PCA与ELM模型相结合的矿井突水水源快速识别方法研究

发布时间：2021-08-16 16:50

　　为了快速准确判别矿井突水水源,降低矿井突水事故给煤矿生产及人类生命财产安全带来的危害,以赵各庄矿为例,提出了主成分分析法（PCA）与极限学习机（ELM）相结合矿井突水水源快速识别方法。结果表明:PCA确定了赵各庄矿中Na⁺、Ca²⁺、Mg²⁺对水样影响较大,为赵各庄矿水样的主控因子,排除了其它指标冗余信息的影响;在MATLAB中导入PCA确定的水样中三种主成分数据,通过ELM模型仿真训练可在10s内得出水样分类结果,分类学习时间迅速;对比ELM模型与BP神经网络对水样的分类结果,ELM仿真训练结果精确度高达100%,而BP神经网络仿真训练结果精确度仅为83. 33%,远低于ELM模型精确度。 

【文章来源】：煤炭工程. 2020,52(01)北大核心

【文章页数】：5 页

【文章目录】：
1 研究方法
    1.1 主成分分析法
    1.2 极限学习机
2 数据选取
3 结果分析
    3.1 MATLAB仿真训练
    3.2 结果对比
4 结论


【参考文献】：
期刊论文
[1]基于GA-BP算法的长江运价指数模型研究及预测[J]. 李玉琢,刘攀.  现代营销(下旬刊). 2019(02)
[2]基于极限学习机的蛋鸡产蛋性能预测[J]. 李飞,蒋敏兰.  中国家禽. 2019(02)
[3]基于主成分分析与贝叶斯判别法的矿井突水水源识别方法研究[J]. 琚棋定,胡友彪,张淑莹.  煤炭工程. 2018(12)
[4]基于KPCA-FDA方法的矿井突水水源判别研究[J]. 成荣秋,吴燕清.  煤炭技术. 2018(11)
[5]GA-BP神经网络在煤矿突水水源判别中的应用[J]. 徐星,孙光中,田坤云.  煤炭技术. 2018(10)
[6]基于可拓模型判别矿井突水水源[J]. 胡友彪,邢世平,张淑莹.  安徽理工大学学报(自然科学版). 2017(06)
[7]矿井突水水源的SVM识别方法[J]. 冯东梅,吴健伟.  辽宁工程技术大学学报(自然科学版). 2017(01)
[8]基于流形学习的极端学习机及其在人脸识别中的应用[J]. 张海英,闫德勤,杨伊,楚永贺.  计算机测量与控制. 2016(12)
[9]BP神经网络在矿井突水水源识别中的应用[J]. 徐星,王公忠.  煤炭技术. 2016(07)
[10]基于支持向量机的煤矿井水害水源自动识别方法研究[J]. 李继君,薛阳,余桂希,余桂莲,余生晨.  华北科技学院学报. 2015(02)



本文编号：3346041