基于分形和支持向量机矿井涌水量的预测

针对矿井涌水量预测问题,提出一种新的非线性预测方法。首先利用分形理论对矿井涌水量的时间序列进行相空间重构,应用自相关系数法确定最小嵌入维数,并以最小嵌入维数作为支持向量机的输入节点,根据支持向量机原理建立矿井涌水量的预测模型。将河南鹤壁四矿1982-1997年的矿井涌水量作为时间序列的训练样本,在Matlab环境下,利用所建立的预测模型预测不同嵌入维数时2000和2001年的矿井涌水量。结果表明：与其他维数相比,当嵌入维数为4时,井筒涌水量的预测值误差最小,预测精度最高。为检验该方法预测的可靠性,分别将不同维数下井筒、巷道和工作面涌水量1988-2001年的预测值与观测值进行对比,发现预测值与观测值较一致。〓     

基于支持向量机理论的煤矿瓦斯涌出量预测研究

针对影响瓦斯涌出量的因素复杂多样化以及各因素之间的非线性问题,采用径向基核函数把支持向量机算法中的低维空间向量集映射到高维空间,进而建立基于实验数据的煤矿瓦斯涌出量预测模型。样本数据分为训练样本、测试样本和校验样本,结合MATLAB强大的运算功能,进行仿真研究。结果显示:整个系统具有较强的逼近和容错能力,以及较快的收敛速度,对煤矿瓦斯涌出量具有较好的预报效果。     

基于支持向量机的微震预测研究

为了对金属矿山井下开采中的地质灾害进行预测和控制,以某铁矿的微震监测系统在线监测的结果作为分析对象,将人工智能领域中的支持向量机算法引入矿山微震事件与地质灾害相关分析中,建立基于支持向量机的微震预测模型,并对一段时间区段的微震进行预测和对比,取得了良好效果。     

支持向量机在煤与瓦斯突出预测中的应用

为了准确预测煤与瓦斯突出危险,首先利用灰色关联分析的方法寻找出影响煤与瓦斯突出的关键性因素,然后利用MATLAB的SVM工具箱建立煤与瓦斯突出的预测模型,并应用此模型识别瓦斯突出的类型。该模型基于MATLAB的SVM工具箱加以实现。实验结果表明,基于灰色关联分析的SVM煤与瓦斯突出预测模型结果可靠,效果良好,应用性强。     

基于小波理论的支持向量机瓦斯涌出量的预测

将小波框架理论引入到支持向量机预测函数中,建立了基于小波理论的支持向量机预测模型。该模型通过小波变换将输入向量映射到一个高维特征空间,在这个特征空间内,利用支持向量机进行预测。经实验表明该模型预测的结果比较准确,在时间复杂度上和预测精度上要优于以往的预测模型,能够达到指导实践的要求。     

基于最小二乘支持向量机的煤层瓦斯含量预测

在分析和比较了目前常用的预测方法基础上,提出了一种基于最小二乘支持向量机的煤层瓦斯含量预测方法。一方面,该方法较好地解决小样本学习问题,避免了人工神经网络等智能方法在对煤层瓦斯含量进行预测时所表现出来的过学习、泛化能力弱等缺点;另一方面,用等式约束代替传统支持向量机的不等式约束,减小了模型的复杂度,加快了求解速度。应用实例表明,该模型具有预测精度高、速度快、容易实现等优点,适合对煤层瓦斯含量的预测。     

基于粒子群优化相关向量机的矿井瓦斯涌出量预测

矿井瓦斯涌出量受诸多因素影响,对瓦斯涌出量的预测研究是一项复杂且难度较高的工作。针对其复杂性及随机性,笔者提出了基于粒子群优化相关向量机的矿井瓦斯涌出量的预测控制方法。并利用相关向量机对矿井瓦斯涌出非线性系统进行建模,采用具有全局优化特点的粒子群优化算法进行参数优化,确保了模型精度和预测的准确性。结果表明,该模型预测控制方法精度高且可靠性强,预测效果理想。在矿井瓦斯涌出量的预测研究应用中,误差在工程许的范围内,对矿井的安全生产具有一定的参考意义。     

基于支持向量机的煤矿机械故障预测研究

故障预测对煤矿机械的预知维修具有很重要的指导意义。闸瓦间隙是煤矿提升机的重要参数,通过采用基于最小二乘支持向量机的数学方法对煤矿提升机的闸瓦间隙进行故障预测,从而预测了煤矿提升机的故障发生时间。该研究对煤矿提升机的维修具有很重要的参考价值。     

基于支持向量机的电机故障预测研究

对现在比较盛行的状态监测与故障检测和预测做了阐述性的介绍,并且就故障预测方法在现代工业生产的应用性方面做了定性分析,并将支持向量机的这种对小样本数据比较有效的训练和处理方法引入到电机的故障预测中来。     

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。     

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。     

支持向量机在矿井水源判别中的应用

矿井突水是威胁煤矿安全生产的最大隐患之一,准确判别矿井水源是矿井防治水的前提.本文以水质数据资料中的化学成分作为训练样本,以支持向量机作为分类器,对样本进行学习,得到训练模型,根据训练好的模型对样本进行预测判别.结果表明,采用支持向量机对矿井水源进行判别,能得到较好的结果.由于支持向量机适用于小样本.所以应用前景广阔.     

基于改进BP神经网络的矿井瓦斯浓度预测算法

针对传统煤矿瓦斯预警的可靠性差和误差大等问题,提出了一种基于改进BP神经网络的矿井瓦斯浓度预测算法。提出的新型算法在传统BP神经网络算法的基础上,将遗传算法与BP神经网络算法有效结合,采用优化连接权方法对BP神经算法进行优化。该方法降低了瓦斯浓度预测模型的迭代次数和绝对误差。     

支持向量机在岩爆预测中的应用

岩爆是高地应力地下工程中的地质灾害之一,其影响因素存在极其复杂的非线性关系。选取岩石抗压强度、抗拉强度、弹性能量指数和洞壁最大切向应力作为岩爆预测的特征向量,建立岩爆预测的支持向量机模型,对岩爆的发生及其烈度进行预测。预测结果与实际情况及其他方法相吻合,表明支持向量机在岩爆预测中的可行性和有效性。     

基于支持向量机的矿震危险性预测

文章介绍了支持向量机二分类的基本原理及基于此原理的三元分类问题的解决办法,分析了矿震的主要影响因素,提出了一种基于支持向量机的矿震危险性预测新方法。通过对少量训练样本的学习,能很好地建立矿震危险性等级与其影响因素之间的非线性映射关系。算例结果表明,该预测方法是可行的,预测精度较高,具有良好的工程应用前景。     

基于改进支持向量机的深基坑变形预测

深基坑变形监测与预测是深基坑设计施工中的一个重要的环节,准确地预测深基坑未来的变形,是深基坑变形监测的最终目的。针对传统常用预测方法存在一定的局限性这个问题,结合支持向量机的研究现状,提出将能够有效地解决小样本、非线性、高维数、局部极小等问题的支持向量机模型应用于深基坑变形预测的方法。具体方法是:采用粒子群算法对支持向量机的相关参数进行寻优,得到改进支持向量机预测模型,然后将其预测结果与传统的支持向量机模型、Elman动态神经网络模型预测结果进行比较,最后采用均方误差、平方和误差、平均相对误差对预测效果进行评价。实验结果表明,基于改进支持向量机预测模型用于变形预测是可行的,且能更好地反映深基坑系统的动态非线性特点,具有一定的优越性与工程应用推广价值。     

基于支持向量机的井筒风流温度预测

井筒风流温度直接影响着整个矿井的风流温度.对于井筒风流温度的计算,普遍采取的方法有:差分法、舍尔巴尼法、数理统计法等.通过选用支持向量机(SVM)法进行井筒风流温度预测,考虑了影响井筒风流温度的因子之间的复杂关系,取得了良好的预测精度.     

基于随机森林与支持向量机的回采工作面瓦斯涌出量预测方法

针对当前回采工作面瓦斯涌出量预测方法选取不合理及预测精度不佳问题,借助机器学习方法对其展开研究,以交叉验证法处理现有数据,构建了支持向量回归模型与随机森林回归预测模型,并对输入数据降维前后2种模型的预测表现进行了对比分析。测试表明：经交叉验证及数据降维后2种预测模型趋于稳定、预测精度均有大幅提高,SVR模型的整体预测性能稍优于RFR模型,SVR模型每轮测试耗时约0.015 s,远低于后者;筛选后的SVR模型平均绝对误差约为0.18 m³/min,平均相对误差约3.26%,优于RFR预测模型;建立的回采工作面瓦斯涌出量预测模型均表现良好,经随机森林筛选的SVR预测模型耗时较短、误差较小、稳定性更好,可实现对瓦斯涌出量的有效预测,对简化数据采集工作及科学制定瓦斯防治措施起到参考作用。     

改进支持向量机在矿井风机故障诊断中的应用

风机故障诊断的方法比较多,但都存在一定的局限性。近年来,人们将人工智能技术应用于设备故障诊断,它具有逼近复杂非线性系统和自适应学习能力的优点。这为矿井风机的故障诊断开辟了新的途径,但多数方法需要大量的故障数据和经验知识做基础,由于实际中难以得到大量的训练样本,这将影响诊断的精确度和可靠性。     

基于支持向量机的露天矿爆破效果预测方法研究

提出了一种基于支持向量机的露天矿山爆破效果预测方法。通过随机森林算法选择出影响爆破效果的主要因素并根据爆破技术相关标准及经验确定爆破综合效果;基于得到的爆破主要影响因素和爆破综合效果,建立爆破效果预测模型;选取不同的机器学习方法与支持向量机进行比较,通过计算选出最优的爆破预测效果方法。结果表明:基于支持向量机方法对爆破效果预测效果良好,与现场实际爆破效果基本一致。