煤矿综采工作面瓦斯浓度预测模型

针对基于最小二乘支持向量机(LS-SVM)的瓦斯浓度预测方法进行参数优化时存在的易陷入局部最优解、搜索效率较低、易产生早熟收敛等问题,提出了一种基于改进蚁群算法-最小二乘支持向量机(ACO-LSSVM)的瓦斯浓度预测模型。首先,对采集的大量煤矿综采工作面瓦斯数据进行k-means聚类分析,以降低数据维数;然后,采用改进蚁群算法对LS-SVM的惩罚参数和核函数参数进行寻优,再代入LS-SVM模型中进行回归预测。仿真结果表明,当瓦斯体积分数绝对误差阈值分别为0.03%,0.04%,0.05%时,基于ACO-LS-SVM的瓦斯浓度预测模型的预测准确度都在95%左右,比SVM模型和LS-SVM模型表现更好。     

基于蚁群粒子群混合算法与LS-SVM瓦斯涌出量预测

为有效预防瓦斯灾害,以预测矿井瓦斯涌出量为研究目的,提出经改进的蚁群（ACO）粒子群（PSO）混合算法优化的最小二乘支持向量机（LS-SVM）,并用其预测非线性动态瓦斯涌出量。算法通过对LS-SVM的正则化参数C和高斯核参数σ进行寻优,建立了基于蚁群粒子群混合算法优化的瓦斯涌出量预测模型,并根据赵各庄矿矿井监测到的各项历史数据进行实例分析。实验结果表明：该预测模型预测的最大相对误差为1.05%,最小相对误差为0.28%,平均相对误差为0.75%。较其他预测模型拥有更强的泛化能力和更高的预测精度。     

基于ACPSO的PSR-MK-LSSVM瓦斯浓度动态预测方法

为了准确预测采煤工作面的瓦斯浓度,提出基于相空间重构理论、自适应混沌粒子群优化理论的混合核最小二乘支持向量机瓦斯浓度动态预测方法。以井下无线传感器网络监测系统采集到的工作面瓦斯浓度作为研究对象,通过平移不变小波降噪法滤除干扰瓦斯浓度的噪声,以相空间重构的瓦斯浓度序列样本训练混合核最小二乘支持向量机模型,利用自适应混沌粒子群算法优化模型参数,并通过误差校正的方法提高整体系统的预测精度。实验结果表明,提出的动态预测方法可以实现对工作面的瓦斯浓度的良好预测,平均相对误差MAPE值为0.0241、相对均方根误差RRMSE值为0.2097和平均相对变动ARV值0.00311,预测结果合理并且满足工程的实际需要,可为煤矿瓦斯预测和防治工作提供有效理论依据。     

最小二乘支持向量机与Kalman滤波耦合的瓦斯涌出量动态预测模型

针对瓦斯涌出量的多影响因素预测问题,提出一种最小二乘支持向量机(LS-SVM)回归算法与卡尔曼滤波耦合的动态预测方法.该方法依据预测残差方差比检验策略确定自适应的动态训练样本集以取代固定的训练样本集.LS-SVM辨识网络对瓦斯涌出量的相关因素进行非线性映射并提取出最佳维数的状态向量以建立基于卡尔曼滤波最优估计的瓦斯涌出量预测模型.利用矿井监测到的各项历史数据进行实验.结果表明,该模型的预测平均相对误差为2.17%,平均相对变动值ARV为0.008873,相比单一的神经网络或支持向量机预测模型,具有更高的预测精度与更强的泛化能力.     

基于小波分析和PSO-LSSVM的无线传感器网络数据预测

由于能量缺失和故障等原因导致无线传感器网络节点无法收集后续数据,为保证数据传输的完整性,应进行后续节点数据预测。目前缺少有效方法实现节点数据预测,针对这一问题提出一种基于小波分析和粒子群优化最小二乘支持向量机(PSO-LSSVM)相结合的数据预测方法。方法中利用小波分解技术将所选的样本集数据进行分解,然后将分解量分别送入最小二乘支持向量机(LS-SVM)模型进行预测,其中LS-SVM预测模型的参数由PSO算法得到,最后,将各个LS-SVM模型得到的预测结果进行小波重构得到完整的预测结果。仿真结果表明:基于小波分析和PSO-LSSVM相结合的无线传感器网络节点数据预测方法能够准确跟踪实际数据趋势,该方法具有较高的预测精度。     

改进最大Lyapunov指数的多变量瓦斯浓度预测研究

煤矿井下瓦斯浓度受到多个环境参数的影响。首先对煤矿井下同一时间段的瓦斯浓度、风速、压力、温度、CO2、O2的时间序列数据进行统计学相关性分析,选择出对瓦斯浓度影响大的几种因素,并作为基于最大Lyapunov指数改进预测模型的输入参数来预测未来一段时间的瓦斯浓度。改进算法为:在用C-C方法重构多变量时间序列的相空间和Wolf方法计算最大Lyapunov指数的基础上,同时考虑夹角余弦和欧氏距离求取预测中心点的相近点。结果表明,改进预测算法提高了预测精度,平均绝对误差和标准差分别为2.11%和2.15%。     

基于KFCM和AMDE-LSSVM的软测量建模方法

针对软测量建模过程中模型存在失效问题,提出了一种基于KFCM和AMDE-LSSVM多模型的软测量建模方法。首先,采用核模糊C均值聚类(Kernel-based fuzzy c-means algorithm,KFCM)对训练样本数据进行划分,然后利用最小二乘支持向量机(least squares vector machina,LS-SVM)对每个聚类建立子模型,并使用自适应变异差分进化算法(Adaptive Mutation different evolution, AMDE)对最小二乘向量机中的径向基宽度和惩罚系数进行寻优。将提出的算法用于秸秆发酵关键参数乙醇浓度、基质浓度（总糖浓度）、菌体浓度检测中,通过软测量建模得到的预测值与离线化验值进行对比,证明方法的有效性。实验结果表明,改进后的算法克服了差分进化算法中容易陷入局部最优,早熟收敛的现象;建立的新模型相比单一模型,乙醇浓度、基质浓度（总糖浓度）、菌体浓度测量误差分别为0.64%,1.85%和0.75%,具有更好地适应秸秆发酵过程、提高测量精度的优势。     

基于自适应加权最小二乘支持向量机的芳烃产量软测量建模

芳烃收率是催化重整生产过程中的重要质量指标。针对其软测量建模中样本数据可能存在的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(AWLSSVM)回归建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的指数分布加权规则,为每个建模样本分配不同的权值,以降低测量误差对建模精度的影响;同时提出一种全局优化算法—混沌粒子群模拟退火(CPSO-SA)算法对最小二乘支持向量机的模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于LS-SVM和WLS-SVM。最后,应用AWLS-SVM方法建立催化重整生产过程芳烃收率的软测量模型,获得了较好的效果。     

基于时间序列的瓦斯浓度动态预测

现有瓦斯浓度预测方法只能实现瓦斯浓度的静态预测,不能随着瓦斯数据的累积而及时更新,从而导致预测结果不具有及时性。针对该问题,提出了一种基于时间序列的瓦斯浓度动态预测方法。利用小波分解技术的多分辨率特性,将瓦斯浓度时间序列分解到不同尺度上,使时间序列平稳化;通过实时动态构建的自回归滑动平均(ARMA)模型,利用过去瓦斯浓度变化趋势预测未来一段时间的矿井瓦斯浓度值,得到时间序列预测结果;为提高瓦斯浓度预测精度,将ARMA模型的预测结果与矿井环境参数输入到训练好的BP神经网络模型中,通过BP神经网络模型对预测结果进行修正,从而获得最终的瓦斯浓度预测值。测试结果表明,该方法可对矿井瓦斯浓度进行准确预测,瓦斯体积分数预测平均相对误差从8%降低到了5%。     

PEMFC的PSO优化LS-SVM动态建模仿真

质子交换膜燃料电池(PEMFC)作为一种电化学反应装置,湿度管理对于它的运行性能十分关键.为了建立相应的动态模型,采用了最小二乘支撑向量机(LS-SVM)算法,并使用微粒群算法(PSO)对LS-SVM模型参数进行了自动优化.这种方法建立的动态数学模型能够以进气湿度和工作电压为输入量预测输出的电流密度.仿真结果显示,模型的预测值和实验数据间的平均平方相对误差小于0.0001,能够达到很好的预测精度.因此,这种优化建模策略可以有效的应用到PEMFC研究中.     

基于分态的煤矿瓦斯浓度预测模型的研究

由于影响瓦斯浓度变化的因素很多且内部关系复杂,传统的单一预测模型无法客观准确地反映其变化规律,导致预测精度较低。为有效提高瓦斯浓度预测精度,提出一种基于分态的预测模型。应用最大李雅普诺夫指数（Lyapunov指数）对瓦斯浓度时间序列的混沌特性进行识别,将其分为非混沌态和混沌态,接着分别采用改进的最小二乘支持向量机（LS-SVM）和基于径向基函数（Radial Basis Function,RBF）的神经网络进行建模和训练参数的优化,最终得到最佳预测模型并对瓦斯浓度时间序列进行预测。结果表明,分态预测模型有效提高了预测精度,降低了预测误差,用该方法可以更加客观准确地对瓦斯浓度进行预测。     

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。     

基于改进LS-SVM的随钻测量数据传输误码率预测

针对泥浆连续波随钻测量数据传输误码率预测精度低、数据传输过程中易受干扰信号影响等缺点,提出利用改进的最小二乘向量积(LS-SVM)对连续波数据传输误码率建立预测模型,并引用遗传算法对参数寻优,在建立模型过程中利用狄克逊准则对数据进行筛选,从而提高误码率预测的精度.在小样本数据的情况下,采用Matlab建立基于改进的最小二乘支持向量机泥浆连续波数据传输模型.仿真结果表明该模型能够有效地避免陷入局部最优问题,具有较强的泛化能力和预测能力.通过与误差反传前馈(Back propagation,BP)和Elman神经网络预测模型对比可知,该模型预测精度更高,预测值更接近于实际值,可以用于泥浆连续波数据传输误码率预测.     

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GASA-SVR的矿井瓦斯涌出量预测研究

针对煤矿工作面瓦斯涌出量的多影响因素、非线性、时变性和不确定性等特点,提出了遗传模拟退火算法(GASA)与回归型支持向量机(SVR)的耦合算法(GASA-SVR)用于瓦斯涌出量预测.利用煤层瓦斯含量、深度、厚度、倾角等12个参数作为主要影响因素,经过归一化处理后作为回归型支持向量机训练和测试样本.采用遗传模拟退火算法寻找最优的惩罚参数和核函数参数,同时引入自适应交叉和变异概念,建立瓦斯涌出量的非线性拟合模型,并利用矿井实测历史数据进行试验,结果表明该预测模型比传统的神经网络模型具有更理想的精度和稳定性,可为煤矿瓦斯爆炸的防治提供可靠的理论依据.     

基于CSO-RVM的瓦斯涌出量预测模型研究

为了实时监测和精准预测煤矿回采工作面绝对瓦斯涌出量,提出猫群算法(CSO)优化相关支持向量机(RVM)的绝对瓦斯涌出量预测方法.相关向量机的组合核函数可实现多特征空间的信息融合,为有限样本、高维数瓦斯涌出量预测建模问题提供一种行之有效的方法.并用CSO算法对RVM瓦斯涌出量预测模型的核函数权重p和高斯核参数σ快速寻优.利用矿井无线传感器网络检测到的各项历史数据试验.结果表明,相比BP、SVM算法,该耦合模型有效提高了预测精度,具有更好的泛化能力,为矿井瓦斯预测提供理论支持.     

针铁矿法沉铁过程亚铁离子浓度预测

针对针铁矿法沉铁过程出口亚铁离子浓度离线化验获得,存在很大滞后性,难以实现沉铁过程实时控制的问题,研究反应器出口亚铁离子浓度在线预测方法.本文在分析沉铁过程化学反应机理的基础上,考虑铜离子对反应过程的影响,结合连续搅拌反应器（Continuous stirred tank reactor,CSTR）特性,建立了针铁矿法沉铁过程的机理模型,并提出了基于信息交换的双粒子群搜索算法（Double particle swarm optimization,DPSO）优化选择机理模型的参数,构建基于最小二乘支持向量机（Least squares support vector machine,LS-SVM）的机理模型输出误差的补偿模型,采用并联补集成方式建立了亚铁离子浓度的集成预测模型.工业现场数据验证了所建模型能有效地反映亚铁离子浓度的变化趋势,为针铁矿法沉铁过程的优化控制奠定了基础.     

关于道路交通行车安全距离预测仿真

为了提高道路交通安全,针对行车安全距离的非线性带来的难以准确预测的问题,提出了一种临界行车安全距离的预测方法。以驾驶员驾驶风格类型、前车速度、后车速度、前车减速度为系统输入,以临界行车安全距离为系统的输出,应用最小二乘支持向量机(LS-SVM)建立预测模型。结合仿真软件采集到的样本数据进行训练,得到行车安全距离的预测结果,并与目前普遍采用的BP (Back Propagation)神经网络模型的预测结果进行了对比。实验结果表明,所提出的预测模型能准确地预测临界行车安全距离,且预测准确度明显优于BP神经网络。