基于模糊聚类和SVM的瓦斯涌出量预测

为了准确预测瓦斯涌出量,提出了一种基于模糊聚类和支持向量机(SVM)的瓦斯涌出量预测方法。将瓦斯涌出量相关影响因素作为特征空间中的样本,采用模糊C均值聚类对特征空间中的样本进行聚类分析,对于所得到的不同类别样本分别建立SVM预测模型。结果表明:采用单纯的SVM预测方法,对于不同特征的样本的预测个别预测误差相对较大,其最大误差为8.11%,平均误差为4.68%,采用文中所建议的用FCM对样本分类后再进行SVM预测,预测精度有明显改善,最大误差和6.94%,平均误差为3.35%,表明所建议的方法是有效和可行的。     

基于蚁群算法优化SVM的瓦斯涌出量预测

为了提高瓦斯涌出量预测的精度和预测模型的泛化能力,提出了一种基于蚁群算法(ACO)优化支持向量机(SVM)参数的瓦斯涌出量预测方法。在SVM所建立预测模型中各个参数的取值区间内,采用蚁群优化算法计算预测模型各个参数的最佳值,基于最佳参数的SVM建立瓦斯涌出量预测模型。结果表明:采用未优化的SVM建立的预测方法,其个别预测误差相对较大,最大误差为8.11%,平均误差为4.68%,采用ACO对于预测模型的参数进行优化后,预测性能有显著提高,最大误差为4.37%,平均误差为2.89%,表明所建议的方法是有效、可行的。     

基于卡尔曼滤波及神经网络的瓦斯涌出量预测

为解决当前瓦斯涌出量预测过程中存在的因影响因素过多、预测指标与瓦斯涌出量之间非线性关系及其自身时变性等特点而导致预测精度降低的问题,采用SPSS因子分析法对瓦斯涌出量影响因素进行分析降维,将得到的预测指标由构建的BP神经网络与卡尔曼滤波相结合的瓦斯涌出量预测模型进行预测。研究结果表明:采用因子分析的方法能够有效筛选瓦斯涌出量影响因素,并得到了预测指标,降低了预测模型预算复杂度;经过BP神经网络与卡尔曼滤波耦合瓦斯涌出量预测模型,其预测精度明显高于直接采用神经网络模型预测的结果,预测性能明显改善,其平均误差仅为2.75%,表明所采取的瓦斯涌出量预测方法是可行和有效的。     

优化神经网络模型在瓦斯涌出预测中的应用

为准确预测矿井瓦斯涌出量,降低瓦斯涌出带来的危害,通过灰色关联分析理论得出影响瓦斯涌出量的主要因素为原始瓦斯含量>煤层厚度>煤层埋深>工作面长度>推进速度>煤层倾角,通过优化RBF模型对瓦斯涌出量预测模型进行构建,并运用Matlab仿真模拟预测矿井瓦斯涌出量,结果显示:基于优化RBF模型仿真模拟预测得出的矿井瓦斯涌出量与实际瓦斯涌出量非常接近,5组预测数据中,最大误差为3.6%,最小误差为0.8%,平均误差为1.84%,预测精度较高,可应用于矿井瓦斯涌出量的预测当中。     

基于卡尔曼滤波法的工作面瓦斯涌出量预测研究

针对矿井回采工作面瓦斯涌出量的非线性、时变性、复杂性和不确定性等特点,提出了卡尔曼滤波算法用于预测非线性动态瓦斯涌出量。通过建立数学模型并结合平煤13矿数据资料得出预测结果。结果表明:卡尔曼滤波法预测的平均误差为3.35%,比其它预测方法具有较高的精准度,该方法对回采工作面瓦斯涌出量的预测具有较好的跟踪能力和反应速度。     

基于偏最小二乘回归的回采工作面瓦斯涌出量预测模型

针对回采工作面瓦斯涌出量回归建模过程中自变量间出现多重共线性问题,提出应用偏最小二乘回归(PLS)对瓦斯涌出量进行预测的建模思路。选取地质及采矿2个方面共12个参数指标作为回归因子,利用15个瓦斯涌出实例为建模样本,建立了回采工作面瓦斯涌出量的偏最小二乘回归模型。建立的模型对训练样本拟合效果良好,最大误差为6.09%,平均误差仅为2.06%;对其余几个案例进行预测,精度优于主成分分析和BP神经网络,与最小二乘-支持向量机模型相当。研究表明,基于偏最小二乘回归进行工作面瓦斯涌出量预测是一种有效可行的方法。     

基于改进万有引力算法的KELM瓦斯涌出量预测

针对瓦斯涌出量受其他因素的影响,并且存在着复杂的非线性关系,将核极端学习机与改进的万有引力算法相结合建立基于改进万有引力算法-KELM的瓦斯涌出量预测模型(IGSA-KELM瓦斯涌出量预测模型)。首先将输入样本作为KELM网络的输入量,然后采用改进的万有引力搜索算法对KELM网络的核参数和输出权值寻优,优化KELM网络的性能。测试结果表明,基于该方法预测的绝对瓦斯涌出量误差在0.1 m^3/min以内,提高了预测精度和预测效率。     

基于主成分分析法的煤矿瓦斯涌出量预测

为解决煤矿瓦斯涌出量预测过程中存在的指标繁杂致使预测精度低的问题,运用R语言主成分分析法对瓦斯涌出量影响因素进行降维分析,结合多种多元回归模型,最终选用多元线性回归进行瓦斯涌出量预测。结果表明:主成分分析法能有效减少预测变量个数,经主成分旋转后构建的多元回归预测模型精度较高,其平均误差绝对值为2.67%。主成分分析法与多元线性回归相结合的方法适用于瓦斯涌出量预测。     

回采工作面瓦斯涌出BP神经网络分源预测模型及应用

基于回采工作面瓦斯涌出分源涌出，利用人工神经网络分别预测开采煤层、邻近煤层、采空区3种来源的瓦斯涌出量；因3种来源瓦斯涌出量的影响因素不同，为了避免不相关因素的干扰，提高预测精度，确定整个预测体系由开采层、邻近层、采空区等3个瓦斯涌出量预测神经网络组成，对每个涌出源分别建立神经网络预测模型；最后采用Matlab中BP神经网络算法，针对实际矿井进行应用，预测误差小.     

灰色关联优化BP神经网络预测工作面瓦斯涌出量

根据义马中部井田瓦斯地质规律,选取埋深、开采强度、开采顺序和煤层厚度作为自变量,瓦斯涌出量为目标量,构建自变量矩阵和参考序列,进行瓦斯涌出量影响因素灰色关联度分析;由于各瓦斯地质影响因素与瓦斯涌出量的高度非线性关系,将各影响因素进行归一化处理,建立优化神经网络预测瓦斯涌出量数值模型,样本训练收敛速度快,误差在0.12%以内,并用此模型对耿村井田深部煤层瓦斯涌出量进行了预测。     

等维新息模型在矿井瓦斯涌出量预测中的应用

为了准确预测矿井瓦斯涌出量,介绍了灰色预测理论模型的建模方法与模型精度评定方法,阐述了采用等维新息模型进行矿井瓦斯涌出量分析的特点。并以顾桥煤矿1116(1)工作面相对瓦斯涌出量统计数据为实例,利用等维新息模型对其瓦斯涌出量趋势进行预测,分析了等维新息模型的合理维数,取得了较好的预测结果,并得到了具有实用价值的预测模型。     

瓦斯涌出量预测的高斯过程机器学习模型

高斯过程是新近发展的一种机器学习方法,对处理复杂非线性问题具有很好的适应性。采煤工作面瓦斯涌出量与其影响因素之间存在着复杂的非线性关系,针对传统预测方法的局限性,提出了瓦斯涌出量预测的高斯过程机器学习模型。通过对少量学习样本的学习,采用该模型可建立瓦斯涌出量与其影响因素之间的复杂非线性映射关系。将模型应用于工程实例,研究结果表明,瓦斯涌出量预测的高斯过程机器学习方法是科学可行的,具有预测精度高、适用性强、参数自适应化且易于实现的优点。     

有限脉冲响应滤波器在电力系统谐波鲁棒估计中的应用

为了解决电力系统中谐波估计的不可靠性问题,设计了一种利用最佳有限脉冲响应（FIR）滤波器对电力系统谐波进行鲁棒估计的方法,并应用于有噪声电流或电压信号的状态空间表示,估计谐波分量的幅值。该方法是由有限数量的已测值组成的线性组合,可以保证其稳定性,从而避免出现发散问题。结果显示,最佳FIR滤波器不需要任何初始状态的先验信息,减少在谐波估计方法中引入的来自未知初始状态的误差。仿真结果验证了该方法的性能和鲁棒性,并将该方法用于电力调节系统的谐波分量和总谐波畸变的估计。与现有基于卡尔曼滤波器的方法相比,该方法为电力系统谐波估计提供了更可靠的解决方案。     

基于因子分析的瓦斯涌出量主控因素确定方法

为了获得影响瓦斯涌出的主控因素并有针对性地采取瓦斯治理措施,采用因子分析法对夏店煤矿3号煤层回采工作面的瓦斯涌出量影响指标数据进行分析,然后建立了瓦斯涌出量指标因子分析数学模型,最后有针对性地提出了工作面的瓦斯治理措施。研究结果表明:因子分析法可有效减少瓦斯涌出量影响变量的维数;影响夏店煤矿瓦斯涌出量的3个主要公共因子为瓦斯含量因子、地质条件因子和开采技术因子,其中瓦斯含量因子权重32.860%、地质条件因子权重28.110%、开采技术因子权重19.232%,累计贡献达到80.202%;本煤层、邻近层瓦斯含量是影响夏店煤矿瓦斯涌出量的主控因素,降低本煤层、邻近层瓦斯含量是减少工作面瓦斯涌出的有效措施。     

Dynamic prediction of gas emission based on wavelet neural network toolbox

This paper presents a method for dynamically predicting gas emission quantity based on the wavelet neural network (WNN) toolbox. Such a method is able to predict the gas emission quantity in adjacent subsequent time intervals through training the WNN with even time-interval samples. The method builds successive new model with the width of sliding window remaining invariable so as to obtain a dynamic prediction method for gas emission quantity. Furthermore, the method performs prediction by a self-developed WNN toolbox. Experiments indicate that such a model can overcome the deficiencies of the traditional static prediction model and can fully make use of the feature extraction capability of wavelet base function to reflect the geological feature of gas emission quantity dynamically. The method is characterized by simplicity, flexibility, small data scale, fast convergence rate and high prediction precision. In addition, the method is also characterized by certainty and repeatability of the predicted results. The effectiveness of this method is confirmed by simulation results. Therefore, this method will exert practical significance on promoting the application of WNN.     

基于多元线性回归理论的煤矿瓦斯涌出量预测

为有效地预测煤矿瓦斯涌出量,降低矿井生产中的危险,分析影响煤矿瓦斯涌出量的因素,基于多元线性回归理论,构建了煤矿瓦斯涌出量预测模型.选取煤层瓦斯含量、煤层埋深、煤层厚度、邻近层瓦斯量4个因素作为自变量,不考虑其它因素的影响,运用SPSS软件处理数据,得出瓦斯涌出量与其影响诸因素之间的线性回归方程.通过瓦斯涌出量模型的建...