基于EMD和LS-SVM的复合地基沉降预测

针对复合地基沉降量时间序列呈现出的非线性、非平稳、多尺度的特点,提出了一种结合经验模式分解(EMD)和最小二乘支持向量机(LS-SVM)的复合地基沉降量预测模型。通过EMD分解,将原始观测数据沉降量的非平稳序列分解为若干不同尺度的平稳IMF(固有模态分量)分量,应用LS-SVM对各IMF分量分别进行预测,然后再组合得到复合地基沉降数据的预测结果。结合工程实例进行了实际应用,该方法不仅能够获得较高的预测精度,还能够反映原始沉降量数据的突变性,表明此方法具有推广价值。     

粗糙集和LSSVM在设备故障诊断中的应用

为了提高旋转设备故障诊断的准确率,提出了基于粗糙集和最小二乘支持向量机(LSSVM)的旋转设备故障诊断方法,讨论了如何进行数据选择、离散及约简方法,用粗糙集提取出旋转设备故障诊断的关键征兆属性,降低数据集的维数将约简属性后的数据集送入最小二乘支持向量机进行故障分类训练。仿真结果表明:采用此方法的故障识别率优于PCA-LSSVM法,分类时间也明显优于LSSVM分类方法。     

双权法LSSVM在旋转设备故障诊断中的应用

由于旋转设备故障数据样本存在不平衡性,导致传统的LSSVM无法对异常值样本正确分类,为了解决这一问题,首先采用LSSVM从训练集中提取错分样本及其分类的支持向量,再根据各类故障样本数量对惩罚因子进行加权,以减少样本数量不平衡对分类结果的影响;然后根据错分样本到本类边界支持向量的距离,对松弛系数设置不同的权值,使错分的异常值样本分类得以修正。通过煤矿风机故障数据集验证了该算法分类效果明显优于传统的LSSVM方法。它有效地消除了因故障样本数据不平衡、样本分布异常对分类器造成的影响,提高了设备故障诊断的正确率。     

最小二乘支持向量机与马尔可夫链组合预测应用研究——以四川省天然气消费量为例

天然气作为四川省的一种主要能源,正确合理地对天然气消费量进行预测有着重要的意义。在历史数据有限的情况下,为解决四川省天然气消费量预测的问题,提出一种基于最小二乘支持向量机与马尔可夫链的组合预测模型。首先,利用经过优化后的最小二乘支持向量机建立四川省天然气消费量的时间序列预测模型;然后借助马尔可夫链进行系统状态划分,缩小预测区间以提高预测精度;最后运用该模型对四川省2007～2011年天然气消费量做出预测。计算结果表明,该模型具有一定的精度和可靠性。     

GA-LSSVM在GPS高程异常反演中的应用

针对传统GPS高程异常反演方法中存在的不足,首先采用遗传算法优化最小二乘支持向量机的参数,然后用于反演GPS高程异常。实验表明,在有限样本情况下,GA-LSSVM模型不仅发挥了LSSVM处理小样本数据的能力,而且通过GA优化后的LSSVM能够选择出合适的参数,反演得到高精度的GPS高程异常。通过对测试样本的反演精度进行评定,得到的GA-LSSVM反演GPS高程异常可以推广到实际应用中。     

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GA和LS-WSVM矿区地表下沉系数预测

 针对传统方法中预计地表下沉系数存在的缺陷。以我国典型的地表移动观测站数据为例,采用启发式算法遗传算法进行参数寻优,提出将小波理论与最小二乘支持向量机结合而成的最小二乘小波支持向量机的方法对地表下沉系数进行预测。实验结果表明,与改进的BP神经网络和PSO-SVM两种方法相比,基于GA和LS-WSVM矿区地表下沉系数预测方法收敛速度更快,精确度更高。     

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。     

量子粒子群优化算法在煤矿瓦斯涌出量预测中的应用

针对瓦斯涌出局部性、随机性、模糊性等特点,提出一种新的量子粒子群优化、支持向量核构造量子粒子群算法和向量回归模型,并且运用一种新型的智能量子粒子群优化算法优选模型参数。实验结果表明,所提出的量子粒子群支持向量回归模型预测瓦斯涌出量比标准支持向量回归模型、智能支持向量回归模型预测精度高、速度快。     

基于灰色神经网络算法的煤矿瓦斯涌出量预测模型研究

矿井瓦斯是煤矿生产过程中存在的主要的不安全因素,煤矿瓦斯涌出量在很大程度上影响着矿井的设计及开采。文章提出利用灰色神经网络预测矿井瓦斯涌出量的思路,并对灰色神经网络模型进行了全面阐述,之后对模型进行了仿真分析。     

基于神经网络算法的煤矿瓦斯涌出量预测模型研究

在煤矿生产过程中存在着瓦斯涌出现象,严重威胁着煤矿的安全生产。瓦斯涌出检查在矿井设计、建设和开采作业过程中显得尤为重要。文章采用神经网络有效地对矿井瓦斯气量进行检测分析,利用分析结果进行准确预测。文中将介绍神经网络预测的整体构建过程,结合仿真实例,分析煤矿瓦斯涌出量预测模型的可靠性。     

前馈神经网络改进算法及其在矿床预测中的应用

利用凸函数共轭性质中的Young不等式构造前馈神经网络优化目标函数，这个优化目标函数对于权值和隐层输出来说均为凸函数，不存在局部最小。此目标函数的优化速度快．大大提高了前馈神经网络的学习效率。把这种快速算法应用于矿床预测，取得了良好效果。     

灰色理论在边坡岩体变形预测中的应用

边坡工程中,由于材料的非连续性、非均质性以及对结构认识的不完全性,难以用确定的函数形式对边坡变形趋势进行描述。应用灰色系统的原理和方法,对边坡的变形发展进行预测是一种有效手段。本文结合GPS变形监测所获得的原始数据,建立灰色预测GM(1,1)模型,分析边坡岩体变形趋势与边坡稳定性。结果显示:灰色预测的变形数据与实测变形数据关联度较好,灰色理论用于边坡岩体变形预测是切实可行的。     

长虹公司二1煤层煤与瓦斯突出危险性区域预测

在分析长虹公司二。煤层瓦斯动力现象特征和瓦斯基础参数测定的基础上，确定了煤与瓦斯突出区域预测指标的临界值，结合瓦斯地质分析结果，对长虹公司二，煤层煤与瓦斯突出危险性进行了区域预测。     

链条式数控抽油机在煤层气井排采中的应用

链条式数控抽油机由于其全数控电力拖动的特性，配套应用于煤层气排采，较几种常见的煤层气排采设备而言，具有运行平稳、节能、自动化程度高和可实现冲次、冲程任意调整等特点，经过近40多口井的应用，取得了很好的效果。     

自组织神经网络在煤矿地质异常的横向预测中的应用

自组织神经网络是一种学习能力强、收敛速度快的智能系统,可用于解决分类、聚类、识别异常等问题.依据煤田地震勘探中的地震波运动学和动力学特征,提取地震波的最大互相关系数、分形关联维、主频、频带宽度、主频带能量共五组特征参数,利用自组织神经网络横向预测地质异常.计算结果表明,该方法可行,可望成为预测地质异常的一种有效方法.     

类比法预测高瓦斯高产工作面瓦斯涌出量研究

通过对部分矿井同采区同翼同煤层回采工作面瓦斯涌出量、产量及其开采深度的研究,提出了预测高瓦斯高产工作面瓦斯涌出量的类比法,探讨了预测基本原理和步骤。并以淮南谢桥矿某回采工作面进行了预测准确性检验,结果表明,预测结果比实测值略小,相对误差在10%范围内,可为现场实际应用。     

分源法预测望云煤矿瓦斯涌出量

瓦斯灾害是影响煤矿安全生产的主要因素之一,为了有效防治瓦斯灾害,必须进行瓦斯涌出量预测。瓦斯涌出量是矿井通风设计的重要依据,是抽放设计的基础数据。因此瓦斯涌出量预测的准确性显得十分重要。本文运用分源预测法对望云煤矿进行了瓦斯涌出量预测,对望云煤矿将来的瓦斯治理提供了依据。