基于GA-LSSVR的露天矿边坡稳定性预测

针对露天矿边坡稳定性问题的小样本、非线性等特点,利用遗传算法的全局搜索能力优势,提出了基于遗传算法的最小二乘支持向量回归参数寻优方法,并建立基于遗传最小二乘支持向量回归(GA-LSSVR)的露天矿边坡稳定性预测模型。通过遗传算法对LSSVR进行优化,提高了预测精度和速度。实验结果表明,与BP神经网络、LSSVR模型相比,GA-LSSVR的精度更高,基于GA-LSSVR的露天矿边坡稳定性预测模型更有效。     

基于GA-LSSVR的煤矿瓦斯数据去噪研究北大核心

针对煤矿瓦斯数据普遍含有噪声的问题,提出一种基于遗传算法优化的最小二乘支持向量回归机(GA-LSSVR)的数据去噪算法。LSSVR通过求解只含一个等式约束的二次规划问题来求得最优解,从而改进了小波去噪局部最优的缺点。但LSSVR也存在收敛速度慢的缺点,通过遗传算法(GA)优化LSSVR,以提高算法的收敛速度。首先,对某煤矿的瓦斯浓度时间序列进行异常数据和缺失数据的处理,然后用GA-LSSVR建模训练。仿真实验结果表明,与小波去噪方法相比,GA-LSSVR能有效去除噪声,并且能够避免数据失真,把有效信号分离出来,经过计算,GA-LSSVR能将输入输出均方根误差降低0.002 94,相对降低了34.59%,去噪效果较好;与LSSVR方法相比,GA-LSSVR能明显缩短程序运行时间,可提高运行效率。     

基于GA-LSSVR的煤矿瓦斯数据去噪研究

针对煤矿瓦斯数据普遍含有噪声的问题,提出一种基于遗传算法优化的最小二乘支持向量回归机(GA-LSSVR)的数据去噪算法。LSSVR通过求解只含一个等式约束的二次规划问题来求得最优解,从而改进了小波去噪局部最优的缺点。但LSSVR也存在收敛速度慢的缺点,通过遗传算法(GA)优化LSSVR,以提高算法的收敛速度。首先,对某煤矿的瓦斯浓度时间序列进行异常数据和缺失数据的处理,然后用GA-LSSVR建模训练。仿真实验结果表明,与小波去噪方法相比,GA-LSSVR能有效去除噪声,并且能够避免数据失真,把有效信号分离出来,经过计算,GA-LSSVR能将输入输出均方根误差降低0.002 94,相对降低了34.59%,去噪效果较好;与LSSVR方法相比,GA-LSSVR能明显缩短程序运行时间,可提高运行效率。     

基于PCA-GA-LSSVR的工作面涌水量预测

联合采用主成分分析法、遗传算法、最小二乘支持向量回归算法对工作面涌水量进行定量预测,建立基于主成分分析-遗传-最小二乘支持向量回归(PCA-GA-LSSVR)模型进行工作面涌水量预测,避免了变量间相互干扰,简化变量个数,提高了计算速度和精度。     

露天煤矿边坡稳定性预测的PSO-LSSVM模型

针对边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取七项因素(岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数)作为边坡稳定性的影响因素,建立PSO-LSSVM的边坡稳定性预测模型。利用矿山实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM模型在矿山边坡稳定性预测中有较高的准确度。     

露天煤矿边坡稳定性预测的PSO-LSSVM模型

边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。针对煤矿边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取煤矿边坡工程中岩石重度、粘聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数等七项因素为边坡稳定性的影响因素,建立了PSO-LSSVM的煤矿边坡稳定性预测模型。利用煤矿实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM在煤矿边坡稳定性预测中有较高的准确度。     

露天煤矿卡车路段行程时间的实时动态预测新方法

针对露天煤矿卡车优化调度中重要的行程时间预测问题,考虑影响卡车行程时间的各种因素,建立卡车行程时间预测模型,利用最小二乘支持向量回归算法(LS-SVR)和选择性集成学习思想,提出一种基于最小二乘支持向量回归的选择性集成学习算法实现卡车行程时间的动态预测。并在实际采集的露天煤矿数据上进行实验,得到较高的预测精度,说明了算法的有效性。     

基于PCA-RVM的露天矿边坡稳定性预测模型

针对当前露天矿边坡稳定性预测模型精度不高、效率低等问题,提出一种将主成分分析法(PCA)和相关向量机(RVM)相结合的露天矿边坡稳定性预测模型.该模型运用PCA对影响边坡稳定性的多个影响因素变量进行降维,筛选出4个相互独立的主成分变量;借助RVM映射边坡稳定性安全系数与主成分变量之间的非线性关系,建立基于PCA-RVM...     

基于SVR组合模型的边坡位移预测研究

为解决传统支持向量机预测模型的不足,造成矿山边坡位移预测精度低的问题。提出了一种基于自适应惯性权重PSO算法的支持向量回归机(SVR)组合预测模型。将其运用到某矿边坡滑坡位移预测中,并与基于灰色预测模型、基于传统SVR预测模型预测结果对比,结果表明:基于SVR组合预测模型的矿山边坡位移预测的精度更具优势。     

基于最小二乘支持向量机的选煤厂日用水量短期预测

针对选煤厂日用水量时间序列的预测问题，提出应用最小二乘支持向量机（LSSVM）这一新的机器学习方法来实现日用水量的短期预测.借鉴多层动态自适应优化算法的思想，提出最小二乘支持向量机参数优化的多层动态交叉验证法；用微熵率法求得选煤厂日用水量时间序列的最佳嵌入维数和最佳延迟参数，重构相空间，建立了基于最小二乘支持向量机的选煤厂日用水量时间序列等维信息一步预测模型.预测结果表明:基于LSSVM的预测模型的预测精度比BP神经网络预测模型的预测精度要高，能够满足选煤厂日用水量预测的需要.     

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。     

基于相空间重构与GA-LSSVM的瓦斯涌出量预测

将相空间重构与进化最小二乘支持向量机（GA-LSSVM）相结合,建立瓦斯涌出量预测模型。根据Takens理论,重构瓦斯涌出量时间序列相空间,分别采用互信息法和伪近邻点确定延迟时间和嵌入维数;然后在相空间中,运用最小二乘支持向量机（LSSVM）建立预测模型,并采用遗传算法（GA）优化模型参数。最后,以晋城市成庄矿2315综放工作面瓦斯涌出量为例,进行了预测研究。计算结果表明,模型具有较高的精度,是科学可行的。     

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GS-PSO-SVM模型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 model)。为了解决支持向量机参数选取问题,首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,9个为预测样本,以岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力等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%,有更高的预测精度和预测效率,该模型能有效地对边坡稳定性状态进行预测。     

基于GA-BP模型的露天矿边坡稳定性预测

针对现有研究方法在预测露天矿边坡稳定性时存在适用性不强和误差大的问题,基于遗传算法对BP神经网络进行改进,提出一种露天矿边坡稳定性预测模型。该模型以坡体容重、黏聚力、内摩擦角、边坡倾角、边坡高度和孔隙压力6个参数为输入变量,以安全系数为输出变量,随后利用该模型对露天矿边坡的实例进行分析,与传统BP神经网络预测模型性能进行比较。研究结果表明:GA-BP模型在进行露天矿边坡稳定性预测时效果好,具有误差小和计算精度高的优点,为准确预测露天矿边坡稳定性提供了一种新的方法。     

PCA和GA-BP神经网络在边坡稳定性预测中的应用

针对现有边坡稳定性预测模型存在的不稳定性和精度不高的问题,采用主成分分析方法 PCA和遗传算法GA对传统BP神经网络模型进行优化。PCA方法将露天矿边坡稳定性的6个评价指标转换为4个主成分,作为BP神经网络的输入变量;遗传算法对神经网络的初始权阈值进行了筛选优化。经优化后的模型既减少了神经网络的输入变量,提高了学习训练效率,又使得传统BP神经网络模型的精度大大提高。最后将PCA-GA-BP模型、GA-BP模型和传统BP模型得到的预测结果进行对比和误差分析。结果表明,基于PCA-GA-BP神经网络模型的预测精度较好,对露天矿边坡稳定性的预测具有一定的参考价值。     

生物氧化预处理过程中溶氧量的预测

溶氧量是影响生物氧化速率的重要因素之一,精准预测溶氧量对生物氧化冶金工艺有着十分重要的意义,为提高模型预测的精度,提出一种基于鲸鱼算法—最小二乘支持向量机(WOA-LSSVM)的矿浆溶氧量预测建模方法,用鲸鱼算法对最小二乘支持向量机的核函数宽度和惩罚因子进行寻优,建立WOA-LSSVM溶解氧量预测模型,最后输出预测结果...     

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。     

基于最小二乘支持向量机的矿用胶带机滚动轴承故障识别

提出利用最小二乘支持向量机方法进行矿用胶带机滚动轴承故障识别方法,利用小波包的分解方法提取检测信号的故障信息,并将其作为最小二乘支持向量机的输入量,将样本的常见故障类型作为输出量,对样本的输入量和输出量进行不断的训练学习,得到最小二乘支持向量机模型,利用该模型进行胶带机滚动轴承故障识别。研究结果表明:基于最小二乘支持向量机模型的计算结果与测试样本拟合精度较高,可以用于进行矿用胶带机滚动轴承故障识别。     

基于改进DE-LSSVM模型的边坡变形预测

针对目前最小二乘支持向量机(LSSVM)在预测算法中存在的不足,通过改变差分演化算法(DE)中的缩放因子个数、杂交概率的个数和变异策略来建立改进DE-LSSVM预测模型,利用某矿山的边坡观测数据。结果表明,基于改进DE-LSSVM预测模型有较优的预测能力。