基于Memetic算法寻优SVM的瓦斯浓度预测

瓦斯浓度预测是进行煤矿瓦斯灾害表征的一个重要指标,为了提高瓦斯浓度预测模型的预测精度,提出了一种基于Memetic算法寻优的支持向量机预测模型。利用特征提取和特征选择的方法获取最优输入特征集进行降维简化处理,建立支持向量机回归模型,在学习过程中引入Memetic算法对传统支持向量机预测模型进行参数优化。通过用实际监测数据进行验证,结果表明:经过Memetic算法优化后的支持向量机预测模型提高了瓦斯浓度预测的精度。     

改进的粒子群支持向量机预测瓦斯涌出量

提出一种基于改进的粒子群参数优化的支持向量回归机算法(IPSO-SVR),该方法引入混沌映射及网格分区寻参思想,能避免粒子群算法(PSO)陷入局部最优解。使用IPSO-SVR算法建立瓦斯涌出量预测模型,结果表明基于IPSO算法寻优参数建立的瓦斯涌出量支持向量回归预测模型具有良好的预测效果。与粒子群优化参数的支持向量回归机(PSO-SVR)模型、广义回归神经网络(GRNN)模型进行比较,IPSO-SVR模型预测效果明显优于PSO-SVR和GRNN模型,可用于瓦斯涌出量的实际预测,表明所提出的IPSO算法是选取SVR参数的有效方法。     

基于支持向量机的矿井瓦斯浓度预测应用研究

以高河煤矿回采工作面刮板输送机机尾瓦斯浓度变化为例,运用PSO-SVM与GA-SVM算法分别对核参数g和惩罚因子c进行寻优,建立最优组合参数瓦斯浓度预测模型,进行瓦斯浓度预测。结果表明,基于支持向量机的瓦斯浓度预测模型在井下瓦斯浓度预测中具有一定的有效性与实用性;且相对于PSO-SVM模型,GA-SVM模型的预测效果更佳。     

基于模糊信息粒化与马尔科夫修正的瓦斯浓度预测

基于模糊信息粒化对原始数据进行处理,利用支持向量机(SVM)以及差分进化算法(DE)建立预测模型,根据马尔科夫链进行残差修正,预测瓦斯浓度变化趋势。通过实验表明,该方法相较于直接对粒化数据进行SVM预测有了较大的效果提升,此外,对原始数据进行了FIG处理,实现了降维,算法运行时间得到减少,算法效率得到提升。     

基于GRA-GASA-SVM的煤层瓦斯含量预测方法研究

为提升煤层瓦斯含量预测精度，提出一种采用遗传模拟退火算法混合优化支持向量机（SVM）参数的瓦斯含量预测模型（GRA-GASA-SVM模型）。该模型将GA和SA整合为遗传模拟退火算法协同优化SVM的参数，以解决传统网格寻优算法取值范围无法确定和单一智能算法优化程度有限等问题。利用灰色关联分析（GRA）压缩数据集维度，建立瓦斯含量预测参数体系并作为GASA-SVM的输入数据集。结果表明：SVM模型、GA-SVM模型和GASA-SVM模型10折交叉验证瓦斯含量预测总平均相对误差分别为15.98%、13.55%和10.58%。相比SVM模型和GA-SVM模型，GASA-SVM模型预测稳定性更优、预测精准度更高且对新样本泛化能力更强。     

基于GA-ACO-SVM组合模型边坡位移预测研究

针对目前常用的预测模型存在一定的问题,建立支持向量机预测模型,并将遗传算法与蚁群算法有效结合。用此组合算法对支持向量机模型参数优化。最终将建立的模型与单独两种算法所优化的模型进行精度对比。实例表明,组合算法所优化的预测模型具有更高的精度,具有一定的应用价值。     

遗传支持向量机在液压泵轴承故障的预测与应用

为了能够提高液压泵轴承故障预测的效率,深入地研究了支持向量机在液压泵轴承故障诊断中的预测和应用。提出了遗传模拟退火算法优化的最小二乘支持向量机预测模型,并分别对最小二乘支持向量机和遗传模拟退火算法进行了描述,给出了优化预测模型。通过实例研究,结果表明该方法具有较高的预测精度。     

基于蚁群算法优化SVM的瓦斯涌出量预测

为了提高瓦斯涌出量预测的精度和预测模型的泛化能力,提出了一种基于蚁群算法(ACO)优化支持向量机(SVM)参数的瓦斯涌出量预测方法。在SVM所建立预测模型中各个参数的取值区间内,采用蚁群优化算法计算预测模型各个参数的最佳值,基于最佳参数的SVM建立瓦斯涌出量预测模型。结果表明:采用未优化的SVM建立的预测方法,其个别预测误差相对较大,最大误差为8.11%,平均误差为4.68%,采用ACO对于预测模型的参数进行优化后,预测性能有显著提高,最大误差为4.37%,平均误差为2.89%,表明所建议的方法是有效、可行的。     

基于混沌相空间重构的IGA-LSSVM在线煤矿工作面瓦斯浓度预测模型的研究

为了改进煤矿工作面瓦斯浓度预测可靠性和精度,运用基于混沌相空间重构的免疫遗传最小二乘支持向量机瓦斯浓度预测方法,把瓦斯浓度当做一组非线性混沌时间序列,使用相空间重构以恢复混沌时间序列在高维空间的运动轨迹,即混沌吸引子,运用IGA-LSSVM模型预测混沌吸引子未来的运动轨迹,再把预测的运动轨迹还原到时间序列中,得到预测的瓦斯浓度。研究表明,运用混沌IGA-LSSVM模型预测瓦斯浓度,由于引入了混沌吸引子,使模型不同于传统预测所建立的主观模型(如神经网络),而是直接根据数据序列本身计算出来的客观规律(混沌吸引子)进行预测,并且使用免疫遗传算法(IGA)对LSSVM模型的参数进行优化选择,可以避免预测的人为主观性,提高预测的精度和可信度。     

基于支持向量机的瓦斯传感器数据验证

介绍了支持向量机的基本原理,利用单个瓦斯传感器的输出信息建立了支持向量机的瓦斯传感器数据验证模型.并利用该模型进行数据验证.试验结果表明,支持向量机数据验证预测精度高,外推能力强,是瓦斯传感器数据验证的一种有效方法.     

刮板输送机故障诊断方法研究

为了提高刮板输送机故障诊断准确度,降低事故发生率,分析了刮板输送机常见的故障,研究了基于支持向量机的刮板输送机故障分类,介绍了刮板输送机故障数据处理方法以及基于SVM的故障诊断流程,并对支持向量机参数进行了选择,采用网格搜索交叉法得到模型的最佳参数模型,使用该模型对刮板输送机故障数据进行预测。研究表明,采用支持向量机和网格搜索交叉法相结合的方法,可以对刮板输送机故障进行有效诊断。     

基于改进的PSO与LSSVM的瓦斯涌出量预测

 瓦斯涌出是威胁煤矿安全生产最严重的灾害之一,瓦斯涌出量受多种自然因素和开发技术的影响,是一个非线性、高维的问题。提出了改进的PSO算法与LSSVM算法相结合对瓦斯涌出量进行预测的新方法,实验结果表明,该模型可有效避免神经网络收敛速度慢,SVM中PSO选择参数早熟或停滞等缺点,预测精度更高,泛化能力更强。     

基于遗传-支持向量回归的煤层底板突水量预测研究

针对煤层底板突水问题的小样本、非线性特点,采用支持向量回归算法对突水量进行预测,避免了定性分析的局限性。利用遗传算法全局搜索能力的优势,提出了基于遗传算法的支持向量回归参数寻优方法,并建立煤层底板突水量预测的遗传-支持向量回归模型。该模型首先通过遗传算法对训练样本的学习,得到支持向量回归机的最优参数值,然后运用遗传-支持向量回归模型对测试样本进行突水量预测。测试结果表明：与神经网络,传统支持向量回归机的预测值相比,煤层底板突水量预测的遗传-支持向量回归模型精度高,具有较强的泛化能力。     

基于GS-PSO-SVM的边坡稳定性预测模型

针对传统边坡稳定性预测模型的不足，提出一种基于网格搜索和粒子群优化的支持向量机模型（GS-PSO-SVM）。为了解决支持向量机参数选取问题，先利用网格搜索法粗略寻优确定参数范围，然后利用粒子群二次寻优。利用该模型对边坡实例预测，39个实例样本中，30个为训练样本，剩下9个作为预测样本，以岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6个边坡稳定性影响因素作为输入，边坡稳定性状态作为输出，预测结果与单独的网格搜索法、粒子群算法和遗传算法优化的支持向量机模型对比。结果表明，GS-PSO-SVM模型分类准确率100%，有更好地预测精度和更高的预测效率，该模型能有效的对边坡稳定性状态预测。     

基于小波包与EKF-RBF神经网络辨识的瓦斯传感器故障诊断

针对瓦斯传感器常见的偏置型、冲击型、漂移型和周期型4种突发型故障,以小波分析和RBF神经网络为基础,提出了由小波包分解提取特征能量谱与扩展Kalman滤波算法（EKF）优化的RBF神经网络进行模式分类辨识的瓦斯传感器故障诊断方法。对瓦斯传感器的输出信号进行小波包分解,运用基于代价函数的局域判别基(LDB)算法进行裁剪,获取最优的特征能量谱,经处理后作为特征向量训练EKF-RBF神经网络,采用参数增广和统计动力学方法,通过带有整定因子的EKF参数估计,用来辨识瓦斯传感器的故障类型。实验结果表明：该方法的辨识正确率在95%以上,误报率和漏报率都明显优于其他算法,能够有效用于瓦斯传感器的故障在线诊断。     

基于邻域属性重要度的齿轮箱故障特征优选方法

为有效降低齿轮箱故障特征的维数并提高诊断效率,提出了基于邻域属性重要度的齿轮箱故障特征优选方法,并结合支持向量机和BP神经网络对诊断的准确率和时间进行对比分析。以齿轮箱中不同裂纹齿轮为对象,选取能够表征齿轮箱故障状态的时域、频域和基于希尔伯特变换的36个特征。构造基于邻域模型的前向贪心数值属性约简算法进行特征优选,提取属性重要度较大的9个特征组成最优特征子集,数据压缩量达到75%,并输入支持向量机分类器中进行分类识别,用BP神经网络分类器进行结果的比较分析。结果表明,采用基于邻域属性重要度的齿轮箱故障特征优选方法,既可以在降低特征维数的情况下有效地表征齿轮箱的运行状态,又可以提高诊断的精确度和诊断效率。     

基于支持向量机的数控机床总线的故障诊断研究

为了能够准确地对数控机床进行故障诊断,深入地研究了支持向量机故障诊断的方法。提出了最小二乘支持向量机的基本理论;提出了遗传模拟退火算法;进行了实例研究,结果表明该方法具有较高的故障诊断能力。     

基于K-L变换和支持向量机的滚动轴承故障诊断

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量,而支持向量机可以完成模式识别和非线性回归。试验结果表明,利用主矢量分解后的主特征向量与支持向量机相结合可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新途径。     

基于改进布谷鸟算法与SVM的矿用变压器故障诊断

矿用变压器主要用于含有易燃气体和煤尘的矿井中,为采煤机、运输车及照明系统提供电源。针对目前矿用变压器故障诊断准确率不高的情况,提出了一种基于改进布谷鸟算法和支持向量机(SVM)的矿用变压器故障诊断方法。首先引入改进的布谷鸟算法对支持向量机参数进行寻优,获得具有最佳参数的支持向量机模型,然后利用支持向量机对变压器故障进行分类来实现变压器故障的诊断,最后,通过算例仿真对所提算法和检测方法进行了验证,Matlab仿真结果表明：利用改进布谷鸟算法和诊断模型得到的矿用变压器故障诊断准确率要高于传统的矿用变压器故障诊断方法。