基于流形学习算法和支持向量机的矿井瓦斯涌出量预测研究

发布时间：2017-10-18 08:08

  本文关键词：基于流形学习算法和支持向量机的矿井瓦斯涌出量预测研究

  更多相关文章： 瓦斯涌出量 流形学习算法 支持向量理论 参数寻优 混合炸药

【摘要】：煤炭工业是一个危险性极高的行业，在生产过程中伴随着透水、塌方、瓦斯等隐患，煤矿瓦斯灾害是造成矿山伤亡最为严重的事故之一，而矿井瓦斯涌出量又是影响矿井瓦斯灾害的重要因素之一。为了减少矿井瓦斯灾害的发生，本文在对国内外瓦斯涌出量预测研究的基础上，提出了基于流形学习算法和支持向量机理论的瓦斯涌出量预测方法，就瓦斯涌出量预测问题进行了研究。 本文从分析瓦斯涌出量入手，得出影响瓦斯涌出量的主要因素。以国内某煤矿矿井瓦斯涌出量实测数据为研究对象，利用Matlab软件作为模型建立平台。利用流形学习算法对矿井瓦斯涌出量影响因素进行数据预处理，弥补了支持向量机缺乏数据预处理的缺陷。采用遗传算法、粒子群优化算法、交叉验证对模型参数惩罚因子c、核函数参数g进行寻优，确定最佳参数c、g组合。再利用支持向量回归机进行回归预测，建立瓦斯涌出量预测模型，实现了矿井瓦斯涌出量的精确预测。流形学习算法能够挖掘数据的本质结构，简约数据，从而提高了支持向量机作回归预测时的收敛速度和精度，充分发挥了支持向量机在学习精度和学习能力找到好的权衡的优势，使模型的泛化能力较好。本文将基于流形学习算法和支持向量机理论的预测方法应用于混合炸药爆轰参数的预测，，结果较为理想，证明了预测方法的适用性。 通过对矿井瓦斯涌出量及混合炸药爆轰参数的预测的研究，结果表明：利用流形学习算法和支持向量机理论建立的矿井瓦斯涌出量预测模型，能够快速准确地预测矿井瓦斯涌出量，模型精度较高、相关性较好，与传统预测方法相比，容错能力较强，精度较高。该模型能够为后期瓦斯涌出量提供参考依据，同时对瓦斯涌出量预测方法研究有一定的指导意义。而且基于流形学习算法和支持向量机理论的预测方法适用性较强，具有一定推广和实用价值。
【关键词】：瓦斯涌出量 流形学习算法 支持向量理论 参数寻优 混合炸药
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TD712.5
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 1 绪论9-17
• 1.1 选题背景及意义9-12
• 1.2 国内外研究现状12-15
• 1.3 论文研究的主要内容15-17
• 2 矿井瓦斯涌出量影响因素的分析17-26
• 2.1 概述17-18
• 2.2 煤层瓦斯的赋存及含量18-20
• 2.2.1 瓦斯的成因与赋存状态18
• 2.2.2 煤层瓦斯垂直分布带及含量18-20
• 2.3 影响煤层瓦斯含量因素20-22
• 2.4 矿井瓦斯涌出量及其影响因素22-25
• 2.4.1 瓦斯涌出量计算22-23
• 2.4.2 影响瓦斯涌出量的因素23-25
• 2.5 本章小结25-26
• 3 支持向量机理论和流形学习算法26-40
• 3.1 支持向量机理论26-31
• 3.1.1 统计学习理论27
• 3.1.2 结构风险最小化原理27-28
• 3.1.3 支持向量回归机理论28-31
• 3.2 流形学习算法31-36
• 3.2.1 等距映射算法32-33
• 3.2.2 局部线性映射算法33-34
• 3.2.3 拉普拉斯特征映射算法34
• 3.2.4 Hessian 局部线性映射算法34-35
• 3.2.5 局部切空间排列算法35-36
• 3.3 理论应用36-39
• 3.4 本章小结39-40
• 4 矿井瓦斯涌出量预测模型的建立40-47
• 4.1 数据的采集及预处理41-42
• 4.2 模型参数寻优42-45
• 4.2.1 交叉验证参数寻优42-43
• 4.2.2 遗传算法参数寻优43-44
• 4.2.3 粒子群遗传算法参数寻优44-45
• 4.3 支持向量机算法实现45-46
• 4.4 模型的测试与验证46-47
• 5 实际矿井瓦斯涌出量预测分析47-64
• 5.1 LTSA-GA-SVM 瓦斯涌出量预测模型48-51
• 5.2 LTSA-PSO-SVM 瓦斯涌出量预测模型51-53
• 5.3 LTSA-CV-SVM 瓦斯涌出量预测模型53-55
• 5.4 模型预测结果对比分析55-57
• 5.5 流形学习算法和支持向量机瓦斯涌出量预测模型57-58
• 5.6 炸药爆轰参数预测分析58-62
• 5.6.1 混合炸药爆速的预测59-60
• 5.6.2 混合炸药爆热的预测60-62
• 5.6.3 与混合炸药爆速试验值对比62
• 5.7 本章小结62-64
• 6 结论与展望64-66
• 6.1 结论64-65
• 6.2 展望65-66
• 参考文献66-71
• 攻读硕士学位期间发表的论文71-72
• 致谢72-73

【参考文献】

中国期刊全文数据库 前10条

1 张石清;李乐民;赵知劲;;基于一种改进的监督流形学习算法的语音情感识别[J];电子与信息学报;2010年11期

2 夏红春,程远平,李顺峰;基于最小二乘法的矿井深部区域瓦斯涌出量预测[J];矿业安全与环保;2002年04期

3 王恩营;;分层开采掘进工作面瓦斯涌出规律及预测[J];矿业安全与环保;2006年06期

4 梁亮;杨敏华;李英芳;;基于ICA与SVM算法的高光谱遥感影像分类[J];光谱学与光谱分析;2010年10期

5 陈祖云;张桂珍;邬长福;杨胜强;;基于支持向量机的煤与瓦斯突出预测研究[J];工业安全与环保;2010年05期

6 刘雪梅;柳建设;;基于LS-SVM建模方法近红外光谱检测土壤速效N和速效K的研究[J];光谱学与光谱分析;2012年11期

7 付华;王福娇;陈子春;;基于分数阶神经网络的瓦斯涌出量预测[J];传感器与微系统;2013年05期

8 高峥;杜川;;基于流形学习算法的人脸识别研究[J];河南机电高等专科学校学报;2011年04期

9 叶淳铮;常鲜戎;顾为国;;基于小波变换和支持向量机的电力系统短期负荷预测[J];电力系统保护与控制;2009年14期

10 侯志荣,吕振肃;基于MATLAB的粒子群优化算法及其应用[J];计算机仿真;2003年10期

中国博士学位论文全文数据库 前1条

1 雷迎科;流形学习算法及其应用研究[D];中国科学技术大学;2011年

本文编号：1053874