本文關(guān)鍵詞：基于MPSO-LS-SVM算法的瓦斯涌出量預(yù)測研究

  更多相關(guān)文章： 最小二乘支持向量機(jī) 粒子群算法 瓦斯涌出量 預(yù)測 MPSO-LS-SVM算法

【摘要】：煤礦瓦斯涌出是礦井瓦斯災(zāi)害中最危險的災(zāi)害之一,對礦井災(zāi)害進(jìn)行預(yù)防和控制已經(jīng)成為礦井安全工作中的重中之重。由于影響瓦斯涌出量的因素是動態(tài)非線性的,并且這些影響因素與瓦斯涌出量之間呈現(xiàn)不確定且非線性的關(guān)系,使瓦斯涌出量預(yù)測存在一定難度。因此,如何構(gòu)建具有較強(qiáng)泛化能力的模型來對瓦斯涌出量進(jìn)行精準(zhǔn)預(yù)測,是礦井瓦斯涌出量預(yù)測研究領(lǐng)域中需要解決的問題。本文針對礦井安全生產(chǎn)的需要,以影響瓦斯涌出量的因素為研究對象,以礦井瓦斯涌出量預(yù)測為目的,通過研究粒子群算法和最小二乘支持向量機(jī)的理論,提出了利用改進(jìn)粒子群算法優(yōu)化最小二乘支持向量機(jī)的瓦斯涌出量預(yù)測模型。用最小二乘支持向量機(jī)代替了支持向量機(jī)對瓦斯涌出量進(jìn)行預(yù)測,使計(jì)算過程復(fù)雜性大大降低了,同時訓(xùn)練效率也得到了提高。由于最小二乘支持向量機(jī)參數(shù)選擇不同而對模型訓(xùn)練時間、預(yù)測誤差產(chǎn)生不同的影響,利用粒子群算法來優(yōu)化懲罰因子C和核寬度系數(shù)σ。分析了標(biāo)準(zhǔn)粒子群算法的運(yùn)行機(jī)理以及各參數(shù)設(shè)置對算法性能的影響。對于粒子群算法容易陷入局部最優(yōu)的缺點(diǎn),論文對粒子群算法中的慣性權(quán)重w進(jìn)行改進(jìn),并引入收斂因子χ,提出了改進(jìn)粒子群算法。該算法在克服局部收斂的同時加快了收斂速度,更能適應(yīng)復(fù)雜的優(yōu)化問題。采用改進(jìn)粒子群優(yōu)化的最小二乘支持向量機(jī)對瓦斯涌出量進(jìn)行預(yù)測,并利用監(jiān)測到的瓦斯涌出量歷史數(shù)據(jù)進(jìn)行仿真,實(shí)驗(yàn)結(jié)果表明該模型與標(biāo)準(zhǔn)粒子群優(yōu)化的最小二乘支持向量機(jī)模型、BP神經(jīng)網(wǎng)絡(luò)模型相比,收斂速度快、收斂精度高、預(yù)測誤差低,表明了該方法具有很好的可行性和有效性,能夠?qū)ν咚褂砍隽窟M(jìn)行準(zhǔn)確預(yù)測。
【關(guān)鍵詞】：最小二乘支持向量機(jī) 粒子群算法 瓦斯涌出量 預(yù)測 MPSO-LS-SVM算法
【學(xué)位授予單位】：遼寧工程技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TD712.5
【目錄】：

• 致謝4-5
• 摘要5-6
• Abstract6-11
• 1 緒論11-18
• 1.1 課題研究的背景和意義11-12
• 1.2 瓦斯涌出量預(yù)測方法研究現(xiàn)狀12-13
• 1.2.1 瓦斯涌出量預(yù)測方法國外研究現(xiàn)狀12
• 1.2.2 斯涌出量預(yù)測方法國內(nèi)研究現(xiàn)狀12-13
• 1.3 最小二乘支持向量機(jī)研究現(xiàn)狀13-14
• 1.4 粒子群算法的研究與發(fā)展14-16
• 1.5 本文主要內(nèi)容及結(jié)構(gòu)安排16-18
• 2 用于瓦斯涌出量預(yù)測的最小二乘支持向量機(jī)模型18-32
• 2.1 統(tǒng)計(jì)學(xué)習(xí)理論18-22
• 2.1.1 VC維18-19
• 2.1.2 推廣性的界19-20
• 2.1.3 結(jié)構(gòu)風(fēng)險最小化20-22
• 2.2 支持向量機(jī)22-29
• 2.2.1 支持向量機(jī)的基本原理22
• 2.2.2 線性可分最優(yōu)分類面22-25
• 2.2.3 非線性支持向量機(jī)25-27
• 2.2.4 SVM核函數(shù)27-29
• 2.3 最小二乘支持向量機(jī)29-31
• 2.4 本章小結(jié)31-32
• 3 標(biāo)準(zhǔn)粒子群優(yōu)化算法及其收斂性分析32-40
• 3.1 粒子群優(yōu)化算法原理32-34
• 3.1.1 粒子群算法的基本思想32
• 3.1.2 粒子群算法的數(shù)學(xué)機(jī)理32-34
• 3.2 搜索算子對PSO算法影響分析34-35
• 3.3 參數(shù)對PSO算法影響分析35-37
• 3.4 粒子群優(yōu)化算法流程37-38
• 3.5 本章小結(jié)38-40
• 4 基于MPSO算法的最小二乘支持向量機(jī)模型40-55
• 4.1 改進(jìn)的粒子群算法41-44
• 4.1.1 改進(jìn)粒子群算法原理41-42
• 4.1.2 改進(jìn)粒子群算法收斂性分析42-44
• 4.2 MPSO數(shù)值仿真實(shí)驗(yàn)及分析44-49
• 4.2.1 測試函數(shù)分析46-47
• 4.2.2 評價標(biāo)準(zhǔn)47
• 4.2.3 仿真實(shí)驗(yàn)及其分析47-49
• 4.3 MPSO算法優(yōu)化LS-SVM模型49-53
• 4.3.1 LS-SVM模型參數(shù)對其性能的影響49-51
• 4.3.2 MPSO-LS-SVM算法原理51
• 4.3.3 MPSO-LS-SVM算法流程51-52
• 4.3.4 MPSO-LS-SVM算法程序流程圖52-53
• 4.4 本章小結(jié)53-55
• 5 基于MPSO-LS-SVM算法的瓦斯涌出量預(yù)測55-67
• 5.1 瓦斯涌出量影響因素分析55-57
• 5.1.1 瓦斯涌出量概念55
• 5.1.2 影響瓦斯涌出量的主要因素55-57
• 5.2 瓦斯涌出量預(yù)測系統(tǒng)研究57-61
• 5.2.1 預(yù)測控制基本原理57-58
• 5.2.2 瓦斯涌出量預(yù)測控制模型58-59
• 5.2.3 最小二乘支持向量機(jī)預(yù)測控制數(shù)學(xué)描述59-60
• 5.2.4 預(yù)測控制流程60-61
• 5.3 瓦斯涌出量預(yù)測仿真分析61-66
• 5.3.1 輸入樣本的組成61-63
• 5.3.2 MPSO算法的初始參數(shù)確定63
• 5.3.3 瓦斯涌出量預(yù)測仿真結(jié)果和分析63-66
• 5.4 小結(jié)66-67
• 6 總結(jié)與展望67-69
• 6.1 全文總結(jié)67-68
• 6.2 展望68-69
• 參考文獻(xiàn)69-73
• 作者簡歷73-75
• 學(xué)位論文數(shù)據(jù)集75

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉希亮;趙學(xué)勝;陸鋒;孫文彬;;基于GA-SVM的露天礦拋擲爆破拋擲率預(yù)測[J];煤炭學(xué)報;2012年12期

2 陳兆波;曾建潮;董追;趙娜;李忠衛(wèi);;基于HFACS的煤礦安全事故人因分析[J];中國安全科學(xué)學(xué)報;2013年07期

3 魏春榮;李艷霞;孫建華;米紅偉;李s，

本文編號：675156