非均衡数据应对策略下煤与瓦斯突出预测研究

发布时间：2021-01-23 17:48

　　随着煤炭需求的增加,煤与瓦斯突出的动力灾害事故频繁发生且日益严重。因此,有必要研究煤与瓦斯突出危险性预测,以实现其快速且准确的预测。但是在现实的生活中,煤与瓦斯突出的事件远少于不突出的事件,且突出强度也不同,因此收集到的数据样本是非均衡数据,数据集的不均衡直接影响到分类预测的准确性,因此本文主要是在非均衡数据应对策略下,从数据和算法两个方面对煤与瓦斯突出的问题进行研究,提出了基于GREA-PCA数据处理的IFOA-ELM预测模型。首先对于非均衡数据采取欠采样策略、过采样策略或改变评价指标应对策略,之后在数据上主要是利用灰色关联分析和熵权法结合的灰色关联熵（GREA）提取主要的影响因素、利用主成分分析（PCA）降低维度。在算法上主要是通过改进果蝇优化算法的初始位置维度、果蝇个体搜索步长以及在迭代更新中引入群体适应度方差等策略,来形成IFOA算法并优化极限学习机的权值与阈值,构建IFOA-ELM预测模型。最后,在python平台上应用UCI数据集中fertility数据集进行仿真实验,实验发现过采样策略与改变评价指标策略下的预测准确率高于欠采样策略。且三种策略下,经过GREA-PCA处理后... 

【文章来源】：辽宁工程技术大学辽宁省

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

技术路线图

取以及激活函数的选取对于ELM算法的实现效果非常重要，因此本文主要是借鉴“试错法”的思想，通过试验的方法来选取不同隐含层神经元数目以及不同激活函数，使得IFOA-ELM模型的预测效果较好，找到较好的隐含层神经元数目和激活函数。设置隐含层神经元数目的待选区间为[1,30]，激活函数的待选集合为{tanh,sine,sigmoid}。通过进行多次重复试验，最终确定的IFOA-ELM模型的激活函数为tanh函数，隐含层神经元数目为9。找到效果较好的隐含层神经元数目和激活函数之后，对测试的5条数据进行预测。模型的预测值与真实值对比折线图如图2.1所示。通过观察形成的对比折线图发现，经过GREA-PCA处理之后的IFOA-ELM模型的预测仅存在1个预测错误，预测的准确率为80%。图2.1欠采样策略下GREA-PCA数据处理的IFOA-ELM模型预测效果Figure2.1IFOA-ELMmodel’spredictionforGREA-PCAdataprocessingofundersamplingstrategy

辽宁工程技术大学硕士学位论文17上述主要是在数据进行GREA-PCA处理的试验，为了验证GREA-PCA对数据处理的有效性，本文设置两种条件下的数据，即数据集未进行GREA-PCA处理的样本数据和数据集进行GREA-PCA处理的样本数据。这两种条件下选取同样的18条样本数据作为训练样本，5条样本数据作为测试样本，之后再使用IFOA-ELM模型分别在两种条件下进行预测效果对比。数据集未进行GREA-PCA处理的预测效果如图2.2所示。由图2.2可知，数据集未进行处理（NOGREA-PCA）条件下，模型测试样本存在2个样本的预测错误，预测的准确率为60%。而由图2.1可知，数据集进行处理（GREA-PCA）条件下，模型测试样本的存在1个样本错误。通过对比两个预测的结果，发现数据集进行GREA-PCA处理可以有效提高IFOA-ELM模型的预测效果。图2.2欠采样策略下NOGREA-PCA数据处理的IFOA-ELM模型预测效果Figure2.2IFOA-ELMmodel’spredictionforNOGREA-PCAdataprocessingofundersamplingstrategy为验证IFOA-ELM模型比其他模型在分类预测上有优势，在数据集进行GREA-PCA处理的条件下，对比IFOA-ELM模型、ELM模型以及FOA-ELM模型三者的预测效果。预测结果如图2.3、图2.4所示，ELM模型预测存在3个预测错误，预测的准确率仅仅是40%，FOA-ELM模型预测存在2个预测错误，预测的准确率为60%。将图2.1和图2.3、图2.4进行对比可以看出IFOA-ELM模型的预测效果最好，准确率最高。图2.3欠采样策略下GREA-PCA数据处理的ELM模型预测效果Figure2.3ELMmodel’spredictionforGREA-PCAdataprocessingofundersamplingstrategy


本文编号：2995646