| 基于混沌-广义回归神经网络的矿井涌水量预测 |
| |
| 引用本文： | 李建林,高培强,王心义,赵帅鹏.基于混沌-广义回归神经网络的矿井涌水量预测[J].煤炭科学技术,2022,50(4):149-155. |
| |
| 作者姓名： | 李建林 高培强 王心义 赵帅鹏 |
| |
| 作者单位： | 河南理工大学 资源环境学院,河南 焦作 454000;煤炭安全生产与清洁高效利用省部共建协同创新中心,河南 焦作 454000,河南理工大学 资源环境学院,河南 焦作 454000 |
| |
| 基金项目： | 国家自然科学基金资助项目(41672240,41573095)；;河南省自然科学基金资助项目(182300410155)； |
| |
| 摘 要： | 针对矿井涌水量预测研究中存在的相关影响因素考虑较少、模型预测精度不高和适用性不强的问题，建立了混沌理论与广义回归神经网络耦合的新的预测模型(Chaos-GRNN模型)。从理论上分析了矿井水文系统产生混沌现象的机理；由混沌理论得到涌水量序列相空间重构后的嵌入维数、时间延迟和最大Lyapunov指数，以此确定GRNN的输入层神经元个数、取值和预测时长；采用交叉验证法获得GRNN的光滑因子，建立Chaos-GRNN模型；对平煤十二矿涌水量(2014年1月至2015年12月)进行模型验证。结果表明：矿井水文系统演化过程的循环迭代是产生混沌的根本原因，其表象特征为演化过程的不可逆性、非平稳性和演化结果的多样性；平煤十二矿涌水量时间序列具有混沌特征，其嵌入维数m=7,即涌水量的影响因素为7个，GRNN输入层神经元个数为7;时间延迟τ为13个月，由此确定了GRNN输入层神经元的取值；最大Lyapunov指数为0.053 0,确定了GRNN预测时长为19个月；Chaos-GRNN模型预测精度达到了94.98%。该预测模型利用混沌理论量化了广义回归神经网络的输入层和预测时长，充分考虑了矿井涌水量的影响因...
|
| 关 键 词： | 混沌理论 相空间重构 广义回归神经网络 输入层神经元 涌水量预测 |
Prediction of mine water inflow based on Chaos-Generalized Regression Neural Network |
| |
| LI Jianlin,GAO Peiqiang,WANG Xinyi,ZHAO Shuaipeng.Prediction of mine water inflow based on Chaos-Generalized Regression Neural Network[J].Coal Science and Technology,2022,50(4):149-155. |
| |
| Authors: | LI Jianlin GAO Peiqiang WANG Xinyi ZHAO Shuaipeng |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 万方数据 等数据库收录！ |
|
