基于GA-LSSVR的露天矿边坡稳定性预测

针对露天矿边坡稳定性问题的小样本、非线性等特点,利用遗传算法的全局搜索能力优势,提出了基于遗传算法的最小二乘支持向量回归参数寻优方法,并建立基于遗传最小二乘支持向量回归(GA-LSSVR)的露天矿边坡稳定性预测模型。通过遗传算法对LSSVR进行优化,提高了预测精度和速度。实验结果表明,与BP神经网络、LSSVR模型相比,GA-LSSVR的精度更高,基于GA-LSSVR的露天矿边坡稳定性预测模型更有效。     

基于GA-LSSVR的煤矿瓦斯数据去噪研究北大核心

针对煤矿瓦斯数据普遍含有噪声的问题,提出一种基于遗传算法优化的最小二乘支持向量回归机(GA-LSSVR)的数据去噪算法。LSSVR通过求解只含一个等式约束的二次规划问题来求得最优解,从而改进了小波去噪局部最优的缺点。但LSSVR也存在收敛速度慢的缺点,通过遗传算法(GA)优化LSSVR,以提高算法的收敛速度。首先,对某煤矿的瓦斯浓度时间序列进行异常数据和缺失数据的处理,然后用GA-LSSVR建模训练。仿真实验结果表明,与小波去噪方法相比,GA-LSSVR能有效去除噪声,并且能够避免数据失真,把有效信号分离出来,经过计算,GA-LSSVR能将输入输出均方根误差降低0.002 94,相对降低了34.59%,去噪效果较好;与LSSVR方法相比,GA-LSSVR能明显缩短程序运行时间,可提高运行效率。     

基于GA-LSSVR的煤矿瓦斯数据去噪研究

针对煤矿瓦斯数据普遍含有噪声的问题,提出一种基于遗传算法优化的最小二乘支持向量回归机(GA-LSSVR)的数据去噪算法。LSSVR通过求解只含一个等式约束的二次规划问题来求得最优解,从而改进了小波去噪局部最优的缺点。但LSSVR也存在收敛速度慢的缺点,通过遗传算法(GA)优化LSSVR,以提高算法的收敛速度。首先,对某煤矿的瓦斯浓度时间序列进行异常数据和缺失数据的处理,然后用GA-LSSVR建模训练。仿真实验结果表明,与小波去噪方法相比,GA-LSSVR能有效去除噪声,并且能够避免数据失真,把有效信号分离出来,经过计算,GA-LSSVR能将输入输出均方根误差降低0.002 94,相对降低了34.59%,去噪效果较好;与LSSVR方法相比,GA-LSSVR能明显缩短程序运行时间,可提高运行效率。     

基于PCA-GA-LSSVR的工作面涌水量预测

联合采用主成分分析法、遗传算法、最小二乘支持向量回归算法对工作面涌水量进行定量预测,建立基于主成分分析-遗传-最小二乘支持向量回归(PCA-GA-LSSVR)模型进行工作面涌水量预测,避免了变量间相互干扰,简化变量个数,提高了计算速度和精度。     

露天煤矿边坡稳定性预测的PSO-LSSVM模型

针对边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取七项因素(岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数)作为边坡稳定性的影响因素,建立PSO-LSSVM的边坡稳定性预测模型。利用矿山实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM模型在矿山边坡稳定性预测中有较高的准确度。     

露天煤矿边坡稳定性预测的PSO-LSSVM模型

边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。针对煤矿边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取煤矿边坡工程中岩石重度、粘聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数等七项因素为边坡稳定性的影响因素,建立了PSO-LSSVM的煤矿边坡稳定性预测模型。利用煤矿实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM在煤矿边坡稳定性预测中有较高的准确度。     

露天煤矿卡车路段行程时间的实时动态预测新方法

针对露天煤矿卡车优化调度中重要的行程时间预测问题,考虑影响卡车行程时间的各种因素,建立卡车行程时间预测模型,利用最小二乘支持向量回归算法(LS-SVR)和选择性集成学习思想,提出一种基于最小二乘支持向量回归的选择性集成学习算法实现卡车行程时间的动态预测。并在实际采集的露天煤矿数据上进行实验,得到较高的预测精度,说明了算法的有效性。     

基于PCA-RVM的露天矿边坡稳定性预测模型

针对当前露天矿边坡稳定性预测模型精度不高、效率低等问题,提出一种将主成分分析法(PCA)和相关向量机(RVM)相结合的露天矿边坡稳定性预测模型.该模型运用PCA对影响边坡稳定性的多个影响因素变量进行降维,筛选出4个相互独立的主成分变量;借助RVM映射边坡稳定性安全系数与主成分变量之间的非线性关系,建立基于PCA-RVM...     

基于SVR组合模型的边坡位移预测研究

为解决传统支持向量机预测模型的不足,造成矿山边坡位移预测精度低的问题。提出了一种基于自适应惯性权重PSO算法的支持向量回归机(SVR)组合预测模型。将其运用到某矿边坡滑坡位移预测中,并与基于灰色预测模型、基于传统SVR预测模型预测结果对比,结果表明:基于SVR组合预测模型的矿山边坡位移预测的精度更具优势。     

基于最小二乘支持向量机的选煤厂日用水量短期预测

针对选煤厂日用水量时间序列的预测问题，提出应用最小二乘支持向量机（LSSVM）这一新的机器学习方法来实现日用水量的短期预测.借鉴多层动态自适应优化算法的思想，提出最小二乘支持向量机参数优化的多层动态交叉验证法；用微熵率法求得选煤厂日用水量时间序列的最佳嵌入维数和最佳延迟参数，重构相空间，建立了基于最小二乘支持向量机的选煤厂日用水量时间序列等维信息一步预测模型.预测结果表明:基于LSSVM的预测模型的预测精度比BP神经网络预测模型的预测精度要高，能够满足选煤厂日用水量预测的需要.