基于最小二乘支持向量机的煤矿瓦斯预测

瓦斯涌出量受多种自然因素和开发技术的影响,是一个非线性、高维的问题.提出了改进的PSO算法与LSSVM算法相结合对瓦斯涌出量进行预测的新方法.实验结果表明,该模型预测精度更高,泛化能力更强.     

基于SVM的瓦斯涌出量非线性组合预测方法

为了提高矿井瓦斯涌出量的预测精度,提出了一种基于支持向量机(SVM)的瓦斯涌出量非线性组合预测方法.该方法应用结构化风险最小化准则且具有在全局意义上逼近任意非线性函数特性的SVM,建立了一个多输入单输出的瓦斯涌出量非线性组合预测模型,通过样本学习和平均绝对百分比误差最小原则确定预测模型的参数,对双曲线回归、指数回归和灰色预测方法得到的3个不同的单项预测数据进行非线性组合作为最终预测结果.结果表明,该方法的平均绝对误差为6.92%,均方根误差为0.93 m3/t,其预测精度明显优于各个单项预测结果,大幅降低了预测风险,为提高瓦斯涌出量预测精度提供了一条新途径.     

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。     

人工神经网络在瓦斯涌出量预测中的应用

当采掘工作面遇有岩浆岩破坏煤系和煤层时,地质条件尤为复杂,采用常规的矿山统计法和瓦斯含量法预测瓦斯涌出量难以取得理想的结果.作者从矿井地质综合分析入手,采用BP神经网络的方法建立了适用于矿井未采区瓦斯涌出量的预测模型,分别用48个4-2煤层、40个7-2煤层钻孔点的煤层瓦斯质量体积、煤层埋藏深度、煤质、火成岩分布、顶底板砂泥岩比值等数据作为输入层,预测地质条件相对复杂矿井的瓦斯涌出量.经已采区实测值与预测值比较分析认为,预测结果可信.     

人工神经网络在瓦斯涌出量预测中的应用

当采掘工作面遇有岩浆岩破坏煤系和煤层时,地质条件尤为复杂,采用常规的矿山统计法和瓦斯含量法预测瓦斯涌出量难以取得理想的结果．作者从矿井地质综合分析入手,采用BP神经网络的方法建立了适用于矿井未采区瓦斯涌出量的预测模型,分别用48个4-2煤层、40个7-2煤层钻孔点的煤层瓦斯质量体积、煤层埋藏深度、煤质、火成岩分布、顶底板砂泥岩比值等数据作为输入层。预测地质条件相对复杂矿井的瓦斯涌出量．经已采区实测值与预测值比较分析认为．预测结果可信．     

基于改进孪生支持向量机的热电厂脱硫系统pH值预测

在热电厂脱硫过程中,pH值直接影响脱硫的效率,若pH测量仪器受到环境的影响被破坏,会给生产造成巨大的损失。为了降低这种损失,采用改进的孪生支持向量机回归模型对pH值进行预测,首先将粒子群算法的权值和学习因子进行改进,然后用改进之后的粒子群算法对孪生支持向量机回归模型的惩罚参数和核函数的参数等进行寻优,再将最优的参数代入孪生支持向量机预测模型中,最后用MATLAB工具箱对pH值历史数据进行仿真,并与未改进的孪生支持向量机和BP神经网络预测技术进行比较。结果表明:该方法对脱硫系统中pH值的预测精度高,平均相对误差比未改进的孪生支持向量机和BP神经网络的预测结果小,能够显著改善脱硫装置的效率。     

基于支持向量机的进化神经网络集成股市模型

利用粒子群优化算法的全局搜索功能,进化设计神经网络的网络结构与连接权,得到一组独立的神经网络集成个体.利用主成份分析法提取其综合信息,再用支持向量机回归方法对其处理,生成神经网络的输出结果,以此建立股市预测模型.通过实例验证,该方法能有效提高神经网络集成的泛化能力,模型的预测精度高、稳定性好、具有应用推广前景.     

幂激励前向神经网络改进下的瓦斯涌出量预测

结合SPSS软件的最大方差旋转的因子分析法,设计出依据较少数据进行扩充丰富的随机调和算法,改进了双输入幂激励前向神经网络.该算法有效地解决了幂激励前向神经网络在采样数据较少情况下预测精度偏低的问题,改进的双输入幂激励前向神经网络需要利用权值直接确定法和最优结构法确定最优结构,然后利用随机调和算法在有限采样数据下生成大量训练数据,随之确定最终网络的最优权值,最后在给定次数的循环下确定验证数据的预测值.数值仿真结果表明该算法具有较高的预测精度.     

基于支持向量机的煤与瓦斯突出预测研究

煤与瓦斯突出已经成为影响煤矿生产最严重的安全问题和经济问题之一.在国内外有多种用于预测煤与瓦斯突出的方法,包括动态和静态预测,但是这些方法大多只考虑单一的参数,因此它们对煤与瓦斯突出的预测效果并不是很理想.对于近年来应用较为广泛的神经网络,由于其固有的缺陷,对于高维、小样本的情况具有不太理想的预测效果.作者综合考虑了多个因素,并将支持向量机(Support Vector Machine)这一方法应用到煤与瓦斯突出预测中.经过仿真试验,证明这种方法能够取得较好的预测效果.     

基于改进粒子群优化算法和CRNN的多类SVM分类

为了提高支持向量机(SVM)在多类分类中的分类效果,提出了一种基于改进粒子群优化(IMPSO)算法和协作式递归神经网络(CRNN)的多类SVM分类方法(IMPSO_CRNN_SVM算法).首先引入自适应惯性权重及自适应粒子变异,以此改进粒子群优化算法(PSO)在优化SVM参数过程中存在的容易陷入局部最优和早熟等问题; 然后基于多类SVM设计一个CRNN,并利用随机分配的训练集对该网络进行训练并构建最终决策函数,从而实现多类数据的“一次性”分类.最后利用3种数据集和实际应用对IMPSO_CRNN_SVM算法进行验证,结果表明IMPSO_CRNN_SVM算法的分类精度优于未进行参数优化的传统SVM算法、基本PSO 进行SVM参数优化的算法和未进行PSO参数优化的基于CRNN的多类支持向量机算法,因此IMPSO_CRNN_SVM算法具有一定的实用性.     

A new support vector machine optimized by improved particle swarm optimization and its application

A new support vector machine （SVM） optimized by an improved particle swarm optimization （PSO） combined with simulated annealing algorithm （SA） was proposed. By incorporating with the simulated annealing method, the global searching capacity of the particle swarm optimization（SAPSO） was enchanced, and the searching capacity of the particle swarm optimization was studied. Then, the improyed particle swarm optimization algorithm was used to optimize the parameters of SVM （c,σ and ε）. Based on the operational data provided by a regional power grid in north China, the method was used in the actual short term load forecasting. The results show that compared to the PSO-SVM and the traditional SVM, the average time of the proposed method in the experimental process reduces by 11.6 s and 31.1 s, and the precision of the proposed method increases by 1.24% and 3.18%, respectively. So, the improved method is better than the PSO-SVM and the traditional SVM.     

基于粒子群优化与支持向量机的驾驶员疲劳等级判别

为客观、准确地判别驾驶员的疲劳程度,采用多项驾驶员生理指标、基于粒子群与支持向量机（ SVM）算法建立驾驶疲劳等级判别模型,首先将驾驶员疲劳状态分为清醒、轻度疲劳、重度疲劳和睡意4个等级,然后将驾驶员的心电RR间期标准差、心率均值、呼吸潮气量、脑电的α波、β波和δ波功率谱密度积分等作为SVM的输入变量,驾驶疲劳等级作为输出变量,引入粒子群算法优化SVM的惩罚系数和核函数参数对判别模型进行标定,采用吉珲高速公路上的实车实验数据对模型有效性进行验证。结果表明：本模型对4项疲劳等级的判别准确率均高于85％,对于驾驶员疲劳预警具有重要意义。通过对模型各个输入变量的敏感性分析,证明基于多项生理指标的疲劳判别较基于单生理指标的疲劳判别更加有效。     

基于支持向量机和粒子群算法的结构损伤识别

为了有效地进行结构的损伤识别,提出了一种基于支持向量机和粒子群算法的结构损伤识别方法。首先利用支持向量机为损伤裂缝指标、损伤位置与各阶频率和一阶振型建立函数关系,然后将利用该函数关系得到的频率和振型与实测频率和振型间的差异作为优化目标,进而实现结构的损伤识别。为提高损伤识别的精度,将优化目标转化为多目标优化问题,并利用所提出的灰色粒子群算法进行求解。实验结果表明,该方法在结构损伤识别中具有较好的效果。     

基于支持向量机和粒子群算法的结构损伤识别

为了有效地进行结构的损伤识别,提出了一种基于支持向量机和粒子群算法的结构损伤识别方法。首先利用支持向量机为损伤裂缝指标、损伤位置与各阶频率和一阶振型建立函数关系,然后将利用该函数关系得到的频率和振型与实测频率和振型间的差异作为优化目标,进而实现结构的损伤识别。为提高损伤识别的精度,将优化目标转化为多目标优化问题,并利用所提出的灰色粒子群算法进行求解。实验结果表明,该方法在结构损伤识别中具有较好的效果。     

Support vector machine forecasting method improved by chaotic particle swarm optimization and its application

By adopting the chaotic searching to improve the global searching performance of the particle swarm optimization (PSO), and using the improved PSO to optimize the key parameters of the support vector machine (SVM) forecasting model, an improved SVM model named CPSO-SVM model was proposed. The new model was applied to predicting the short term load, and the improved effect of the new model was proved. The simulation results of the South China Power Market’s actual data show that the new method can effectively improve the forecast accuracy by 2.23% and 3.87%, respectively, compared with the PSO-SVM and SVM methods. Compared with that of the PSO-SVM and SVM methods, the time cost of the new model is only increased by 3.15 and 4.61 s, respectively, which indicates that the CPSO-SVM model gains significant improved effects. Foundation item: Project(70572090) supported by the National Natural Science Foundation of China     

基于粒子群神经网络的煤层瓦斯含量预测

针对BP神经网络在煤层瓦斯含量预测中的局限性,如收敛速度慢和可靠性差等缺点,根据煤层瓦斯含量与其影响因素之间相互作用和耦合的特点,建立了粒子群算法和BP神经网络相结合的煤层瓦斯预测模型.在采用BP网络对煤层瓦斯含量进行预测的基础上,采用粒子群算法优化隐含层神经元个数和网络中的连接权值,并根据现场的实测数据,提出了粒子群神经网络训练和检验样本集,对预测模型进行训练和检验.仿真结果表明,该预测模型加快了网络收敛的速度,克服了易陷入局部极小的问题,具有可靠性强和预测精度高等特点.     

基于加权粒子群优化的LSSVM的钢铁企业电力负荷预测

钢铁企业电力负荷作为电力负荷的重要组成部分,钢铁电力负荷的准确预测对于提高电力负荷预测精度具有重要意义。为了实现钢铁电力负荷的中长期预测,本文选取了经济因素和社会因素作为自变量,引入带有惯性权重的粒子群算法(WPSO)对传统的最小二乘支持向量机智能预测模型(LSSVM)参数进行优化,并利用某地区钢铁电力负荷样本数据进行验证,拟合结果显示,经过粒子群算法优化后的最小二乘智能向量机算法预测精度更高,收敛速度更快,具有良好的推广性和适应性。     

Application of a support vector machine for prediction of slope stability

Slope stability estimation is an engineering problem that involves several parameters. To address these problems, a hybrid model based on the combination of support vector machine(SVM) and particle swarm optimization(PSO) is proposed in this study to improve the forecasting performance. PSO was employed in selecting the appropriate SVM parameters to enhance the forecasting accuracy. Several important parameters, including the magnitude of unit weight, cohesion, angle of internal friction, slope angle, height, pore water pressure coefficient, were used as the input parameters, while the status of slope was the output parameter. The results show that the PSO-SVM is a powerful computational tool that can be used to predict the slope stability.     

基于改进粒子群优化神经网络的房地产市场预测

针对粒子群优化算法精度不高、容易陷入局部最优、难以满足房地产市场形势需求的问题,提出一种改进粒子群优化神经网络,并应用于房地产市场预测中,该算法将混沌引入粒子群优化神经网络算法权重和阈值的初始化与更新的过程,提高了初始样本的质量,减轻了局部极值现象,提高了算法的全局搜索能力,同时设置了躲避因子,使粒子一定程度上离开偏离真实值的区域。研究结果表明,提出的改进算法可以提高粒子群优化神经网络权重和阈值的准确性。