基于ICA-SVM的煤与瓦斯突出预测研究

影响煤与瓦斯突出的因素很多且错综复杂,而现有的煤与瓦斯突出预测方法所考虑的影响煤与瓦斯突出的因素较少,针对大量指标属性时无法进行有效的分析处理。针对该问题,文章提出了一种基于ICA-SVM的煤与瓦斯突出预测方法。该方法首先通过独立成分分析方法对所选指标属性进行特征提取,然后利用支持向量机模型对煤与瓦斯突出进行预测分析。预测结果表明,基于ICA-SVM的煤与瓦斯突出预测方法的预测准确率高,且运算速度快,识别分类能力强,效果较好。     

煤与瓦斯突出预测研究

煤与瓦斯突出预测是一项复杂有难度的技术,受到很多因素的影响.首先,以矿井历年来典型突出的突变强度作为灰关联分析的参考数列,其它的突出预测指标为比较数列,通过灰关联分析来确定煤与瓦斯突出的主控因素.然后,利用神经网络对煤与瓦斯突出作了预测.结果表明,该方法是可行的且比模糊聚类方法更具可靠性.     

基于KPCA-SVM的煤与瓦斯突出预测方法

提出了一种基于KPCA-SVM的煤与瓦斯突出预测方法。该方法首先通过KPCA方法对影响煤与瓦斯突出的相关指标进行特征提取,然后利用SVM方法对煤与瓦斯突出进行分类预测。实例结果表明,该方法对煤与瓦斯突出预测的准确率明显高于直接运用SVM方法的煤与瓦斯突出预测准确率,且运算速度快,识别能力强,同时根据该方法建立的煤与瓦斯突出分类预测模型具有较好的稳定性和有效性。     

一种采用CCPSO-SVM的煤与瓦斯突出预测方法

为了有效地对矿井煤与瓦斯突出进行预测,提出了一种基于完全混沌粒子群优化(CCPSO)与支持向量机 (SVM)的矿井煤与瓦斯突出预测方法。该方法将矿井工作面前方煤体瓦斯涌出量动态变化时间序列的多重分维谱 作为特征指标,应用支持向量(SVM)构建预测模型,模型的参数向量由改进的完全混沌粒子群优化算法和测试集样 本集分类错误率最小准则选择和优化。实验结果证明,该方法是有效的,它为煤与瓦斯突出预测提供了一种新途径。     

采用RS与CSA-SVM集成的煤与瓦斯突出预测方法

为提高矿井煤与瓦斯突出的预测性能,提出了粗糙集(RS)与克隆选择算法(CSA)―支持向量机(SVM)集成的预测方法。首先应用粗糙集理论对数据集进行约简提取出关键特征指标和数据样本,然后应用支持向量机构建煤与瓦斯突出预测模型,最后应用克隆选择算法和训练样本集预测错误率最小原则智能选择和优化预测模型的参数向量;煤与瓦斯突出预测实验结果验证了该方法的有效性,性能明显优于传统的神经网络预测方法。     

煤与瓦斯突出预测的NN-SVM模型

为提高煤与瓦斯突出预测的精度和速度,通过基于邻域粗糙集(NRS)理论对特征向量降维,提取出影响煤与瓦斯突出的核心致突因素,采用改进的支持向量机(NN-SVM)理论来构建煤与瓦斯突出风险与由各种致突因素组成的特征向量之间的非线性关系.从而建立了基于邻域粗糙集(NRS)与改进的支持向量机(NN-SVM)相结合的煤与瓦斯突出预测模型.实验结果表明,该预测模型预测精度高,运算速度更快,同时还具有很好的泛化能力.     

基于优化的量子门节点神经网络的煤与瓦斯突出预测

为了精准地预测煤与瓦斯突出风险等级,提出了一种基于子维进化的粒子群优化算法(sdPSO)和量子门节点神经网络(QGNN)的瓦斯突出风险等级预测模型sdPSO-QGNN.利用灰色关联分析(GRA)对突出影响因素进行降维处理,将筛选出的主控因素作为QGNN的输入,利用sdPSO对量子门节点神经网络参数进行优化,以提高量子门节点神经网络的全局与局部搜索能力,建立sdPSO-QGNN的瓦斯突出风险等级预测模型,实现对瓦斯突出风险的预测.实验结果表明,与BP(back propagation)神经网络、对称Alpha稳定分布的概率神经网络(SαS-PNN)、免疫粒子群算法优化的支持向量机(IPSO-SVM)、Memetic算法优化的极限学习机(Memetic-ELM)等预测模型相比,所提方法在提升模型泛化能力、提高预测精度方面效果显著.     

基于改进的自适应支持向量机建模的煤与瓦斯突出预测*

提出一种新的模糊隶属度函数对标准模糊支持向量机进行改进,然后运用自适应遗传算法对改进后的模糊支持向量机进行参数优选,得到一种新的AGAIFSVM模型,并且将提出的模型应用于煤与瓦斯突出预测。实验结果表明,所提出的模型比BP神经网络、标准支持向量机和模糊聚类有更高预测精度和更强的稳定性,具有较大的实用价值。     

基于PSO优化SVM的船舶流量预测算法

通过对上海洋山深水港口的船舶流量的调研以及对船舶交通流量影响因素的分析,建立支持向量机预测模型。同时为了解决支持向量机预测模型的参数选择问题,引入了粒子群优化算法进行参数优化,建立较优的PSO-SVM预测模型。通过MATLAB仿真实验计算,将PSO-SVM模型与单纯的SVM预测模型和灰色神经网络预测模型结果进行对比分析,证明了该模型的可行性和优越性。     

煤与瓦斯突出预测的随机森林模型

煤与瓦斯突出是煤矿开采过程中主要的动力灾害之一,针对煤与瓦斯突出等级预测问题,提高突出预测的准确率,选取最大主应力、瓦斯压力、瓦斯含量、顶板岩性、距断裂距离、煤层厚度、开采垂深、绝对瓦斯涌出量和相对瓦斯涌出量9个影响因素作为煤与瓦斯突出等级预测的评价指标,同时对相关程度较高的评价指标进行因子分析,提取公共因子,用随机森林算法进行训练预测,建立了基于因子分析的煤与瓦斯突出预测的随机森林模型。通过煤矿实测19组煤与瓦斯突出的数据作为训练样本数据集进行模型的训练,5组数据作为该预测模型的测试数据,进行煤与瓦斯突出预测,同时通过其他预测模型预测结果的对比,验证了随机森林算法在煤与瓦斯突出预测中具有较高的准确度。     

基于优化支持向量机的人脸表情分类

分析了支持向量机（support vector machine, SVM）目前主要存在的问题和参数选择对分类性能的影响后, 提出了以改进粒子群算法优化SVM关键参数的优化SVM算法。将加入拥挤度因子的微粒群算法引入到SVM中, 在不牺牲泛化性能的前提下, 对其参数进行优化, 增加了SVM初始化参数的多样性, 减慢了局部搜索, 促进其在全局范围内的寻优搜索, 以有效克服SVM算法过分依赖初始值和容易陷入局部极小值的缺点, 并利用由粗到精的策略构造多层SVM人脸表情分类器, 在提高准确率的基础上加快分类的速度。实验证明, 新算法具有速度快、准确率高的优点。     

基于PCA和PSO-ELM的煤与瓦斯突出软测量研究

针对煤与瓦斯突出预测效率和准确率不高这一问题,提出将主成分分析(PCA)法与改进的极端学习机(PSO-ELM)相结合的方法对煤与瓦斯突出进行预测。根据某煤矿地质动力区划方法,在划分活动断裂,岩体应力计算等工作基础上获取影响突出的相关数据;通过主成分分析法对原始数据进行降维处理,消除变量间的线性相关性;利用粒子群算法(PSO)对极端学习机(ELM)的输入权值和隐层阈值进行优化,建立PSO-ELM预测模型,将提取的主成分作为该模型的输入,煤与瓦斯突出强度作为模型输出。实验结果表明,该方法的预测精度高、结构简化,具有较强的泛化性能力强。     

基于突变级数法的煤与瓦斯突出危险性预测

针对煤与瓦斯突出发生的内在机理非常复杂、难以建立合适的多因素非线性预测模型的问题,提出了基于突变级数法的煤与瓦斯突出危险性预测方法。该方法选用典型突出矿井的煤与瓦斯突出实例作为学习样本,确定了不同冲击危险等级的突变级数,并应用于其他待判样本的预测。实际应用结果表明,该方法能较准确地反映煤与瓦斯突出的危险程度,预测精度较高。     

一种改进的极限学习机煤与瓦斯突出预测模型

较高精度的煤与瓦斯突出预测是煤矿安全生产的必要前提和保证.为了提高煤与瓦斯突出预测模型的预测精度,提出了一种改进的极限学习机煤与瓦斯突出预测模型.首先利用核主成分分析法对煤与瓦斯突出的影响指标进行降维简化处理,提取指标数据的主成分序列;把主成分序列分为训练样本和验证样本,然后在训练阶段,使用训练样本通过结合了全局搜索和局部搜索的文化基因算法对极限学习机的输入权值和隐含层偏差进行优化,得到最佳预测模型;最后,在最佳预测模型中,用验证样本对煤与瓦斯突出强度进行预测.通过实例验证,该模型能够有效预测煤与瓦斯突出强度.与BP、SVM、ELM、KPCA-ELM等预测模型相比,该模型具有更高的预测精度.     

基于KPCA和CIPSO-PNN的煤与瓦斯突出强度辨识模型

为了实现对煤与瓦斯突出强度等级的准确辨识,提出将核主成分分析( KPCA)和改进概率神经网络相结合,建立煤与瓦斯突出的强度辨识模型。根据煤层条件和生产条件,确定影响煤矿瓦斯突出的相关基础参数并对其进行测定,采用KPCA对该参数集进行降维处理,提取出可以表征煤与瓦斯突出的敏感参数作为辨识模型的输入值。利用混沌免疫粒子群算法( CIPSO)优化概率神经网络(PNN)的σ参数,以克服PNN中平滑参数σ单一而导致的分类错误,避免了人为因素的影响,提高辨识模型的精度。实例分析结果表明,相比BP、PNN、PSO￣PNN等方法,该方法对煤与瓦斯突出强度进行辨识,结果更为准确。     

煤与瓦斯突出协同预测技术研究及应用

针对现有煤与瓦斯突出预测技术难以实现时间和空间领域的全方位连续预测、防突预测结果利用率低、预测信息发布滞后等问题,提出了一套适用于现代化高产高效矿井的多因素、全方位、时空连续型的煤与瓦斯突出协同预测技术体系.按照煤与瓦斯突出形成的时空维度,将煤与瓦斯突出危险性预测划分为以空间维度为主的区域突出危险性预测和以时间维度为主的局部突出危险性预测.通过对地质构造、煤层埋深、煤体煤质、软煤分布、钻屑指标、瓦斯涌出初速度等区域、局部防突预测数据的深度挖掘分析,得到区域、局部突出危险性预测结果,并按照一定规则进行有效融合,实现时间和空间范围内的连续监测预警.研发了配套的防突信息综合管控平台和WTC-1型瓦斯突出数据采集仪,为煤与瓦斯突出协同预测技术的实现提供了软硬件支撑.现场应用结果表明,该技术预测准确率超过90%,防突预测结果单次审批时间缩短为原来的22.5%,防突信息综合管控平台多次超前捕捉到了煤与瓦斯突出危险,提高了矿井防突信息利用效率.     

基于灰色关联熵的煤与瓦斯突出概率神经网络预测模型*

煤与瓦斯突出是严重威胁矿井安全生产的重大自然灾害之一。为解决煤与瓦斯突出影响因素、突出危险性关联预测问题,在综合分析煤与瓦斯突出影响因素的基础上,利用灰色关联熵理论分析影响因素与突出危险性的关联度,得到各影响因素的权重及关联度排序,并结合概率神经网络（PNN）原理,构建基于灰色关联熵的煤与瓦斯突出PNN预测模型。用煤与瓦斯突出样本数据,对影响因素加权的PNN模型进行训练和测试。结果表明：用灰色关联熵分析可获得影响因素与突出危险性的关系,量化输入变量的重要性;瓦斯放散初速度、开采深度对于煤与瓦斯突出危险性的影响程度最大,可重点对瓦斯放散初速度、开采深度进行预处理以产生更为理想的预测效果;该预测模型能更好地考虑影响因素对突出危险性的综合影响,改善煤与瓦斯突出危险性预测的准确性。