一种瓦斯涌出量系统预测辨识模型的研究

针对煤与瓦斯突出灾害中瓦斯涌出量的辨识预测问题,结合采煤工作面瓦斯涌出量系统的现场实际特点,提出了混沌免疫遗传优化算法(CIGOA)与Elman神经网络相结合的耦合算法(CIGOA-ENN)。利用GIGOA的全局寻优能力替代梯度下降法,以克服Elman神经网络固有的缺陷。并根据输入的数据,构造基于CIGOA和ENN耦合算法的瓦斯涌出量系统辨识预测模型。利用矿区采集的现场监测数据进行仿真预测,实验表明该预测模型与BPNN,GA-ENN等神经网络预测模型相比,其收敛速度更快、收敛精度更高、鲁棒性更强,为解决煤矿瓦斯涌出量的预测问题提供了一个行之有效的方法。     

煤与瓦斯突出危险性预测的SαS-PNN模型及应用

较高精度的煤与瓦斯突出预测是煤矿安全生产的必要前提和保证.为了实现对煤与瓦斯突出危险性快速、准确和动态预测,考虑煤与瓦斯突出多种影响因素.提出一种改进的概率神经网络(PNN)煤与瓦斯突出预测模型.首先,引进一种对称Alpha稳定分布(SαS),SαS有更广泛的数学表达,其径向对称特性可充当PNN样本层中的高斯分布.在SαS的基础上,建立煤与瓦斯突出危险性预测的SαS-PNN模型.将SαS-PNN模型应用于国内26个典型矿井的煤与瓦斯突出危险性等级预测.预测结果表明:在3种不同的训练和测试下SαS-PNN模型仍具有良好的预测效果,其误判率分别为7.69%、11.54%和15.38%.说明该模型可为煤矿开采中煤与瓦斯突出危险性预测提供了一种可能的思路.     

灰色Elman神经网络的矿井瓦斯涌出量预测

为了准确预测矿井瓦斯涌出量,将灰色理论与Elman神经网络模型结合,建立矿井瓦斯涌出量预测模型。灰色系统能较好地预测变化的趋势,而Elman神经网络具有动态特性好、逼近速度快、精度高等特点。对于煤矿生产中瓦斯涌出量的预测,两者结合能够发挥各自的优势,以某煤矿矿井为例,影响瓦斯涌出量的因素为预测因子建立灰色理论与Elman神经网络融合的预测模型。结果表明,灰色Elman神经网络模型优于传统灰色预测模型,提高了预测精度,达到了很好的预测效果。     

基于灰色关联熵的煤与瓦斯突出概率神经网络预测模型*

煤与瓦斯突出是严重威胁矿井安全生产的重大自然灾害之一。为解决煤与瓦斯突出影响因素、突出危险性关联预测问题,在综合分析煤与瓦斯突出影响因素的基础上,利用灰色关联熵理论分析影响因素与突出危险性的关联度,得到各影响因素的权重及关联度排序,并结合概率神经网络（PNN）原理,构建基于灰色关联熵的煤与瓦斯突出PNN预测模型。用煤与瓦斯突出样本数据,对影响因素加权的PNN模型进行训练和测试。结果表明：用灰色关联熵分析可获得影响因素与突出危险性的关系,量化输入变量的重要性;瓦斯放散初速度、开采深度对于煤与瓦斯突出危险性的影响程度最大,可重点对瓦斯放散初速度、开采深度进行预处理以产生更为理想的预测效果;该预测模型能更好地考虑影响因素对突出危险性的综合影响,改善煤与瓦斯突出危险性预测的准确性。     

基于PCA与权重贝叶斯的工作面煤与瓦斯突出预测

为实现对工作面煤与瓦斯突出快速、准确和动态的预测,提出一种基于主成分分析和权重贝叶斯的工作面煤与瓦斯突出预测方法,通过建立工作面煤与瓦斯突出预测的权重贝叶斯模型进行突出危险性等级预测。利用主成分分析确定预测模型中分类变量权重以提高预测准确性。在此基础上,设计基于相似度的训练样本数据更新方式实现对突出预测模型的有效重构。实验结果表明,与朴素贝叶斯模型和权重贝叶斯模型相比,基于主成分分析和权重贝叶斯工作面煤与瓦斯突出预测方法能快速获得高准确度的突出预测结果,为现场指导矿井工作面安全生产提供参考。     

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KPCA和改进极限学习机的煤与瓦斯突出危险性判识

为实现煤与瓦斯突出危险性的准确、快速地动态预测,提出构建基于KPCA-BA-ELM的突出危险性耦合预测模型。根据煤与瓦斯突出综合作用机理,确定突出各影响因素参数;利用核主成分分析(KPCA)对样本数据进行预处理,提取出主成分序列;利用蝙蝠算法(BA)优化极限学习机(ELM)模型,并与BA-ELM、ELM、SVM和BP等模型共同进行突出危险性预测,验证模型的优越性。结果表明：基于KPCA-BA-ELM突出危险性预测模型平均绝对误差为4.560,平均相对误差为3.478%,运行时间为1.286s,较其他模型具有精准的判识度和较高的泛化能力;能充分挖掘突出时空演变的内部隐含规律,有效诠释突出危险性与其影响因素间的非线性关系。     

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KPCA和T-S模糊神经网络的煤与瓦斯突出的预测

应用核主成分分析（KPCA）和T-S模糊神经网络方法对煤与瓦斯突出进行快速、精准预测。利用KPCA对实验样本数据中的多种煤与瓦斯致突因素进行降维,简化问题的复杂度,将选取的累计贡献率大于 90%的4个主成分作为T-S模糊神经网络的输入参数,煤与瓦斯突出强度作为输出参数。利用实测数据进行验证,并与BP神经网络预测模型、T-S模糊神经网络预测模型的预测结果进行比较。结果表明,该方法建立的预测模型准确性、有效性更高,收敛时间短,适用于煤与瓦斯突出预测。     

基于改进BP神经网络的煤与瓦斯突出预测系统

针对传统BP神经网络收敛速度慢、易陷入局部极小等问题,采用Matlab神经网络工具箱中的自适应学习率VLBP算法和基于数值优化技术的LMBP算法对传统BP神经网络算法进行改进,并设计了基于改进BP神经网络的煤与瓦斯突出预测系统;分别采用传统BP神经网络模型和改进的BP神经网络模型进行煤与瓦斯突出预测实验,结果表明改进的BP神经网络能够更快、更准确地预测煤与瓦斯突出。     

基于小波KPCA与IQGA-ELM的煤与瓦斯突出预测研究

为有效预防煤与瓦斯突出灾害,针对煤与瓦斯突出预测精度和效率不高问题,提出基于小波核主成分分析(KPCA)和改进的极限学习机(IQGA-ELM)的煤与瓦斯突出预测方法.通过小波核主成分分析法对原始致突指标进行非线性降维处理,提取出致突指标主成分序列,将其作为极限学习机(ELM)网络神经的输入,利用改进量子遗传算法(IQGA)对ELM的输入层权值和隐含层阈值进行优化,建立小波KPCA-IQGA-ELM预测模型,模型的输出为煤与瓦斯突出强度的预测结果.研究结果表明,该模型泛化能力强,可以对煤与瓦斯突出强度进行有效预测.     

基于混沌免疫粒子群优化和广义回归神经网络的回采工作面瓦斯涌出量预测模型

为提高回采工作面绝对瓦斯涌出量预测的精度和效率,提出了将混沌免疫粒子群优化(CIPSO)算法与广义回归神经网络(GRNN)相耦合的绝对瓦斯涌出量预测模型。该方法采用CIPSO对GRNN的光滑因子进行动态优化调整,减少了人为因素对GRNN网络输出结果的影响,并采用优化后的网络建立瓦斯涌出量预测模型。通过对某煤矿瓦斯涌出量数据的仿真实验结果表明:基于CIPSO-GRNN的回采工作面绝对瓦斯涌出量模型比BP神经网络、Elman网络预测模型具有更好的预测精度和收敛速度,证明了该方法的有效性和可行性。     

基于FRS与GA-ELM的煤与瓦斯突出预测研究

针对煤与瓦斯突出发生内在机理复杂性、致突因素与突出事件之间模糊性导致预测精度不高这一问题,提出将模糊粗糙集理论（FRS）结合改进的极端学习机（ELM）进行煤与瓦斯突出预测。通过FRS信息约简理论降低致突因素原始数据属性维度,提取出致突辅助因素,与主要因素共同作为ELM网络神经元输入,利用遗传算法（GA）对极端学习机网络输入权值、隐含层阈值进行优化,建立GA-ELM预测模型,模型输出为煤与瓦斯突出强度预测结果。经过模型训练和试验验证,该模型泛化能力强、预测精度高、收敛速度明显加快。     

基于PSO-Elman模型的火电厂烟气含氧量预测

针对火电厂烟气含氧量测量精度较低、测量成本较大等问题,提出基于PSO-Elman网络模型的烟气含氧量预测方法。选择合理的相关辅助变量,引入Elman神经网络建立辅助变量与烟气含氧量的关系模型;利用PSO对Elman中所有的权值、阈值进行寻优,将其最优权值和阈值作为初值赋给Elman;经过训练,建立基于PSO-Elman模型的预测模型,完成火电厂烟气含氧量的软测量。通过仿真,与Elman网络和LSSVM模型的预测结果作对比,所提模型具有较高的预测精度和良好的泛化能力。     

基于PCA和案例推理的煤与瓦斯突出动态预测

为了实现对煤与瓦斯突出快速、准确和动态预测,提出了一种基于主成分分析(PCA)和案例推理(CBR)的煤与瓦斯突出预测方法。考虑煤与瓦斯突出多种影响因素,利用案例推理技术对煤与瓦斯突出危险性进行预测。同时采用一种基于PCA的案例描述特征权值确定方法,以提高案例检索效率以及煤与瓦斯突出预测准确率。利用实测数据对所提方法进行验证,实例验证结果表明,所提方法预测结果的准确性和稳定性更高,预测平均误差和最大误差分别仅为0.154%和0.77%,远小于模糊神经网络方法和专家给定权值的案例推理方法。     

煤矿瓦斯涌出量动态预测的PCA-MFOA-GRNN模型及应用

针对煤矿瓦斯涌出受许多因素的影响,为了克服瓦斯涌出中存在的复杂的非线性关系,从而实现稳定、可靠、精确的对煤矿综采工作面瓦斯涌出量进行动态预测,提出了主成分分析法（PCA）结合改进的果蝇算法（MFOA）优化GRNN的绝对瓦斯涌出量的预测手段。运用PCA算法对原始输入数据降维;并且对果蝇算法中的Si函数增加一个跳脱参数B,避免局部最优因子对预测模型的干扰;将MFOA算法对GRNN的平滑因子σ进行优化;将PCA结果作为模型的输入,建立了PCA-MFOA-GRNN算法的回采工作面瓦斯涌出量动态预测模型,结合实际矿井瓦斯涌出量监测的相关数据检验该模型,并将该模型的预测结果与未修正的FOA-GRNN算法、CIPSO-ENN算法、BP神经网络预测、Elman网络预测结果进行对比,结果表明：该预测模型对GRNN的参数优化后得到的预测模型较其他预测模型有更强的泛化能力和更高的预测精度。     

基于贝叶斯正则化BP人工神经网络的煤与瓦斯突出预测的研究

文章介绍了BP人工神经网络和贝叶斯正则化算法的原理,探讨了贝叶斯正则化BP人工神经网络模型的建立,通过改变隐含层神经元个数的实验建立了只含1个隐含层且隐含层仅需1个神经元的煤与瓦斯突出预测模型的最佳网络结构。对该网络采用煤与瓦斯突出的预测指标进行训练、检测的结果表明,该网络预测的煤与瓦斯突出的危险程度与实际情况完全吻合;对该网络输入层输入的煤与瓦斯突出的预测指标、对输出层输出的预测结果的权值进行分析的结果表明,煤层地质构造类型对煤与瓦斯突出的影响为最大。上述研究结果对煤与瓦斯突出的预测预防研究、提高煤与瓦斯突出预测的准确性具有一定的参考价值。