煤礦瓦斯事故是我國(guó)煤礦安全開(kāi)采過(guò)程中最主要的威脅之一,所以對(duì)采煤工作面進(jìn)行瓦斯涌出量的預(yù)測(cè)預(yù)警以及技術(shù)的創(chuàng)新有著非常重要的意義。各類(lèi)因素共同影響著瓦斯氣體的涌出,且它們具有一定的復(fù)雜性、非線(xiàn)性、特征相關(guān)性。為了獲得比傳統(tǒng)預(yù)測(cè)方法更好的預(yù)測(cè)效果,在分析國(guó)內(nèi)外現(xiàn)有瓦斯涌出量預(yù)測(cè)的成果基礎(chǔ)上,結(jié)合機(jī)器學(xué)習(xí)、智能算法,將局部線(xiàn)性嵌入理論（LLE）和人工蜂群（ABC）算法以及核極端學(xué)習(xí)機(jī)（KELM）運(yùn)用到瓦斯涌出量的預(yù)測(cè)當(dāng)中,提出改進(jìn)的方法,建立新的預(yù)測(cè)模型。首先采用改進(jìn)的局部線(xiàn)性嵌入算法對(duì)導(dǎo)致瓦斯涌出因素的特征屬性進(jìn)行約簡(jiǎn),在保證特征數(shù)據(jù)完整性的情況下剔除冗余的信息,實(shí)現(xiàn)降維。將經(jīng)過(guò)約簡(jiǎn)、歸一化的樣本分為訓(xùn)練集與測(cè)試集,用訓(xùn)練集對(duì)KELM模型進(jìn)行訓(xùn)練。由于此過(guò)程中需對(duì)KELM模型的懲罰系數(shù)以及核參數(shù)進(jìn)行尋優(yōu),因此本文提出引入局部混沌搜索（Chaos Searching）策略的方法改進(jìn)ABC算法,并用該算法對(duì)KELM模型參數(shù)進(jìn)行尋優(yōu),建立基于改進(jìn)LLE算法與CSABC-KELM的煤礦瓦斯涌出量預(yù)測(cè)模型。利用測(cè)試集數(shù)據(jù)對(duì)該預(yù)測(cè)模型進(jìn)行試驗(yàn)分析,并與原始數(shù)據(jù)未經(jīng)過(guò)處理的CSABC-KELM、KELM... 

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 論文背景及意義
        1.1.1 選題背景
        1.1.2 研究意義及目的
    1.2 國(guó)內(nèi)外研究概況
        1.2.1 煤礦瓦斯涌出量預(yù)測(cè)研究現(xiàn)狀
        1.2.2 數(shù)據(jù)降維研究現(xiàn)狀
        1.2.3 人工蜂群算法研究現(xiàn)狀
    1.3 本文主要內(nèi)容和結(jié)構(gòu)安排
第二章 局部線(xiàn)性嵌入與核極端學(xué)習(xí)機(jī)理論研究
    2.1 局部線(xiàn)性嵌入算法研究
        2.1.1 局部線(xiàn)性嵌入算法基本原理
        2.1.2 改進(jìn)的局部線(xiàn)性嵌入算法
        2.1.3 自適應(yīng)LLE算法性能分析
    2.2 核極端學(xué)習(xí)機(jī)
        2.2.1 極端學(xué)習(xí)機(jī)
        2.2.2 核極端學(xué)習(xí)機(jī)
    2.3 本章小結(jié)
第三章 引入局部混沌搜索策略的人工蜂群算法研究
    3.1 人工蜂群算法基本原理
    3.2 改進(jìn)人工蜂群算法
        3.2.1 混沌搜索策略
        3.2.2 引入局部混沌搜索策略的人工蜂群算法
    3.3 CSABC算法性能分析
        3.3.1 標(biāo)準(zhǔn)測(cè)試函數(shù)
        3.3.2 實(shí)驗(yàn)參數(shù)設(shè)置
        3.3.3 實(shí)驗(yàn)結(jié)果及分析
    3.4 本章小結(jié)
第四章 基于自適應(yīng)LLE-CSABC-KELM的煤礦瓦斯涌出量預(yù)測(cè)
    4.1 煤礦瓦斯涌出因素及特點(diǎn)分析
        4.1.1 瓦斯涌出量的基本概念及計(jì)算
        4.1.2 瓦斯涌出量預(yù)測(cè)指標(biāo)的確定
    4.2 數(shù)據(jù)搜集及處理
    4.3 基于自適應(yīng)LLE-CSABC-KELM的煤礦瓦斯涌出量預(yù)測(cè)
        4.3.1 自適應(yīng)LLE-CSABC-KELM預(yù)測(cè)模型建立
        4.3.2 自適應(yīng)LLE-CSABC-KELM的瓦斯涌出量預(yù)測(cè)結(jié)果及分析
        4.3.3 對(duì)比實(shí)驗(yàn)
    4.4 本章小結(jié)
第五章 總結(jié)與展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間取得成果


【參考文獻(xiàn)】：
期刊論文
[1]融合蜂群優(yōu)化航空發(fā)動(dòng)機(jī)自適應(yīng)PID控制[J]. 陳宇寒,肖玲斐,盧彬彬.  控制工程. 2019(02)
[2]基于線(xiàn)性判別分析的Choquet積分的符號(hào)模糊測(cè)度提取[J]. 王燈桂,楊蓉.  計(jì)算機(jī)科學(xué). 2019(02)
[3]基于CSABC-ELM的采煤工作面瓦斯涌出量預(yù)測(cè)[J]. 陳強(qiáng),王海峰,萬(wàn)波俊,劉道生,劉萬(wàn)順.  工業(yè)安全與環(huán)保. 2019(01)
[4]基于非線(xiàn)性降維時(shí)序遙感影像的作物分類(lèi)[J]. 翟涌光,屈忠義.  農(nóng)業(yè)工程學(xué)報(bào). 2018(19)
[5]能源結(jié)構(gòu)隨能源需求增長(zhǎng)而持續(xù)多樣化——2018年世界能源統(tǒng)計(jì)年鑒解讀[J]. 錢(qián)伯章,李敏.  中國(guó)石油和化工經(jīng)濟(jì)分析. 2018(08)
[6]基于關(guān)聯(lián)模糊神經(jīng)網(wǎng)絡(luò)和改進(jìn)型蜂群算法的負(fù)荷預(yù)測(cè)方法[J]. 趙芝璞,高超,沈艷霞,陳杰.  中國(guó)電力. 2018(02)
[7]人工蜂群算法的改進(jìn)[J]. 趙紅星,常小剛.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(01)
[8]人工蜂群算法求解帶有啟動(dòng)時(shí)間的批量混合流水車(chē)間調(diào)度問(wèn)題[J]. 吳帥,卿兆波.  煤礦機(jī)械. 2016(11)
[9]多交互式人工蜂群算法及其收斂性分析[J]. 林凱,陳國(guó)初,張?chǎng)?  計(jì)算機(jī)應(yīng)用. 2017(03)
[10]基于改進(jìn)人工蜂群算法的無(wú)人機(jī)的航跡規(guī)劃[J]. 于霜,丁力,吳洪濤.  電光與控制. 2017(01)

博士論文
[1]中美煤礦瓦斯爆炸事故不安全動(dòng)作原因?qū)Ρ确治鯷D]. 高巖.中國(guó)礦業(yè)大學(xué)(北京) 2016
[2]煤礦瓦斯爆炸事故的不安全動(dòng)作原因研究[D]. 殷文韜.中國(guó)礦業(yè)大學(xué)（北京） 2014

碩士論文
[1]優(yōu)化核極限學(xué)習(xí)機(jī)方法在智能電網(wǎng)中的應(yīng)用[D]. 任瑞琪.蘭州交通大學(xué) 2018
[2]基于支持向量機(jī)和免疫遺傳BP的瓦斯?jié)舛阮A(yù)測(cè)研究[D]. 張文娟.西安科技大學(xué) 2017
[3]我國(guó)煤礦安全事故時(shí)空分布分形特征研究[D]. 王修才.南華大學(xué) 2014
[4]基于局部線(xiàn)性嵌入的降維算法研究[D]. 李燕燕.遼寧師范大學(xué) 2012
[5]基于差值灰色徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的瓦斯涌出量預(yù)測(cè)[D]. 白宇.太原理工大學(xué) 2011
[6]LS-SVM算法預(yù)測(cè)煤層瓦斯涌出量技術(shù)研究及應(yīng)用[D]. 朱帥虎.山東科技大學(xué) 2011
[7]混沌優(yōu)化算法在建筑施工安全投入中的應(yīng)用研究[D]. 楊明.天津大學(xué) 2007



本文編號(hào)：3698616