基于PolyAnalyst线性回归的瓦斯涌出量预测应用研究

瓦斯涌出量受多种相关因素的影响.通过运用PolyAnalyst软件平台提供的线性回归模型进行瓦斯涌出量的预测,自动选取合适的影响因素建立预测瓦斯涌出量的多元线性回归模型.结果表明,通过软件分析得到精度较好的预测模型,将预测值与对应的真实值做分析比较,误差满足要求,预测准确度较高.     

基于一种贴近度的IGOWLA算子的最优组合预测模型

为了克服传统的单项预测方法选取固定参数时的不足,在广义诱导有序加权对数平均算子(IGOWLA算子)的基础上,引入贴近度以及λ次幂误差,构建了基于一种贴近度的IGOWLA算子的最优组合预测模型,并给出了该模型的预测精度、优性及非劣性定义.实例分析表明,该组合预测模型优于传统的单项预测模型,能够充分利用各个单项预测方法的信息并提高预测精度,是一种优性组合预测.     

隧道围岩变形的组合预测研究

为了提高在隧道的施工过程中对围岩变形预测的精度,以实测典型断面围岩变形为研究对象,探讨了多项式模型、BP神经网络模型和最小二乘支持向量机模型的特点和适用性,其中最小二乘支持向量机是基于SVM演变而来的一种模型,在预测方面有较好的有效性和优越性,用单项预测模型进行预测时可优先考虑该模型.但在实际工程中隧道围岩变形受时间和空间效应影响,仅用一种单项预测模型进行预测时预测风险较大,据此引入组合预测的思想,以权重平均法、误差平方和倒数法、最优变权重组合法确定权重系数建立组合预测模型并进行验证和比较.结果表明:组合预测模型能够降低对较差单项预测模型的敏感度,提高预测的精度和可靠度,构建的最优变权重组合预测模型的预测结果理想,模型稳定好,在实际工程中具有较好的应用价值.     

非线性矿井瓦斯涌出量预测及基于.NET的开发应用

分析了地质因素和工程因素对矿井瓦斯涌出量的影响,提出了瓦斯涌出量非线性回归预测方法.根据矿井实际情况确定了需要分析的影响因素,通过STATISTICA统计软件中Nonlinear Estimation和FixedNonlinear regression模块建立和检验了瓦斯涌出量非线性回归数学模型,得出非线性回归数学模型瓦斯涌出量与主要影响因素具有较高的相关性.应用.NET提供的可视化界面及C#程序语言开发了瓦斯涌出量非线性预测软件,通过对成庄矿3390采面预测效果验证,表明非线性回归预测方法对矿井瓦斯涌出量预测是可行的.     

基于灰色线性回归组合理论的矿井瓦斯涌出量预测

为了减小瓦斯对矿井开采安全性的威胁,以铁法煤业集团晓南矿瓦斯地质为研究对象,利用灰色线性回归理论,根据矿井瓦斯监测数据,建立瓦斯涌出量的灰色线性回归组合模型,对晓南矿深部瓦斯涌出量进行预测。结果表明：灰色线性回归组合模型既改善了线性回归预测模型中不仅表达指数增长的缺陷,又弥补了灰色系统预测模型中不含线性因素的不足,在预测矿井深部瓦斯涌出量中取得了较好的效果。     

一种基于径向基神经网络的组合预测模型

根据基于最近邻聚类算法(NNCA)的径向基(RBF)神经网络和自回归求和滑动平均(ARIMA)两种方法,建立了各自的单项预测子模型,并利用RBF神经网络对两个单项预测子模型结果进行组合预测,得到最终的预测值.将该模型应用于长沙市某路段的交通流量预测,实验结果证明了该预测模型的有效性,采用组合预测模型比单一预测模型的预测精度有了较大提高.     

基于改进型主元分析和SVR的煤矿瓦斯涌出量预测

针对传统的主元分析存在的缺点和样本的特征,结合煤层瓦斯涌出影响因素,建立了基于权重的改进型主元分析和支持向量回归机的煤层瓦斯涌出量的预测模型.首先,采用改进型主元分析法对影响瓦斯涌出量的指标分析处理得到主成分即输入变量,然后建立以主要成分为输入变量,以瓦斯涌出量为输出变量的基于支持向量回归机的预测模型.实验表明,该模型能够消除输入变量间相关性,减少输入变量个数,有效解决样本少、模型复杂的问题,并且提高了预测精度.     

基于改进支持向量机的瓦斯涌出量预测

为了克服瓦斯涌出量预测传统模型存在泛化能力弱和预测精度低的缺点,基于改进粒子群优化支持向量机建立一种非线性的煤矿瓦斯涌出量预测新模型。用改进的粒子群优化算法对支持向量机的惩罚因子与核参数进行寻优,选取最佳参数,以最佳参数对给定的训练样本进行学习训练,得到系统输入输出之间依赖关系的估计,再由这种关系对未知输出做出预测,进而建立起新型支持向量机预测模型。仿真实验结果显示,与普通粒子群优化的支持向量机相比,改进算法可使预测值的最大误差降低3．86％,平均误差降低4．27％,即新模型能够克服传统预测模型人为选取参数的盲目性以及神经网络的过学习问题,从而提高瓦斯涌出量预测的精度。     

基于GA-LSSVR算法的回采工作面瓦斯涌出量预测

针对回采工作面瓦斯涌出量问题的小样本、非线性、影响因素关系复杂等特点,采用遗传-最小二乘支持向量回归算法对瓦斯涌出量进行预测,利用定量方法进行分析,避免了定性分析的局限性,有效提高了预测的精度。该模型首先利用遗传算法对最小二乘支持向量回归机中的参数进行训练和优化,然后运用遗传-最小二乘支持向量回归模型对测试样本进行了回采工作面瓦斯涌出量测试。测试结果表明:与支持向量回归机以及最小二乘支持向量回归机的预测值相比,遗传-最小二乘支持向量回归的回采工作面瓦斯涌出量预测可靠性和精确性更高。     

基于BP神经网络的非线性组合预测模型在粮食物流需求预测中的应用

鉴于单项预测模型的局限性,在确定粮食物流需求量的基础上,建立了基于BP神经网络的非线性组合预测模型,并把这一模型应用于长春市粮食物流需求的预测。误差分析表明,该预测模型可以有效地提高粮食物流需求量的预测精度。