本文選題：瓦斯?jié)舛阮A(yù)測　切入點：PSO-SVR　出處：《中國礦業(yè)大學(xué)》2017年碩士論文

【摘要】：瓦斯災(zāi)害是煤礦生產(chǎn)過程中最嚴(yán)重的災(zāi)害之一,研究和分析瓦斯數(shù)據(jù)的特征及其內(nèi)在聯(lián)系,設(shè)計有效的算法模型實現(xiàn)對瓦斯?jié)舛染_地實時預(yù)測,對瓦斯災(zāi)害的預(yù)警和防治具有重要意義。本文在對PSO-SVR預(yù)測模型研究的基礎(chǔ)上,針對瓦斯?jié)舛刃蛄刑卣魈崛　⑼咚節(jié)舛刃蛄袝r空建模和瓦斯?jié)舛融厔蓊A(yù)測提出三種瓦斯?jié)舛阮A(yù)測方法,具體研究內(nèi)容如下:一、研究瓦斯?jié)舛葦?shù)據(jù)的采集、處理及分析過程。利用插值等方法對采集到的數(shù)據(jù)進(jìn)行初步清洗處理,將處理后的瓦斯?jié)舛刃蛄凶鳛橐环N離散時間序列利用其高階統(tǒng)計量對其高斯性和線性特征進(jìn)行分析,為后續(xù)研究做鋪墊。二、深度信念網(wǎng)絡(luò)能夠更好地表征樣本的深層次特征,本文提出了DBN-PSO-SVR的瓦斯?jié)舛阮A(yù)測方法。算法利用深度信念網(wǎng)絡(luò)對瓦斯?jié)舛扔?xùn)練集和預(yù)測集進(jìn)行特征提取,將提取的特征作為PSO-SVR預(yù)測網(wǎng)絡(luò)的輸入來獲取最終的預(yù)測值。實驗結(jié)果表明,該方法使瓦斯?jié)舛阮A(yù)測精度得到提高,算法性能優(yōu)于常用的傳統(tǒng)預(yù)測方法。三、研究瓦斯?jié)舛冗\(yùn)移擴(kuò)散規(guī)律及其數(shù)字特征,證明瓦斯?jié)舛刃蛄芯哂袝r空特性,提出一種瓦斯?jié)舛葧r空建模方法。該方法建立了基于樣本數(shù)據(jù)驅(qū)動的空間權(quán)矩陣,根據(jù)空間權(quán)矩陣以及時空延遲量建立瓦斯?jié)舛鹊臅r空訓(xùn)練集和預(yù)測集,利用PSO-SVR模型進(jìn)行訓(xùn)練和預(yù)測,得到預(yù)測值。實驗結(jié)果表明,該方法對比于只依賴時間維度的傳統(tǒng)方法,在預(yù)測精度與泛化性能上都有很大的提高。四、為了掌握瓦斯?jié)舛鹊淖兓厔莺妥兓秶?本文提出一種基于模糊信息�；耐咚�?jié)舛融厔蓊A(yù)測方法。通過構(gòu)造三角模糊粒子并利用PSO-SVR模型對瓦斯?jié)舛茸兓厔莺头秶M(jìn)行預(yù)測。結(jié)合第四章的時空建模方法對時空化的趨勢預(yù)測方法進(jìn)行研究。實驗結(jié)果驗證了算法的有效性。
[Abstract]:Gas disaster is one of the most serious disasters in the process of coal mine production. The characteristics of gas data and their internal relations are studied and analyzed, and an effective algorithm model is designed to realize accurate and real-time prediction of gas concentration. It is of great significance to early warning and prevention of gas disaster. Based on the study of PSO-SVR prediction model, this paper extracts the characteristics of gas concentration sequence. Three methods of gas concentration prediction are put forward in this paper. The main contents are as follows: firstly, the collection of gas concentration data is studied. The process of processing and analysis. Using interpolation and other methods to carry on the preliminary cleaning treatment to the collected data, taking the treated gas concentration series as a discrete time series, using its high-order statistics to analyze its Gao Si and linear characteristics. To lay the groundwork for further research. Second, the deep belief network can better represent the deep-seated characteristics of the sample. In this paper, a gas concentration prediction method based on DBN-PSO-SVR is proposed. The algorithm uses depth belief network to extract the feature of gas concentration training set and prediction set. The extracted feature is used as the input of the PSO-SVR prediction network to obtain the final prediction value. The experimental results show that the proposed method improves the accuracy of gas concentration prediction, and the performance of the algorithm is better than that of the conventional prediction method. The law of gas concentration migration and diffusion and its digital characteristics are studied. It is proved that the gas concentration sequence has space-time characteristics. A spatio-temporal modeling method of gas concentration is proposed. The method establishes a spatial weight matrix based on sample data driven. According to the spatial weight matrix and the space-time delay, the space-time training set and prediction set of gas concentration are established, and the predicted values are obtained by using PSO-SVR model. The experimental results show that this method is compared with the traditional method, which only depends on the time dimension. The prediction accuracy and generalization performance have been greatly improved. Fourthly, in order to grasp the change trend and range of gas concentration, In this paper, a gas concentration trend prediction method based on fuzzy information granulation is proposed. By constructing triangular fuzzy particles and using PSO-SVR model to predict the change trend and range of gas concentration, a spatio-temporal modeling method based on chapter 4 is presented. The experimental results show that the algorithm is effective.
【學(xué)位授予單位】：中國礦業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TD712.5

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙慶川;;基于無線Mesh網(wǎng)絡(luò)的瓦斯監(jiān)測節(jié)點設(shè)計[J];煤礦安全;2016年10期

2 羅向龍;焦琴琴;牛力瑤;孫壯文;;基于深度學(xué)習(xí)的短時交通流預(yù)測[J];計算機(jī)應(yīng)用研究;2017年01期

3 王洪;劉偉銘;;深度信任支持向量回歸的耕地面積預(yù)測方法[J];鄭州大學(xué)學(xué)報(理學(xué)版);2016年01期

4 崔洪慶;樊帥帥;關(guān)金鋒;;采煤工作面瓦斯涌出量分源計算[J];中國安全科學(xué)學(xué)報;2015年10期

5 尹寶才;王文通;王立春;;深度學(xué)習(xí)研究綜述[J];北京工業(yè)大學(xué)學(xué)報;2015年01期

6 吳兆法;吳響;錢建生;;基于插值梯形模糊信息�；耐咚�?jié)舛融厔蓊A(yù)測[J];工礦自動化;2014年12期

7 胥良;宗銘;;GA優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)的煤礦瓦斯?jié)舛阮A(yù)測[J];黑龍江科技大學(xué)學(xué)報;2014年04期

8 施式亮;李潤求;羅文柯;;基于EMD-PSO-SVM的煤礦瓦斯涌出量預(yù)測方法及應(yīng)用[J];中國安全科學(xué)學(xué)報;2014年07期

9 郝亞兵;王飛;王星;劉祥;;并列雙U型通風(fēng)方式下采空區(qū)瓦斯運(yùn)移規(guī)律研究[J];工礦自動化;2014年06期

10 王尚北;王建東;陳海燕;;STARMA網(wǎng)絡(luò)時空序列預(yù)測模型研究[J];計算機(jī)應(yīng)用研究;2014年08期

相關(guān)博士學(xué)位論文 前8條

1 吳響;煤礦瓦斯場分布演化規(guī)律及其時空建模研究[D];中國礦業(yè)大學(xué);2014年

2 董華松;油井地?zé)衢_發(fā)的數(shù)值模擬與回歸預(yù)測研究[D];中國地質(zhì)大學(xué)（北京）;2014年

3 韋善陽;瓦斯異常涌出氣體運(yùn)移規(guī)律及影響范圍研究[D];中國礦業(yè)大學(xué)（北京）;2013年

4 李軍濤;煤礦瓦斯事故災(zāi)害特征與救援決策支持系統(tǒng)研究[D];中國礦業(yè)大學(xué)（北京）;2013年

5 喬美英;工作面瓦斯涌出量時序混沌分形特性分析及其預(yù)測研究[D];中國礦業(yè)大學(xué);2012年

6 董丁穩(wěn);基于安全監(jiān)控系統(tǒng)實測數(shù)據(jù)的瓦斯?jié)舛阮A(yù)測預(yù)警研究[D];西安科技大學(xué);2012年

7 侯少杰;煤礦瓦斯治理過程控制理論及應(yīng)用研究[D];中國礦業(yè)大學(xué);2010年

8 尹洪勝;煤礦瓦斯時間序列分析方法與預(yù)警應(yīng)用研究[D];中國礦業(yè)大學(xué);2010年

相關(guān)碩士學(xué)位論文 前5條

1 李菲菲;WSN煤礦瓦斯?jié)舛缺O(jiān)測系統(tǒng)時間同步技術(shù)研究[D];中國礦業(yè)大學(xué);2015年

2 曾倩倩;基于商空間的煤礦瓦斯?jié)舛阮A(yù)測的研究[D];太原理工大學(xué);2011年

3 段霄鵬;基于商空間的煤礦瓦斯數(shù)據(jù)挖掘研究[D];太原理工大學(xué);2010年

4 徐小馬;李雅莊煤礦瓦斯涌出量預(yù)測及瓦斯涌出影響因素的研究[D];太原理工大學(xué);2007年

5 謝生榮;綜采工作面的瓦斯涌出規(guī)律及瓦斯涌出量的預(yù)測[D];太原理工大學(xué);2005年

，

本文編號：1662977