PCA-GA-SVM的回采工作面瓦斯涌出量预测

发布时间：2018-06-22 10:19

本文选题：主成分分析 + 支持向量机　；参考：《辽宁工程技术大学学报(自然科学版)》2015年05期

【摘要】：为预测回采工作面瓦斯涌出量,采用主成分分析(PCA)与遗传算法(GA)优化支持向量机(SVM)相耦合的方法,在样本数据的筛选上汲取主成分分析数据降维的优点,使选择的数据样本简洁且更具代表性;充分利用支持向量机训练速度快、能够获得全局最优解且具有良好泛华性能的特点,将遗传算法与其相结合,寻找最优的惩罚参数c和核函数参数g;建立基于PCA-GA-SVM的回采工作面瓦斯涌出量预测模型,并在实际中得到成功应用.研究结果表明:该预测模型预测的最大相对误差为16.15%,最小相对误差为2.43%,平均相对误差为13.25%,相比其他预测模型有更强的泛化能力和更高的预测精度.
[Abstract]:In order to predict the gas emission in mining face, the method of coupling principal component analysis (PCA) and genetic algorithm (GA) to optimize support vector machine (SVM) is adopted, and the advantages of dimensionality reduction of principal component analysis (PCA) data are derived from the screening of sample data. It makes the selected data sample simple and more representative, makes full use of the fast training speed of support vector machine, can obtain the global optimal solution and has good flooding performance, and combines genetic algorithm with it. The optimal penalty parameter c and kernel function parameter g are found, and the prediction model of gas emission in mining face based on PCA-GA-SVM is established and successfully applied in practice. The results show that the maximum relative error of the prediction model is 16.15, the minimum relative error is 2.43 and the average relative error is 13.25. Compared with other prediction models, the prediction model has stronger generalization ability and higher prediction accuracy.
【作者单位】：辽宁工程技术大学安全科学与工程学院;矿山热动力灾害与防治教育部重点实验室;
【基金】：国家自然科学基金资助项目(51174109)
【分类号】：TD712.5

【参考文献】

相关期刊论文前10条

1 唐加福;李润生;施永贵;范纯广;;主成分分析法在电信企业绩效评价中的应用[J];东北大学学报(自然科学版);2008年04期

2 董晓雷;贾进章;樊程程;赫祥林;;粗糙集-改进神经网络落煤瓦斯涌出量预测[J];辽宁工程技术大学学报(自然科学版);2014年05期

3 朱红青;常文杰;张彬;;回采工作面瓦斯涌出BP神经网络分源预测模型及应用[J];煤炭学报;2007年05期

4 孙林;杨世元;;基于LS-SVM的回采工作面瓦斯涌出量预测[J];煤炭学报;2008年12期

5 吕伏;梁冰;孙维吉;王岩;;基于主成分回归分析法的回采工作面瓦斯涌出量预测[J];煤炭学报;2012年01期

6 付华;姜伟;单欣欣;;基于耦合算法的煤矿瓦斯涌出量预测模型研究[J];煤炭学报;2012年04期

7 周革忠;回采工作面瓦斯涌出量预测的神经网络方法[J];中国安全科学学报;2004年10期

8 黄为勇;童敏明;任子晖;;基于SVM的瓦斯涌出量非线性组合预测方法[J];中国矿业大学学报;2009年02期

9 陈建宏;刘浪;周智勇;永学艳;;基于主成分分析与神经网络的采矿方法优选[J];中南大学学报(自然科学版);2010年05期

10 付华;谢森;徐耀松;陈子春;;基于MPSO-WLS-SVM的矿井瓦斯涌出量预测模型研究[J];中国安全科学学报;2013年05期

【共引文献】

相关期刊论文前10条

1 张莉莉;西凤茹;;地市分公司个性优势视角下的辽宁移动数据产业竞优分析[J];辽宁科技大学学报;2011年04期

2 张豪;罗亦泳;张立亭;;基于遗传支持向量机的城市扩张非线性组合模型[J];地理学报;2010年06期

3 刘聪;汪明;;R软件在主成分分析中的应用研究[J];电脑知识与技术;2011年13期

4 李爱国;雍煌;;基于集成ISGNN的煤矿瓦斯涌出量估计方法[J];广西师范大学学报(自然科学版);2008年03期

5 张铁军;唐加福;蔡莉青;雒兴刚;;非均匀属性水平下的电信套餐优化设计[J];工业工程与管理;2012年04期

6 邓红卫;胡普仑;杨念哥;高峰;翟建波;;基于组合赋权TOPSIS的采矿方法优选[J];广西大学学报(自然科学版);2012年05期

7 郭达;蔡康旭;王晓东;;煤层顶底板等效岩性的确定方法[J];辽宁工程技术大学学报(自然科学版);2012年05期

8 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

9 孙庆巍;高磊;王辉;李永甫;丁宁;;粉煤灰品质主成分分析综合评价[J];辽宁工程技术大学学报(自然科学版);2013年06期

10 孟海东;杨驭东;姜宇鸿;;基于PolyAnalyst线性回归的瓦斯涌出量预测应用研究[J];内蒙古科技大学学报;2013年01期

相关期刊论文前10条

1 王涛;王洋洋;郭长娜;张继华;;QGA-RBF神经网络在矿井瓦斯涌出量预测中的应用[J];传感技术学报;2012年01期

2 郝丽娜,王伟,吴光宇,王宛山;粗糙集-神经网络故障诊断方法研究[J];东北大学学报;2003年03期

3 殷峻暹,陈守煜,邱菊;基于遗传与BP混合算法神经网络预测模型及应用[J];大连理工大学学报;2002年05期

4 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

5 王广利;齐庆杰;马云东;王继仁;;南山矿煤与瓦斯突出发生规律与危险性评价[J];辽宁工程技术大学学报(自然科学版);2010年02期

6 赵全胜;李其廉;黄鹂;;考虑瓦斯解吸影响的煤渗流应力耦合模型[J];辽宁工程技术大学学报(自然科学版);2010年04期

7 田中大;高宪文;李琨;;基于PSO优化LS-SVM的GPRS工业控制网络时延预测[J];东北大学学报(自然科学版);2012年10期

8 刘延保;金洪伟;王波;;煤岩体吸附、解吸瓦斯过程中动态变形特性的研究进展[J];辽宁工程技术大学学报(自然科学版);2012年05期

9 张嘉勇;郭立稳;;钱家营7煤工作面周期来压期间瓦斯涌出规律[J];辽宁工程技术大学学报(自然科学版);2012年05期

10 王大虎;李建磊;金浩;;主成分分析在经济可持续发展研究中的应用[J];河北师范大学学报;2006年06期

相关期刊论文前10条

1 张瑞林;刘晓;郑立军;;基于灰色动态建模的瓦斯涌出量预测方法研究[J];中国矿业;2006年12期

2 甘小根;吴仕彦;马明东;;灰色线性回归组合模型在北辰煤矿瓦斯涌出量预测中的应用研究[J];煤;2008年01期

3 姚向东;钟后选;;孔庄煤矿-1020m水平首采区瓦斯涌出量预测[J];煤矿安全;2008年07期

4 陈凤;徐杰;刘立民;;基于虚拟仪器的瓦斯涌出量预测[J];煤矿安全;2008年10期

5 焦长军;;野毛冲煤矿矿井瓦斯涌出量预测[J];煤炭技术;2009年12期

6 程加堂;熊伟;艾莉;;基于灰色线性回归组合模型的瓦斯涌出量预测研究[J];中国煤炭;2010年05期

7 景国勋;衡献伟;;基于灰色预测模型与一元线性回归模型的煤矿瓦斯涌出量预测比较[J];安全与环境工程;2010年05期

8 付优;;基于粗糙径向基函数的瓦斯涌出量预测[J];太原大学学报;2010年03期

9 王巍;刘德胜;;基于支持向量机理论的煤矿瓦斯涌出量预测研究[J];煤矿机械;2011年02期

10 刘铁锁;;煤矿瓦斯涌出量预测的不确定性研究[J];科学技术与工程;2011年04期