排序方式: 共有7条查询结果,搜索用时 0 毫秒
1
1.
为有效预防和减少煤矿瓦斯灾害,提高对回采工作面瓦斯涌出量预测的精度,提出了耦合优化的自适应粒子群算法与人工蜂群算法整合的瓦斯涌出量预测模型。通过数据预处理对原始瓦斯涌出因素进行维数约简,结合二次寻优变为建立线性方程和损失函数进一步简化计算,代入耦合优化函数实现对瓦斯涌出数据特征向量的提取,并将它作为LS-SVM的输入。应用非线性调整惯性权重H的控制策略,更新特征解的最优位置及其适应度值,对LS-SVM高斯核参数σ和正则化参数γ寻优,建立自适应耦合优化算法瓦斯涌出量预测模型。结果表明,预测值的平均相对误差仅为2.594%,相较于原优化算法和数据未处理的预测模型,实现全局搜索和局部搜寻性能的有效平衡,具备更好的泛化能力和预测准确度。 相似文献
2.
3.
为了准确预测回采工作面的瓦斯浓度,提出云自适应粒子群算法优化Elman神经网络的瓦斯浓度动态预测新方法。利用井下无线传感器网络监测系统采集的回采工作面瓦斯浓度时间序列作为样本,并对其进行数据降噪和相空间重构等预处理。采用CAPSO算法对Elman神经网络的权值、阈值进行寻优运算,建立了回采工作面瓦斯浓度动态预测模型。通过对MATLAB仿真得出结果研究表明:该模型的平均相对变动ARV值为0.000357,相对均方根误差RRMSE值为0.1056,对回采工作面的瓦斯浓度预测结果合理且可为矿井瓦斯防治工作提供有效理论依据。 相似文献
4.
5.
6.
7.
1