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。     

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.     

基于半监督学习和支持向量机的煤与瓦斯突出预测研究

针对支持向量机要求输入向量为已标记样本,而实际应用中已标记样本很难获取的问题,提出将半监督学习和支持向量机结合的煤与瓦斯突出预测方法;介绍了采用SVM预测煤与瓦斯突出的流程及其输入向量的选择;对半监督学习中的协同训练算法进行了改进:在同一属性集上训练2个不同分类器SVM和KNN,将2个分类器标记一致的样本加入训练集,从而充分利用未标记样本不断补充信息,更新训练集标记样本,达到强化训练集的目的。测试结果表明,改进后的算法比单独的支持向量机预测方法准确率更高。     

基于IPSO-Powell优化SVM的煤与瓦斯突出预测算法

针对基于支持向量机(SVM)的煤与瓦斯突出预测算法存在预测精度和可靠性不高,选择核函数时未考虑非线性数据的分类,对非线性分布的煤与瓦斯突出影响因素提取效果较差的问题,提出了一种将改进的粒子群(IPSO)算法与Powell算法相结合(IPSO-Powell)优化SVM的煤与瓦斯突出预测算法.首先通过灰色关联分析提取出煤与瓦斯突出主控因素,即瓦斯放散初速度、瓦斯压力、开采深度、瓦斯含量和煤体破坏类型,作为算法的输入样本;然后运用IPSO算法改善粒子群算法(PSO)的早熟收敛性,结合Powell算法进行局部搜索得到最优解,对SVM算法的惩罚系数和高斯核函数参数进行寻优,得到SVM的最优参数组合;最后将煤与瓦斯突出的主控因素输入到SVM中进行分类,并将其与实际测试集分类结果进行对比,实现煤与瓦斯突出预测.仿真结果表明:与SVM算法、GA-SVM算法、PSO-SVM算法相比,利用IPSO-Powell优化SVM算法进行煤与瓦斯突出预测,具有更高的预测精度,同时提高了SVM求解过程的运算效率,能同时满足煤与瓦斯突出预测的精度和可靠性要求,准确率达到95.9%.     

基于模糊粗糙集与支持向量机的瓦斯涌出量预测研究

支持向量机(Support Vector Machine)具备很强的非线性建模能力,而且具有全局最优、结构简单等优点,近年来被广泛的应用于煤矿瓦斯预测方面,但其在处理样本时,不能确定数据中哪些知识是冗余的、不能将输入的信息空间维数简化,因此,会降低系统预测的精确性;将模糊粗糙集理论引入瓦斯涌出量的预测中,建立基于模糊粗糙集与支持向量机的瓦斯涌出量预测模型,用模糊粗糙集作为前端预处理器对数据进行约简,剔除冗余信息,以实现两种算法的优势互补.实验结果显示,该方法预测准确,具有较高的应用价值.     

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。     

基于粗糙集-支持向量机的软件缺陷预测

软件缺陷预测已成为软件工程的重要研究课题,构造了一个基于粗糙集和支持向量机的软件缺陷预测模型。该模型通过粗糙集对原样本集进行属性约减,去掉冗余的和与缺陷预测无关的属性,利用粒子群对支持向量机的参数做选择。实验数据来源于NASA公共数据集,通过属性约减,特征属性由21个约减为5个。实验表明,属性约减后,Bayes分类器、CART树、神经网络和本文提出的粗糙集—支持向量机模型的预测性能均有所提高,本文提出的粗糙集支持向量机的预测性能好于其他三个模型。     

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bi-LWCA-ENN煤与瓦斯突出危险性预测

为了提高煤与瓦斯突出的预测精度,以实现准确、可靠的瓦斯突出危险性预测,提出一种双层狼群算法（LWCA）优化Elman神经网络模型进行模式分类与预测,建立煤与瓦斯突出的双层LWCA-ENN预测模型。分析煤与瓦斯突出机理和影响因素,提取相关数据样本,筛选稳定的特征子集作为特征向量训练模型,算法通过对Elman神经网络的权值、阈值寻优,建立了基于bi-LWCA-ENN算法的预测模型并结合矿井监测数据进行实例分析。试验结果表明：煤与瓦斯突出的bi-LWCA-ENN模型稳定性好,收敛速度快,有效地实现了瓦斯突出危险性预测。     

基于LASSO-SVM的软件缺陷预测模型研究

针对当前大多数软件缺陷预测模型预测准确率较差的问题, 提出了结合最小绝对值压缩和选择方法与支持向量机算法的软件缺陷预测模型。首先利用最小绝对值压缩与选择方法的特征选择能力降低了原始数据集的维度, 去除了与软件缺陷预测不相关的数据集; 然后利用交叉验证算法的参数寻优能力找到支持向量机的最优相关参数; 最后运用支持向量机的非线性运算能力完成了软件缺陷预测。仿真实验结果表明, 所提出的缺陷预测模型与传统的缺陷预测模型相比具有较高的预测准确率, 且预测速度更快。