本文關(guān)鍵詞： 瓦斯涌出量 指標(biāo)選取 因子分析 BP神經(jīng)網(wǎng)絡(luò)　出處：《西安科技大學(xué)學(xué)報(bào)》2017年04期 　論文類型：期刊論文

【摘要】：為解決瓦斯涌出量預(yù)測(cè)過程中存在的預(yù)測(cè)指標(biāo)過多而導(dǎo)致預(yù)測(cè)精度降低的問題,構(gòu)建因子分析與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的瓦斯涌出量預(yù)測(cè)模型。采用SPSS因子分析法對(duì)瓦斯涌出量影響因素進(jìn)行了分析降維,并對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練及預(yù)測(cè)。結(jié)果表明:因子分析能使BP神經(jīng)網(wǎng)絡(luò)的輸入變量從10個(gè)降為3個(gè)有實(shí)際含義的因子,經(jīng)因子分析后預(yù)測(cè)模型的預(yù)測(cè)速度及精度均高于未處理的樣本數(shù)據(jù),預(yù)測(cè)性能明顯改善,其平均誤差為3.8%,最大誤差為4.9%,表明所采取瓦斯涌出量預(yù)測(cè)指標(biāo)的選取方法是可行和有效的。
[Abstract]:In order to solve the problem that there are too many prediction indexes in the process of gas emission prediction, the prediction accuracy is reduced. A prediction model of gas emission is built based on factor analysis and BP neural network. The factors affecting gas emission are analyzed by using SPSS factor analysis, and the dimensionality reduction is analyzed. The model of BP neural network is trained and predicted. The results show that factor analysis can reduce the input variables of BP neural network from 10 to 3 factors with actual meaning. After factor analysis, the prediction speed and accuracy of the prediction model are higher than that of the unprocessed sample data, and the prediction can be improved obviously. The average error is 3.8 and the maximum error is 4.9, which indicates that the method of selecting the prediction index of gas emission is feasible and effective.
【作者單位】： 西安科技大學(xué)安全科學(xué)與工程學(xué)院;教育部西部礦井開采及災(zāi)害防治重點(diǎn)實(shí)驗(yàn)室;
【基金】：國家自然科學(xué)基金(51374236;51474172) 陜西省科技新星專項(xiàng)項(xiàng)目(2014KJXX69)
【分類號(hào)】：TD712.5

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李彬剛;景興鵬;;瓦斯涌出量預(yù)測(cè)研究現(xiàn)狀和進(jìn)展[J];陜西煤炭;2007年05期

2 張瑞林;劉曉;金毅;;灰色動(dòng)態(tài)自動(dòng)化建模在瓦斯涌出量預(yù)測(cè)中的應(yīng)用研究[J];工礦自動(dòng)化;2008年01期

3 趙鑫;宋廣軍;;一種非線性的瓦斯涌出量預(yù)測(cè)算法仿真研究[J];計(jì)算機(jī)仿真;2012年08期

4 張?zhí)m;;智能算法在瓦斯涌出量預(yù)測(cè)中的應(yīng)用研究[J];大眾科技;2012年12期

5 安鴻濤;宋國文;張?jiān)浦?陽結(jié)華;;人工神經(jīng)網(wǎng)絡(luò)在瓦斯涌出量預(yù)測(cè)中的應(yīng)用[J];河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年04期

6 張瑞林;劉曉;鄭立軍;;基于灰色動(dòng)態(tài)建模的瓦斯涌出量預(yù)測(cè)方法研究[J];中國礦業(yè);2006年12期

7 王文科;;采煤工作面瓦斯涌出量預(yù)測(cè)研究[J];山西焦煤科技;2007年08期

8 甘小根;吳仕彥;馬明東;;灰色線性回歸組合模型在北辰煤礦瓦斯涌出量預(yù)測(cè)中的應(yīng)用研究[J];煤;2008年01期

9 姚向東;鐘后選;;孔莊煤礦-1020m水平首采區(qū)瓦斯涌出量預(yù)測(cè)[J];煤礦安全;2008年07期

10 陳鳳;徐杰;劉立民;;基于虛擬儀器的瓦斯涌出量預(yù)測(cè)[J];煤礦安全;2008年10期

相關(guān)會(huì)議論文 前10條

1 陳魁奎;寧超;黃波;;鶴壁六礦深部瓦斯涌出量預(yù)測(cè)[A];基于瓦斯地質(zhì)的煤礦瓦斯防治技術(shù)[C];2009年

2 陳鳳;徐杰;劉立民;;基于虛擬儀器的瓦斯涌出量預(yù)測(cè)研究[A];煤礦重大災(zāi)害防治技術(shù)與實(shí)踐——2008年全國煤礦安全學(xué)術(shù)年會(huì)論文集[C];2008年

3 王劍平;黃紅霞;李宏彪;張?jiān)粕?;基于支持向量機(jī)模型的瓦斯涌出量預(yù)測(cè)[A];第二十七屆中國控制會(huì)議論文集[C];2008年

4 朱浩明;劉高峰;;山西和順隆華公司15號(hào)煤層首采區(qū)瓦斯涌出量預(yù)測(cè)[A];瓦斯地質(zhì)基礎(chǔ)與應(yīng)用研究[C];2011年

5 丁金華;;基于分形理論的瓦斯涌出量預(yù)測(cè)分析與研究[A];煤礦瓦斯綜合治理與開發(fā)利用論文集[C];2012年

6 潘洪萍;;楊莊煤礦開采煤層的瓦斯涌出量預(yù)測(cè)[A];紀(jì)念礦井地質(zhì)專業(yè)委員會(huì)成立二十周年暨礦井地質(zhì)發(fā)展戰(zhàn)略學(xué)術(shù)研討會(huì)專輯[C];2002年

7 王小明;張子戌;楊小平;范興斌;;數(shù)量化理論Ⅰ在唐山礦5煤層瓦斯涌出量預(yù)測(cè)中的應(yīng)用[A];中國科學(xué)院地質(zhì)與地球物理研究所2006年論文摘要集[C];2007年

8 陳大力;張勁松;孫曉軍;;深部礦井瓦斯涌出量預(yù)測(cè)方法[A];2007年全國煤礦安全學(xué)術(shù)年會(huì)會(huì)議資料匯編[C];2007年

9 阮文彬;;田壩煤礦二號(hào)井下一采區(qū)煤層瓦斯涌出量預(yù)測(cè)[A];中國煤炭學(xué)會(huì)煤礦安全專業(yè)委員會(huì)2009年學(xué)術(shù)研討會(huì)論文集[C];2009年

10 撒占友;何學(xué)秋;王恩元;;基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的采掘工作面瓦斯涌出量預(yù)測(cè)[A];21世紀(jì)高效集約化礦井學(xué)術(shù)研討會(huì)論文集[C];2001年

相關(guān)碩士學(xué)位論文 前10條

1 王一莉;瓦斯涌出量預(yù)測(cè)方法及其應(yīng)用研究[D];南京工業(yè)大學(xué);2005年

2 徐廣璐;基于改進(jìn)GA-SVM算法的瓦斯涌出量預(yù)測(cè)研究[D];遼寧工程技術(shù)大學(xué);2014年

3 史冬冬;基于相關(guān)向量機(jī)與改進(jìn)蛙跳算法的瓦斯涌出量預(yù)測(cè)研究[D];遼寧工程技術(shù)大學(xué);2014年

4 謝霖;基于MPSO-LS-SVM算法的瓦斯涌出量預(yù)測(cè)研究[D];遼寧工程技術(shù)大學(xué);2014年

5 畢建武;基于多元回歸殘差RBF神經(jīng)網(wǎng)絡(luò)修正算法瓦斯涌出量預(yù)測(cè)研究[D];遼寧工程技術(shù)大學(xué);2015年

6 黃U，

本文編號(hào)：1523934