基于核熵成分分析与支持向量机组合算法的瓦斯涌出量预测模型

发布时间：2021-01-21 05:50

　　为了提高瓦斯涌出量的预测精度,减少瓦斯灾害,提出以核熵成分分析与粒子群支持向量机相结合的预测模型,KECA-PSO-SVM模型.首先核熵成分分析方法利用雷尼熵最大方向投影,对原始数据进行降维,提取主成分,然后采用粒子群支持向量机的方法进行预测.针对回采工作面上影响瓦斯涌出量的12种因素和瓦斯涌出量实际值共18组数据,将前15组数据作为训练数据,后3组数据作为测试数据.该模型预测结果为核熵成分分析法提取五个主成分,对雷尼熵的贡献率达到100%,利用粒子群支持向量机进行预测,预测结果分别与PSO-SVM,PCAPSO-SVM,KPCA-PSO-SVM比较,平均偏差分别为2.32%,2.79%,1.64%,1.22%,KECA-PSO-SVM模型预测精度高,有较好的鲁棒性. 

【文章来源】：数学的实践与认识. 2020,50(23)北大核心

【文章页数】：7 页

【参考文献】：
期刊论文
[1]基于粒子群算法和广义回归神经网络的岩爆预测[J]. 贾义鹏,吕庆,尚岳全.  岩石力学与工程学报. 2013(02)
[2]基于核主成分分析和粒子群优化支持向量机的滑坡位移预测[J]. 彭令,牛瑞卿,赵艳南,邓清禄.  武汉大学学报(信息科学版). 2013(02)
[3]基于耦合算法的煤矿瓦斯涌出量预测模型研究[J]. 付华,姜伟,单欣欣.  煤炭学报. 2012(04)
[4]基于主成分回归分析法的回采工作面瓦斯涌出量预测[J]. 吕伏,梁冰,孙维吉,王岩.  煤炭学报. 2012(01)
[5]主成分分析与支持向量机相结合的区域降水预测应用[J]. 农吉夫.  数学的实践与认识. 2011(22)
[6]GM（1,1）模型与线性回归组合方法在矿井瓦斯涌出量预测中的应用[J]. 施式亮,伍爱友.  煤炭学报. 2008(04)
[7]回采工作面瓦斯涌出BP神经网络分源预测模型及应用[J]. 朱红青,常文杰,张彬.  煤炭学报. 2007(05)



本文编号：2990589