基于小波理论的支持向量机瓦斯涌出量的预测

将小波框架理论引入到支持向量机预测函数中,建立了基于小波理论的支持向量机预测模型。该模型通过小波变换将输入向量映射到一个高维特征空间,在这个特征空间内,利用支持向量机进行预测。经实验表明该模型预测的结果比较准确,在时间复杂度上和预测精度上要优于以往的预测模型,能够达到指导实践的要求。     

改进的粒子群支持向量机预测瓦斯涌出量

提出一种基于改进的粒子群参数优化的支持向量回归机算法(IPSO-SVR),该方法引入混沌映射及网格分区寻参思想,能避免粒子群算法(PSO)陷入局部最优解。使用IPSO-SVR算法建立瓦斯涌出量预测模型,结果表明基于IPSO算法寻优参数建立的瓦斯涌出量支持向量回归预测模型具有良好的预测效果。与粒子群优化参数的支持向量回归机(PSO-SVR)模型、广义回归神经网络(GRNN)模型进行比较,IPSO-SVR模型预测效果明显优于PSO-SVR和GRNN模型,可用于瓦斯涌出量的实际预测,表明所提出的IPSO算法是选取SVR参数的有效方法。     

综掘工作面瓦斯涌出量的支持向量机预测模型

通过对支持向量机回归原理的分析,设计出预测综掘工作面瓦斯涌出量的支持向量机模型.然后,在所设计模型的基础上,采用Matlab语言,实现了该模型.运用训练样本对模型进行训练和实际数据样本进行仿真,得到了很好的预测效果.从预测结果可以看出,达到了工程实际能够接受的预测精度,说明该模型能够用于矿井的综掘工作面瓦斯涌出量预测.     

采煤工作面瓦斯涌出量预测研究

本文针对瓦斯涌出量不好确定的问题,将支持向量机方法应用于瓦斯涌出量预测的研究中,提出了瓦斯涌出量预测的支持向量机方法,该方法很好地表达了瓦斯涌出量与其影响因素之间的复杂的非线性关系,预测结果表明,该方法是科学、可行的,并且具有实时的特点和较高的精度.     

基于随机森林与支持向量机的回采工作面瓦斯涌出量预测方法

针对当前回采工作面瓦斯涌出量预测方法选取不合理及预测精度不佳问题,借助机器学习方法对其展开研究,以交叉验证法处理现有数据,构建了支持向量回归模型与随机森林回归预测模型,并对输入数据降维前后2种模型的预测表现进行了对比分析。测试表明：经交叉验证及数据降维后2种预测模型趋于稳定、预测精度均有大幅提高,SVR模型的整体预测性能稍优于RFR模型,SVR模型每轮测试耗时约0.015 s,远低于后者;筛选后的SVR模型平均绝对误差约为0.18 m³/min,平均相对误差约3.26%,优于RFR预测模型;建立的回采工作面瓦斯涌出量预测模型均表现良好,经随机森林筛选的SVR预测模型耗时较短、误差较小、稳定性更好,可实现对瓦斯涌出量的有效预测,对简化数据采集工作及科学制定瓦斯防治措施起到参考作用。     

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。     

基于粒子群优化相关向量机的矿井瓦斯涌出量预测

矿井瓦斯涌出量受诸多因素影响,对瓦斯涌出量的预测研究是一项复杂且难度较高的工作。针对其复杂性及随机性,笔者提出了基于粒子群优化相关向量机的矿井瓦斯涌出量的预测控制方法。并利用相关向量机对矿井瓦斯涌出非线性系统进行建模,采用具有全局优化特点的粒子群优化算法进行参数优化,确保了模型精度和预测的准确性。结果表明,该模型预测控制方法精度高且可靠性强,预测效果理想。在矿井瓦斯涌出量的预测研究应用中,误差在工程许的范围内,对矿井的安全生产具有一定的参考意义。     

基于LS-SVM的回采工作面瓦斯涌出量预测

提出了一种基于最小二乘支持向量机（LS-SVM）的回采工作面瓦斯涌出量预测新方法.一方面,该方法基于结构风险最小化,能较好地解决小样本学习问题,避免了人工神经网络等智能方法在对回采工作面瓦斯涌出量进行预测时所表现出来的过学习、泛化能力弱等缺点;另一方面,该方法用等式约束代替不等式约束,降低了计算的复杂性,使得预测容易实现.实验表明,该方法具有预测精度高、速度快、容易实现等优点,适合对回采工作面瓦斯涌出量的预测.     

基于LS-SVM预测掘进工作面瓦斯涌出量

针对影响掘进工作面瓦斯涌出量的主要因素,采用最小二乘支持向量机(LS-SVM)方法,对掘进工作面瓦斯涌出量的影响因素进行分析,构建掘进工作面预测模型,并在Matlab中编制预测软件。通过对训练样本进行训练,得到数学模型较好的参数值。该方法具有计算速度快、预测准确性高、操作简单等优点,满足掘进工作面瓦斯涌出预测的要求。     

基于聚类分析的煤矿瓦斯涌出量预测方法研究

将影响煤矿瓦斯涌出量因素作为数据对象属性,运用聚类分析对瓦斯涌出量进行聚类,得到各个样本的类别特征及各簇的平均值和标准偏差。并选取其中3个主要影响因素生成三维散点图,分析聚类效果。通过待测样本的类别划分,证实了该方法对煤矿瓦斯涌出量预测的有效性和可行性。     

支持向量机在煤与瓦斯突出预测中的应用

为了准确预测煤与瓦斯突出危险,首先利用灰色关联分析的方法寻找出影响煤与瓦斯突出的关键性因素,然后利用MATLAB的SVM工具箱建立煤与瓦斯突出的预测模型,并应用此模型识别瓦斯突出的类型。该模型基于MATLAB的SVM工具箱加以实现。实验结果表明,基于灰色关联分析的SVM煤与瓦斯突出预测模型结果可靠,效果良好,应用性强。     

基于支持向量机的矿震危险性预测

文章介绍了支持向量机二分类的基本原理及基于此原理的三元分类问题的解决办法,分析了矿震的主要影响因素,提出了一种基于支持向量机的矿震危险性预测新方法。通过对少量训练样本的学习,能很好地建立矿震危险性等级与其影响因素之间的非线性映射关系。算例结果表明,该预测方法是可行的,预测精度较高,具有良好的工程应用前景。     

基于支持向量机的电机故障预测研究

对现在比较盛行的状态监测与故障检测和预测做了阐述性的介绍,并且就故障预测方法在现代工业生产的应用性方面做了定性分析,并将支持向量机的这种对小样本数据比较有效的训练和处理方法引入到电机的故障预测中来。     

基于灰色理论的矿井瓦斯涌出量预测模型研究

瓦斯涌出量是衡量瓦斯的重要参数。文章应用灰色关联方法找出了影响矿井瓦斯涌出量的主要因素,并建立了各关联因素与瓦斯涌出量的GM(1,n)定量影响关系。该模型精度较高,可以用于实际研究。     

野毛冲煤矿矿井瓦斯涌出量预测

通过分源预测方法对野毛冲井田进行瓦斯涌出量预测,确定了矿井投产初期和后期的瓦斯涌出量,为矿井通风设计、瓦斯抽采等提供了理论基础数据。     

程庄煤矿瓦斯涌出量预测分析

煤矿瓦斯涌出预测对于矿井通风设计和瓦斯管理非常重要。结合程庄矿煤层瓦斯的实际情况,对程庄煤矿9号煤层和15号煤层开采过程中的相对瓦斯涌出量和绝对瓦斯涌出量进行了预测。此外,还针对瓦斯涌出制定了防治措施。     

基于支持向量机的采空区遗煤自燃预测分析

在分析回采工作面煤层自燃基础上,用支持向量机(SVM)预测技术对采空区遗煤自燃进行预测分析。并以忻州窑矿8914综放工作面采空区遗煤自燃为实例,对其不同时期采空区危险性进行预测分析,验证了该方法的可行性。打破传统经验分析法,实现了煤矿安全分析的智能化,对建立本质安全型矿井具有利用价值。     

分源预测法在整合矿井瓦斯涌出量预测的应用

瓦斯涌出量是整合矿井设计中的一个重要参数,介绍了用于瓦斯涌出量预测的分源预测法的技术原理.结合山西某整合矿井实际和生产设计,分析了地勘时钻孔瓦斯含量,利用线性回归方法研究获得了9#、10#、11#煤层瓦斯含量与埋藏深度的关系,得出各煤层可燃质瓦斯含量增长梯度.运用分源预测法对矿井开采前期、中期和后期瓦斯涌出量进行了预测,并分析了矿井瓦斯涌出影响因素和涌出来源.研究结果对于矿井通风设计和瓦斯管理具有重要的意义.     

大东庄煤矿瓦斯涌出量预测

采用井下钻屑解吸法对大东庄煤矿4#煤层的瓦斯含量进行了实测,根据瓦斯含量测值和组分确定了4#煤层处于瓦斯风化带中的氮气带。依据煤层瓦斯风化带下限瓦斯涌出量指标对4#煤层相对瓦斯涌出量和绝对瓦斯涌出量进行预测,得知大东庄煤矿4#煤层属于低瓦斯矿井。