用[J];控制理論與應(yīng)用;2007年02期

9 ;Endpoint Prediction of EAF Based on Multiple Support Vector Machines[J];Journal of Iron and Steel Research(International);2007年02期

10 陳曦;蔣加伏;;免疫粒子群優(yōu)化算法求解旅行商問(wèn)題[J];計(jì)算機(jī)與數(shù)字工程;2006年06期

，

本文編號(hào)：515657