本文關(guān)鍵詞：改進蟻群算法在瓦斯涌出量預(yù)測中的應(yīng)用研究

  更多相關(guān)文章： 瓦斯涌出量 改進蟻群算法 小波神經(jīng)網(wǎng)絡(luò) 動態(tài)系統(tǒng)預(yù)測

【摘要】：煤礦事故的頻發(fā)極大威脅著煤礦的安全生產(chǎn),其中的瓦斯災(zāi)害是煤礦生產(chǎn)中面臨的首要難題。缺乏準(zhǔn)確預(yù)測瓦斯涌出量的方式為防治煤礦瓦斯事故提出了很大的挑戰(zhàn)。而礦井的通風(fēng)設(shè)計的合理性也和瓦斯涌出量的準(zhǔn)確預(yù)測密切相關(guān),也成為煤礦技術(shù)經(jīng)濟指標(biāo)的重要考量。瓦斯涌出量間的因素通常會表現(xiàn)為動態(tài)、模糊的非線性動力變化,導(dǎo)致傳統(tǒng)線性方法建模的精度很難滿足實際生產(chǎn)需求。本文在總結(jié)過往關(guān)于預(yù)測瓦斯涌出量的方法后,對基本蟻群算法進行研究并改進,并試圖將改進蟻群算法應(yīng)用到瓦斯涌出量預(yù)測中,文中利用神經(jīng)網(wǎng)絡(luò)作為預(yù)測媒介,進而搭建起改進蟻群算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)的系統(tǒng)預(yù)測模型。論文首先分析出傳統(tǒng)小波神經(jīng)網(wǎng)絡(luò)存在收斂精度低,易陷入局部極值的缺陷,引入蟻群算法進行改進。然后論文分析蟻群算法基本原理和各重要參數(shù),針對算法易陷入局部收斂的問題,優(yōu)化蟻群尋優(yōu)的最大最小范圍,平滑處理信息素軌跡,引入懲罰因子和擾動因子,該算法求解旅行商問題取得良好效果。最后將改進蟻群算法與小波神經(jīng)網(wǎng)絡(luò)結(jié)合建模,參照歷史數(shù)據(jù)仿真。結(jié)果表明文中的模型比傳統(tǒng)算法搭建的模型有更快的收斂速度,更高的收斂精度,更好的魯棒性。改進蟻群算法通過小波神經(jīng)網(wǎng)絡(luò)這樣的預(yù)測工具所搭建的模型在預(yù)測中的體現(xiàn)出其優(yōu)越性,證明本文改進的蟻群算法未來可以在瓦斯涌出量的預(yù)測中起到重要作用,其應(yīng)用研究也有著更光明的前景。
【關(guān)鍵詞】：瓦斯涌出量 改進蟻群算法 小波神經(jīng)網(wǎng)絡(luò) 動態(tài)系統(tǒng)預(yù)測
【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】：2015
【分類號】：TD712.5;TP18
【目錄】：

• 致謝4-5
• 摘要5-6
• Abstract6-10
• 1 緒論10-14
• 1.1 課題研究的背景與意義10
• 1.2 國內(nèi)外對瓦斯涌出量預(yù)測研究10-12
• 1.2.1 國內(nèi)對瓦斯預(yù)測研究10-11
• 1.2.2 國外對瓦斯預(yù)測研究11-12
• 1.3 蟻群算法的發(fā)展歷程和研究成果12
• 1.4 論文主要研究內(nèi)容12-13
• 1.5 論文主要探究工作13-14
• 2 小波神經(jīng)網(wǎng)絡(luò)模型的建立和探究14-21
• 2.1 引言14
• 2.2 小波分析理論研究14-17
• 2.2.1 小波函數(shù)定義及連續(xù)變換14-15
• 2.2.2 離散小波函數(shù)變換15
• 2.2.3 小波函數(shù)框架理論15-16
• 2.2.4 小波函數(shù)多分辨分析16-17
• 2.3 小波神經(jīng)網(wǎng)絡(luò)構(gòu)成及算法探究17-20
• 2.3.1 小波神經(jīng)網(wǎng)絡(luò)構(gòu)成及分類17-18
• 2.3.2 小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法18-19
• 2.3.3 小波神經(jīng)網(wǎng)絡(luò)權(quán)值分析和運算19-20
• 2.4 小波神經(jīng)網(wǎng)絡(luò)的利弊分析20
• 2.5 小結(jié)20-21
• 3 蟻群算法優(yōu)化理論21-33
• 3.1 引言21
• 3.2 蟻群算法的基本原理21-22
• 3.3 蟻群算法的數(shù)學(xué)建模22-24
• 3.4 蟻群算法建模中的參數(shù)分析24-31
• 3.4.1 信息素揮發(fā)因子ρ的擇優(yōu)24-26
• 3.4.2 信息啟發(fā)式因子α的擇優(yōu)26-27
• 3.4.3 期望啟發(fā)式因子β的擇優(yōu)27-29
• 3.4.4 螞蟻數(shù)量和斂散性的關(guān)系29-30
• 3.4.5 信息素強度Q的擇優(yōu)30-31
• 3.5 蟻群算法的實現(xiàn)流程31-32
• 3.6 小結(jié)32-33
• 4 改進蟻群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)33-42
• 4.1 引言33
• 4.2 最大最小蟻群算法描述33-35
• 4.3 改進的最大最小蟻群算法35-37
• 4.3.1 引入平滑信息素軌跡35-36
• 4.3.2 引入懲罰因子和擾動因子36-37
• 4.4 旅行商問題的實驗分析37-38
• 4.5 改進蟻群算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)模型38-41
• 4.5.1 改進蟻群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)39
• 4.5.2 改進蟻群算法優(yōu)化流程39-41
• 4.6 小結(jié)41-42
• 5 基于改進蟻群算法的瓦斯涌出量預(yù)測模型42-54
• 5.1 引言42
• 5.2 影響瓦斯涌出量要素的分析42-43
• 5.2.1 瓦斯涌出量定義42
• 5.2.2 影響瓦斯涌出量的要素42-43
• 5.3 控制系統(tǒng)在瓦斯涌出量預(yù)測中的應(yīng)用43-49
• 5.3.1 預(yù)測控制的原理43-44
• 5.3.2 瓦斯涌出量預(yù)測控制的實現(xiàn)44-46
• 5.3.3 預(yù)測控制中的網(wǎng)絡(luò)數(shù)學(xué)模型46-48
• 5.3.4 全局預(yù)測控制流程48-49
• 5.4 瓦斯涌出量的仿真分析49-53
• 5.4.1 確定輸入樣本49-50
• 5.4.2 網(wǎng)絡(luò)拓撲結(jié)構(gòu)及改進蟻群算法參數(shù)確定50-51
• 5.4.3 瓦斯涌出量仿真結(jié)果和分析51-53
• 5.5 小結(jié)53-54
• 6 總結(jié)與展望54-56
• 6.1 本文總結(jié)54-55
• 6.2 展望55-56
• 參考文獻56-59
• 作者簡歷59-61
• 學(xué)位論文數(shù)據(jù)集61

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 琚宜文;李清光;譚鋒奇;;煤礦瓦斯防治與利用及碳排放關(guān)鍵問題研究[J];煤炭科學(xué)技術(shù);2014年06期

2 劉碩;王俊峰;溫偉;楊雪;;分源法瓦斯預(yù)測原理的運用[J];煤炭技術(shù);2014年05期

3 孫慶剛;;中國煤礦瓦斯災(zāi)害現(xiàn)狀與防治對策研究[J];中國煤炭;2014年03期

4 寧志勇;;煤層瓦斯資源量預(yù)測研究[J];工礦自動化;2014年02期

5 秦偉;許家林;胡國忠;彭小亞;;老采空區(qū)瓦斯儲量預(yù)測方法研究[J];煤炭學(xué)報;2013年06期

6 朱躍龍;李士進;范青松;萬定生;;基于小波神經(jīng)網(wǎng)絡(luò)的水文時間序列預(yù)測[J];山東大學(xué)學(xué)報(工學(xué)版);2011年04期

7 張偉;師奕兵;周龍甫;盧濤;;基于改進粒子群算法的小波神經(jīng)網(wǎng)絡(luò)分類器[J];儀器儀表學(xué)報;2010年10期

8 李長洪;范麗萍;郭俊溫;;小波神經(jīng)網(wǎng)絡(luò)在露天礦邊坡變形預(yù)測中的應(yīng)用[J];中國礦業(yè);2010年07期

9 魏武;魏敏;;基于小波神經(jīng)網(wǎng)絡(luò)的卡爾曼濾波在GPS/DR系統(tǒng)中的應(yīng)用[J];微電子學(xué)與計算機;2010年07期

10 蘇紅畏;劉希玉;王曉敏;;混合最大最小蟻群算法在VRPTW中的應(yīng)用[J];計算機技術(shù)與發(fā)展;2010年02期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 常緒華;采空區(qū)煤自燃誘發(fā)瓦斯燃燒（爆炸）規(guī)律及防治研究[D];中國礦業(yè)大學(xué);2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 吳林濤;基于動態(tài)分源預(yù)測法的綜采工作面瓦斯預(yù)測技術(shù)的應(yīng)用研究[D];遼寧工程技術(shù)大學(xué);2012年

2 嚴磊;基于灰色理論與神經(jīng)網(wǎng)絡(luò)的交通量組合預(yù)測模型研究[D];重慶大學(xué);2010年

3 王勇;基于小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷的研究[D];內(nèi)蒙古工業(yè)大學(xué);2006年

，

本文編號：730621