發(fā)布時間：2018-04-28 06:47

  本文選題：瓦斯爆炸 + 核主成分分析　； 參考：《遼寧工程技術(shù)大學(xué)》2017年碩士論文

【摘要】：煤礦的開采挖掘?qū)儆谖ｋU性極高的領(lǐng)域,其中瓦斯爆炸所帶來的危害是最大的,嚴(yán)重影響了國民經(jīng)濟(jì)的增長和社會的穩(wěn)定運(yùn)行。煤礦發(fā)生瓦斯爆炸的幾率越大,其未來出現(xiàn)災(zāi)害的損失也越大。如何快速和準(zhǔn)確地對瓦斯爆炸作出預(yù)測,一直是一個需要解決的問題�；诖�,本文對煤礦瓦斯爆炸預(yù)測系統(tǒng)做了詳細(xì)研究,通過瓦斯監(jiān)測系統(tǒng)與模式識別理論相結(jié)合,提出了KPCA-FOA-SVM預(yù)測模型,并且對模型進(jìn)行了仿真。由于煤礦瓦斯爆炸監(jiān)控系統(tǒng)具有非線性,通常所用的控制理論很難滿足瓦斯爆炸風(fēng)險預(yù)測系統(tǒng)的要求,因此本文建立果蠅算法對支持向量機(jī)尋優(yōu)的網(wǎng)絡(luò),將此網(wǎng)絡(luò)應(yīng)用到預(yù)測系統(tǒng)中。鑒于引起煤礦瓦斯爆炸的因素較多,而每個因素的影響程度均不同,利用核主成分分析對致爆炸的指標(biāo)做特征提取,精簡特征維數(shù)。因為支持向量機(jī)預(yù)測模型的參數(shù)會影響模型的收斂性和泛化能力,因此本文采用果蠅算法全局尋優(yōu),搜索模型最佳參數(shù)組合,從而提高預(yù)測系統(tǒng)的識別精度,使瓦斯爆炸監(jiān)控系統(tǒng)的可靠性得以提高。通過搭建瓦斯爆炸預(yù)測模型,建立實時分析各影響指標(biāo)的監(jiān)控系統(tǒng),同時對FOA-SVM模型在瓦斯爆炸監(jiān)控系統(tǒng)中做了仿真分析。仿真表明,文中采用的模型可以對煤礦瓦斯爆炸作出預(yù)警,且準(zhǔn)確性和可靠性較好。論文的研究是基于國家自然科學(xué)基金項目(51274118)展開研究的,將模式識別、煤礦安全等多學(xué)科進(jìn)行結(jié)合對煤礦瓦斯爆炸災(zāi)害展開研究,具有一定的理論研究價值與實際應(yīng)用意義。
[Abstract]:The mining and mining of coal mine belongs to the extremely dangerous field, among which the gas explosion brings the greatest harm, which seriously affects the growth of the national economy and the stable operation of the society. The greater the probability of gas explosion in coal mine, the greater the loss of disaster in the future. How to predict gas explosion quickly and accurately has always been a problem to be solved. Based on this, this paper makes a detailed study on the coal mine gas explosion prediction system. Through the combination of gas monitoring system and pattern recognition theory, the KPCA-FOA-SVM prediction model is put forward, and the model is simulated. Because the monitoring system of coal mine gas explosion is nonlinear, it is difficult to satisfy the requirement of gas explosion risk prediction system by using the control theory, so this paper establishes the network of Drosophila algorithm to optimize support vector machine. The network is applied to the prediction system. In view of the fact that there are many factors that cause the gas explosion in coal mine, and the influence degree of each factor is different, we use the kernel principal component analysis (KPCA) to extract the feature of the explosive index and simplify the feature dimension. Because the parameters of the prediction model of support vector machine will affect the convergence and generalization ability of the model, this paper uses the Drosophila algorithm to search for the best parameter combination of the model, so as to improve the recognition accuracy of the prediction system. The reliability of the gas explosion monitoring system is improved. By building a gas explosion prediction model, a monitoring system for real-time analysis of each impact index is established. At the same time, the FOA-SVM model is simulated and analyzed in the gas explosion monitoring system. The simulation results show that the model adopted in this paper can make early warning of coal mine gas explosion, and the accuracy and reliability of the model are good. The research of this paper is based on the project of National Natural Science Foundation of China 51274118). It is of certain theoretical value and practical significance to study the gas explosion disaster in coal mine by combining multiple disciplines such as pattern recognition, coal mine safety and so on.
【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】：2017
【分類號】：TD712.7;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 付華;代巍;;基于ACPSO的PSR-MK-LSSVM瓦斯?jié)舛葎討B(tài)預(yù)測方法[J];傳感技術(shù)學(xué)報;2016年06期

2 孫立新;張栩之;鄧先瑞;魏萍;;自適應(yīng)果蠅算法優(yōu)化模糊均值聚類算法圖像分割[J];控制工程;2016年04期

3 付華;李海霞;盧萬杰;徐耀松;王雨虹;;一種改進(jìn)的極限學(xué)習(xí)機(jī)煤與瓦斯突出預(yù)測模型[J];傳感技術(shù)學(xué)報;2016年01期

4 韓敏;張占奎;;基于改進(jìn)核主成分分析的故障檢測與診斷方法[J];化工學(xué)報;2015年06期

5 王雨虹;付華;張洋;;基于KPCA和CIPSO-PNN的煤與瓦斯突出強(qiáng)度辨識模型[J];傳感技術(shù)學(xué)報;2015年02期

6 劉愛國;薛云濤;胡江鷺;劉路平;;基于GA優(yōu)化SVM的風(fēng)電功率的超短期預(yù)測[J];電力系統(tǒng)保護(hù)與控制;2015年02期

7 郭雅楠;李鴻燕;;基于ICA和GSPSO-SVM的人臉識別方法[J];計算機(jī)工程與設(shè)計;2014年12期

8 石志標(biāo);苗瑩;;基于FOA-SVM的汽輪機(jī)振動故障診斷[J];振動與沖擊;2014年22期

9 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

10 李棟;張文宇;;基于FOA-ELM的客戶基金購買行為預(yù)測仿真[J];計算機(jī)仿真;2014年06期

相關(guān)會議論文 前1條

1 薛曄;張濤濤;;基于SVM先分類再回歸的瓦斯爆炸災(zāi)害風(fēng)險評價[A];風(fēng)險分析和危機(jī)反應(yīng)中的信息技術(shù)--中國災(zāi)害防御協(xié)會風(fēng)險分析專業(yè)委員會第六屆年會論文集[C];2014年

相關(guān)博士學(xué)位論文 前5條

1 念其鋒;煤礦瓦斯爆炸災(zāi)害態(tài)勢評估與預(yù)警研究[D];中南大學(xué);2014年

2 楊勝凱;基于核主成分分析的特征變換研究[D];浙江大學(xué);2014年

3 李潤求;煤礦瓦斯爆炸災(zāi)害風(fēng)險模式識別與預(yù)警研究[D];中南大學(xué);2013年

4 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

5 王莉;基于三類危險源劃分的煤礦瓦斯爆炸事故機(jī)理與預(yù)警研究[D];西安科技大學(xué);2010年

相關(guān)碩士學(xué)位論文 前9條

1 薛博;基于FOA-SVM的中文文本分類的研究[D];河北工業(yè)大學(xué);2014年

2 王先梅;基于貝葉斯網(wǎng)絡(luò)的煤礦瓦斯爆炸事故情景分析[D];西安科技大學(xué);2012年

3 劉曉宇;基于數(shù)據(jù)挖掘的煤礦瓦斯爆炸危險源預(yù)警決策支持系統(tǒng)的研究[D];太原理工大學(xué);2012年

4 楊春;基于神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測控制算法的研究[D];太原理工大學(xué);2012年

5 趙華杰;基于RS-SVM的瓦斯爆炸危險源評價及預(yù)警系統(tǒng)研究[D];西安科技大學(xué);2010年

6 魏權(quán);基于案例推理的煤礦瓦斯爆炸預(yù)警研究[D];西安科技大學(xué);2008年

7 匡伶俐;基于粒子系統(tǒng)瓦斯爆炸模擬的研究與實現(xiàn)[D];西安科技大學(xué);2008年

8 熊廷偉;煤礦瓦斯爆炸預(yù)警技術(shù)研究[D];重慶大學(xué);2005年

9 苗德俊;煤礦事故模型與控制方法研究[D];山東科技大學(xué);2004年

，

本文編號：1814216