煤与瓦斯突出的L-Isomap-KELM模型

发布时间：2021-04-29 12:28

　　煤与瓦斯突出预测是一个复杂多因素的、非线性的高维问题,传统的预测方法存在预测精度不高,预测速度慢等不足。针对上述问题,提出了将地标等距特征映射（Landmarks Isometric Mapping,L-Isomap）理论与核极端学习机（Kernel Extreme Learning Machine,KELM）相结合应用到煤与瓦斯突出预测中的新方法。首先,采用L-Isomap进行非线性降维,完成特征提取;然后,用KELM来融合煤与瓦斯突出风险与致突因素组成的特征向量之间的非线性关系,建立煤与瓦斯突出预测的L-Isomap-KELM模型,并将其与极端学习机（ELM）预测模型相比。仿真结果表明:L-Isomap-KELM预测模型能够达到97.31%的准确率,并且运算速度快,还具有很好的泛化能力。 

【文章来源】：控制工程. 2020,27(10)北大核心CSCD

【文章页数】：5 页

【文章目录】：
1 引言
2 致突因素选取
3 地标等距特征映射算法
4 核极端学习机基本理论
5 基于L-Isomap与KELM的煤与瓦斯突出预测模型
    5.1 主视效果对比
    5.2 预测模型分析
    5.3 预测结果分析
6 结论


【参考文献】：
期刊论文
[1]基于熵权灰色关联法的煤与瓦斯突出主控因素分析[J]. 王云刚,周辰,李辉,张宏图.  安全与环境学报. 2016(06)
[2]基于IsoMap和MBFO-SVR的瓦斯涌出量动态预测研究[J]. 谢国民,单敏柱,付华.  传感技术学报. 2016(07)
[3]基于BP神经网络灰色关联分析的煤与瓦斯突出危险性预测[J]. 李守国.  现代矿业. 2016(01)
[4]基于流形学习和支持向量机的太赫兹谱分类[J]. 刘坤,李飚,曾祥鑫.  计算机工程与应用. 2015(24)
[5]新型煤与瓦斯突出预测指标确定及应用[J]. 刘雪莉,游继军.  煤炭科学技术. 2015(03)
[6]基于PCA和PSO-ELM的煤与瓦斯突出软测量研究[J]. 付华,王馨蕊,王志军,王雨虹,屠乃威,徐耀松.  传感技术学报. 2014(12)
[7]基于优选小波包和ELM的模拟电路故障诊断[J]. 何星,王宏力,陆敬辉,姜伟.  仪器仪表学报. 2013(11)
[8]基于PCA-BP神经网络的煤与瓦斯突出预测研究[J]. 朱志洁,张宏伟,韩军,宋卫华.  中国安全科学学报. 2013(04)
[9]基于等距映射与加权KNN的旋转机械故障诊断[J]. 陈法法,汤宝平,苏祖强.  仪器仪表学报. 2013(01)
[10]基于L-ISOMAP降维的快速模糊聚类算法[J]. 孙丽萍,丁男,王云中,马洪连.  计算机工程与应用. 2011(24)



本文编号：3167529