基于ASGSO-ENN算法的瓦斯涌出量动态预测研究

发布时间：2017-03-31 01:15

  本文关键词：基于ASGSO-ENN算法的瓦斯涌出量动态预测研究，由笔耕文化传播整理发布。

【摘要】：矿井瓦斯涌出量系统是一个具有多参量、高度非线性、时变性、随机性的复杂系统,传统的线性方法无法建立满足工程精确要求的可靠预测模型。因此,提出一种将Elman动态反馈神经网络(ENN, Elman Neural Network)与自适应步长萤火虫算法(ASGSO, self-Adaptive Step Glowworm Swarm Optimization)相耦合的拟合算法实现对瓦斯涌出量非线性系统的有效辨识。Elman神经网络由于自身独特的动态反馈环节及递归作用,具备了强大的时变数据处理能力及网络稳定性,因此更能直接表征本质非线性系统的动态特性。针对该网络训练过程中依然存在收敛速度慢、精度低、学习效率不高的问题,提出利用萤火虫智能算法来对其进行优化改进。通过分析了基本萤火虫算法(GSO)的仿生学机理及优化运行流程,可知萤火虫算法(GSO)具有强大局部搜索性能且操作简单、易于实现。为了强化基本萤火虫算法(GSO)的全局寻优性能,重新定义了基于相似度准则的目标邻域集,并以相似度门槛值的初始精确设置取代以往对初始感知半径的粗略估计。在种群每次进化后,根据研究个体相对目标邻域集内优秀个体分布的疏密情况自适应地放缩移动步长,避免个体在极值点附近产生搜索振荡。充分利用经改进后的ASGSO算法强大的全局多目标搜索能力对ENN的权值与阈值在求解空间中进行快速精确的在线搜索,并结合预测控制理论建立基于ASGSO-ENN耦合算法的瓦斯涌出量预测控制系统。利用井下实际采集到的各影响因素监测数据进行预测实验,结果表明：在较高学习效率的前提下,其预测精度和泛化能力明显强于单一的Elman神经网络、GSO-ENN耦合模型以及工程常用的BP神经网络且具有较强的鲁棒性。该方法对井下瓦斯灾害的防治提供了充分的理论指导。
【关键词】：瓦斯涌出量 非线性系统 动态反馈 预测模型 ASGSO-ENN耦合算法
【学位授予单位】：辽宁工程技术大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TD712.5
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-10
• 1 绪论10-17
• 1.1 课题研究的背景及选题的意义10
• 1.2 瓦斯涌出量的概念及影响分析10-12
• 1.3 瓦斯涌出量预测的研究现状12-14
• 1.3.1 国内研究现状12-13
• 1.3.2 国外研究现状13-14
• 1.4 基于人工智能算法的预测研究现状14-15
• 1.5 论文的研究内容及主要工作15-17
• 2 用于瓦斯涌出量预测的Elman神经网络模型17-28
• 2.1 引言17
• 2.2 人工神经网络简介17-19
• 2.2.1 神经元结构与神经网络的学习方式17-19
• 2.2.2 神经网络的基本分类19
• 2.3 基于Elman神经网络的瓦斯涌出量预测基本原理19-27
• 2.3.1 Elman神经网络拓扑结构20-21
• 2.3.2 Elman神经网络的数学描述21-23
• 2.3.3 Elman神经网络权值与阈值的修正量计算23-26
• 2.3.4 Elman神经网络存在的不足26-27
• 2.4 小结27-28
• 3 瓦斯涌出量预测模型中的萤火虫算法优化理论28-36
• 3.1 引言28
• 3.2 萤火虫算法的仿生学机理28
• 3.3 萤火虫算法的寻优原理28-30
• 3.3.1 荧光素值的更新29
• 3.3.2 概率选择最优个体29
• 3.3.3 更新个体位置29-30
• 3.3.4 自适应调整决策域半径30
• 3.4 萤火虫算法的基本结论30-32
• 3.5 优化流程及代码架构32-34
• 3.6 萤火虫算法寻优搜索性能分析34-35
• 3.7 小结35-36
• 4 ASGSO-ENN耦合算法研究及其性能仿真分析36-52
• 4.1 引言36
• 4.2 改进的萤火虫优化算法36-39
• 4.2.1 基于相似度准则的目标邻域集37-38
• 4.2.2 搜索步长的自适应调整策略38
• 4.2.3 ASGSO算法的收敛性分析38-39
• 4.3 ASGSO算法数值仿真实验39-45
• 4.3.1 分析测试函数41-42
• 4.3.2 评价指标42-43
• 4.3.3 仿真实验及结果分析43-45
• 4.4 ASGSO算法优化Elman神经网络模型45-49
• 4.4.1 萤火虫个体编码46
• 4.4.2 搜索空间维数的确定46
• 4.4.3 适应度函数的确定46-48
• 4.4.4 ASGSO-ENN耦合算法的实现流程48-49
• 4.5 ASGSO-ENN耦合算法的数据拟合实验49-51
• 4.6 小结51-52
• 5 基于ASGSO-ENN耦合算法的瓦斯涌出量预测系统研究52-66
• 5.1 引言52
• 5.2 瓦斯涌出量辨识模型52-55
• 5.2.1 瓦斯涌出量辨识系统原理52-53
• 5.2.2 瓦斯涌出量辨识系统的数学描述53-54
• 5.2.3 辨识过程的目标函数54-55
• 5.3 基于ASGSO-ENN的瓦斯涌出量预测控制系统55-58
• 5.3.1 瓦斯涌出量预测系统架构55-56
• 5.3.2 瓦斯涌出量预测控制原理56-58
• 5.3.3 瓦斯涌出量预测控制的具体步骤58
• 5.4 瓦斯涌出量预测实验及分析58-65
• 5.4.1 训练样本的数据组成58-60
• 5.4.2 数据的标准化处理60
• 5.4.3 ASGSO-ENN耦合算法结构及参数的确定60-61
• 5.4.4 瓦斯涌出量预测结果及分析61-65
• 5.5 小结65-66
• 6 总结与展望66-68
• 6.1 全文总结66-67
• 6.2 展望67-68
• 参考文献68-71
• 作者简历71-73
• 学位论文数据集73

【参考文献】

中国期刊全文数据库 前10条

1 郝天轩;柳猛;;基于多元非线性回归理论的煤层瓦斯含量预测[J];煤炭技术;2014年09期

2 许少华;宋美玲;许辰;朱新宁;;一种基于混合误差梯度下降算法的过程神经网络训练[J];东北石油大学学报;2014年04期

3 闫孝Y，

本文编号：278539