煤炭資源是我國能源結(jié)構(gòu)中占比最大的板塊,為我國經(jīng)濟社會高速發(fā)展提供了源源不斷的動力。因此,煤炭資源的安全開采顯得尤為重要。在煤炭開采過程中,作業(yè)面礦山壓力顯現(xiàn)的異常會嚴(yán)重威脅到作業(yè)人員的人身安全,開展礦山壓力顯現(xiàn)預(yù)測的研究工作進而建立預(yù)警機制對煤炭安全開采具有重要意義,是煤礦安全生產(chǎn)的重要技術(shù)保障。本文首先針對采礦活動中礦山壓力顯現(xiàn)預(yù)測的實際需求,提出基于模糊認(rèn)知圖（Fuzzy Cognitive Maps,FCM）的礦山壓力顯現(xiàn)預(yù)測的實例化預(yù)測模型。其次,對預(yù)測模型中的實數(shù)編碼遺傳算法進行改進,引入權(quán)重正則化和Dropout正則化,提出改進遺傳算法進行模型相關(guān)參數(shù)求解。模型性能驗證以現(xiàn)場監(jiān)測數(shù)據(jù)為例,采用實數(shù)編碼遺傳算法、L2正則化遺傳算法和改進遺傳算法訓(xùn)練模型,運用均方差和適應(yīng)度函數(shù)驗證預(yù)測模型對于采用不同優(yōu)化算法的適用性,驗證改進遺傳算法優(yōu)于其他兩種算法。最后,將基于改進遺傳算法構(gòu)建的FCM模型與兩種不同的神經(jīng)網(wǎng)絡(luò)架構(gòu)模型（密集連接網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)）進行性能對比分析,進一步驗證所提出預(yù)測模型的適用性,證明其可以實現(xiàn)煤礦生產(chǎn)現(xiàn)場礦山壓力顯現(xiàn)預(yù)測工作的需求。本文研究的創(chuàng)新性成果主要... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．?１模糊認(rèn)知圖的拓撲結(jié)構(gòu)??Ｆｉｇ．?２．１?Ｔｏｐｏｌｏｇｉｅｓ?ｓｔｎｉｃｔｕｒｅ?ｏｆ?ｆｕｚｚｙ?ｃｏｇｎｉｔｉｖｅ?ｍａｐｓ?ｍｏｄｅｌ??

?基于模糊認(rèn)知圖的礦山壓力顯現(xiàn)預(yù)測研究???＿??圖３．１預(yù)測模型的拓撲結(jié)構(gòu)??Ｆｉｇ．?３．１?Ｔｏｐｏｌｏｇｉｅｓ?ｓｔｍｃｔｕｒｅ?ｏｆ?ｐｒｅｄｉｃｔｉｏｎ?ｍｏｄｅｌ??如圖３．１所示，本文研究問題涉及六個概念結(jié)點，其中汁１時刻的而結(jié)點為輸出結(jié)??點，輸出值為選取預(yù)測概念結(jié)點的狀態(tài)值，／時刻的尤為輸入結(jié)點，分別為六組監(jiān)測??點的數(shù)據(jù)狀態(tài)值。以實際監(jiān)測數(shù)據(jù)集為研究對象，利用遺傳算法來尋找模型中各節(jié)點間??的權(quán)值（即模型關(guān)聯(lián)矩陣）。??３．２．２模型訓(xùn)練過程??利用遺傳算法對模糊認(rèn)知圖中的關(guān)聯(lián)矩陣權(quán)重進行學(xué)習(xí)訓(xùn)練。將一個實數(shù)編碼的向??量（作為一條染色體）定義為模型中的關(guān)聯(lián)矩陣。向量中的每個元素稱為基因，對應(yīng)??ＦＣＭ中的邊權(quán)值，即關(guān)聯(lián)矩陣中每一個位置上的數(shù)值。??１．染色體結(jié)構(gòu)??ＲＣＧＡ將每條染色體定義為一個浮點數(shù)向量，每條染色體包括妒為概念結(jié)點，??本文取值為６）個基因，每個基因的取值范圍為［－１，?１］，表達式為：??尺＝［〇，?Ｗ１２，?ｗｕ，…，ｗｌｉＶ，ｗ２ｌ，０，?（３．１）??ｖｖ２３，…，ｗ２Ｗ，…ｗ勝，丨，０］??公式３．１中，為從概念結(jié)點Ｍ到的關(guān)聯(lián)權(quán)值。??每條染色體攜帶３６個基因，這些基因一一對應(yīng)模型中關(guān)聯(lián)矩陣（６，６）每個位置的數(shù)??值（正對角線上基因所對應(yīng)的元素值恒為零），每條染色體都可以編碼為模型中的一個??候選關(guān)聯(lián)矩陣。種群中染色體經(jīng)過每代的迭代逐步優(yōu)化繁衍。??２．適應(yīng)度函數(shù)??每條染色體的評價由適應(yīng)度函數(shù)完成，本文所采用的適應(yīng)度函數(shù)為：??－２０?－??

?大連海事大學(xué)專業(yè)學(xué)位碩士學(xué)位論文???Ｊｉｔｎｅｓｓ?（Ｊ，）?＝?———?Ｃ３．２）??ａ－Ｊ（Ｉ）?＋?＼??公式３．２中，，／仍－第／條染色體的誤差函數(shù)，種群數(shù)，適應(yīng)度參數(shù)《＞０。??Ｊ（／）?＝?７＾ＴＴ妓物卜為⑴）?（３３）??？?公式３．３中，離散的學(xué)習(xí)時間序列，：Ｔ－訓(xùn)練或驗證數(shù)據(jù)組數(shù)，《－輸出概念結(jié)點數(shù)，??結(jié)點在／時刻的真實狀態(tài)（實際的狀態(tài)值），為似－／結(jié)點在／時刻的輸出狀態(tài)（預(yù)??測的狀態(tài)值）。??３．基于ＲＣＧＡ的模型訓(xùn)練過程??圖３．２為基于ＲＣＧＡ的模型訓(xùn)練過程。ＲＣＧＡ算法以具有連續(xù)時序特征的數(shù)據(jù)源為??學(xué)習(xí)對象，使用遺傳算法模擬時序數(shù)據(jù)的動態(tài)變換，從而形成一個具有正確權(quán)重矩陣的??模糊認(rèn)知圖，即確定模型關(guān)聯(lián)矩陣。??ＲＣＧＡ算法的具體過程是，對初始化群體中的染色體所攜帶的關(guān)聯(lián)矩陣權(quán)重進行計??算評估，即將經(jīng)模型推理計算后的預(yù)測值與數(shù)據(jù)源中的實際值進行比較，達到結(jié)束條件，??獲得了最優(yōu)的模型關(guān)聯(lián)矩陣，否則對父代染色體進行交叉、變異，并從中選擇出適應(yīng)度??高的染色體生成新一代的群體再次進行計算評估，依此反復(fù)迭代，直到適應(yīng)度函數(shù)大于??最大適應(yīng)度或到達預(yù)先設(shè)定的最大迭代步數(shù)Ｍｚｘ／？。??：平Ｖ?＃群?＂?＞｜?｜?Ａ？計?｜?｜￣歸?｜??＼??嫌彷???ｖｉｒｎｔｍ???愉入坆據(jù)??圖３．?２基于ＲＣＧＡ的模型訓(xùn)練過程??Ｆｉｇ．?３．２?Ｍｏｄｅｌ?ｔｒａｉｎｉｎｇ?ｐｒｏｃｅｓｓ?ｂａｓｅｄ?ｏｎ?ＲＣＧＡ??交叉是指雙親的兩個染色體間，部分基因相互交換的操作，即通過雙親中一方的部??分基因與另一方的部分基因重新組合，生成新的子代染色體。如圖３


本文編號：3283187