本文關(guān)鍵詞：深度學(xué)習(xí)耦合粒子群優(yōu)化SVM的瓦斯?jié)舛阮A(yù)測

  更多相關(guān)文章： 深度學(xué)習(xí) 特征提取 SVM神經(jīng)網(wǎng)絡(luò) 粒子群優(yōu)化 瓦斯預(yù)測

【摘要】：為改進工作面煤礦瓦斯涌出濃度的預(yù)測精度,基于深度學(xué)習(xí)網(wǎng)絡(luò)、SVM和粒子群(PSO)優(yōu)化算法的原理,建立1種深度學(xué)習(xí)網(wǎng)絡(luò)與粒子群優(yōu)化SVM神經(jīng)網(wǎng)絡(luò)耦合的混合算法模型,該算法首先基于深度學(xué)習(xí)理論學(xué)習(xí)樣本數(shù)據(jù)較深層次的特征,提取出較少個用來表征原始數(shù)據(jù)的特征量變量,對特征變量建立PSO-SVM預(yù)測模型進行瓦斯涌出濃度預(yù)測,通過工作面現(xiàn)場采集的數(shù)據(jù)進行仿真實驗,實驗結(jié)果表明該方法使預(yù)測精度較對原始數(shù)據(jù)直接進行PSO-SVM預(yù)測得到較大的提升,同時實現(xiàn)了原始數(shù)據(jù)的降維,減少了算法的運行時間,提高了算法效率。
【作者單位】： 中國礦業(yè)大學(xué)信息與電氣工程學(xué)院;徐州醫(yī)學(xué)院醫(yī)學(xué)信息學(xué)院;
【關(guān)鍵詞】： 深度學(xué)習(xí) 特征提取 SVM神經(jīng)網(wǎng)絡(luò) 粒子群優(yōu)化 瓦斯預(yù)測
【基金】：中央高�；究蒲袠I(yè)務(wù)費專項資金資助項目(2014XT04)
【分類號】：TD712.5
【正文快照】： 隨著神經(jīng)網(wǎng)絡(luò)[1]技術(shù)的發(fā)展,神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于建立瓦斯涌出量預(yù)測模型。朱紅青等[2]提出用BP神經(jīng)網(wǎng)絡(luò)對瓦斯涌出量進行分源預(yù)測;韓洪磊等[3]人用擬牛頓優(yōu)化算法對BP神經(jīng)網(wǎng)絡(luò)瓦斯預(yù)測模型進行了優(yōu)化;辛元芳等[4]提出了基于經(jīng)驗?zāi)B(tài)分解和極限學(xué)習(xí)機的瓦斯突出預(yù)測模型;劉俊

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 任金霞;王挺;;基于改進型粒子群優(yōu)化的磨礦分級系統(tǒng)溢流濃度控制的研究[J];礦山機械;2012年09期

2 崔益安;紀(jì)銅鑫;李溪陽;朱肖雄;;基于粒子群優(yōu)化的多目標(biāo)體中梯電阻率異常反演[J];地球物理學(xué)進展;2013年04期

3 ;[J];;年期

，

本文編號：946712