基于卡尔曼滤波及神经网络的瓦斯涌出量预测

发布时间：2021-10-06 19:38

　　为解决当前瓦斯涌出量预测过程中存在的因影响因素过多、预测指标与瓦斯涌出量之间非线性关系及其自身时变性等特点而导致预测精度降低的问题,采用SPSS因子分析法对瓦斯涌出量影响因素进行分析降维,将得到的预测指标由构建的BP神经网络与卡尔曼滤波相结合的瓦斯涌出量预测模型进行预测。研究结果表明:采用因子分析的方法能够有效筛选瓦斯涌出量影响因素,并得到了预测指标,降低了预测模型预算复杂度;经过BP神经网络与卡尔曼滤波耦合瓦斯涌出量预测模型,其预测精度明显高于直接采用神经网络模型预测的结果,预测性能明显改善,其平均误差仅为2.75%,表明所采取的瓦斯涌出量预测方法是可行和有效的。 

【文章来源】：陕西煤炭. 2020,39(01)

【文章页数】：5 页

【文章目录】：
0 引言
1 瓦斯涌出量预测指标选取
    1.1 因子分析数学模型的构建
    1.2 基于因子分析法选取瓦斯涌出量预测指标
2 瓦斯涌出量预测模型构建
    2.1 瓦斯涌出量预测指标非线性识别
    2.2 瓦斯涌出量预测模型构建
3 瓦斯涌出量预测结果及分析
4 结论


【参考文献】：
期刊论文
[1]综采工作面瓦斯涌出量预测及瓦斯综合治理[J]. 王文清.  陕西煤炭. 2018(06)
[2]基于GM（1,N）GRNN组合模型的瓦斯涌出量预测研究[J]. 高荣翔,曹庆贵,马英琪,周鲁洁.  中国矿业. 2018(03)
[3]基于Monte Carlo方法改进的BP神经网络对回采工作面瓦斯涌出量预测[J]. 魏引尚,刘云飞.  煤炭工程. 2014(12)
[4]基于因子分析与BP网络的地铁施工安全预警研究[J]. 陈帆,谢洪涛.  中国安全科学学报. 2012(08)
[5]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)
[6]Matlab在预测矿井瓦斯涌出量中的应用[J]. 何真培,李树刚,林海飞,潘宏宇.  矿业安全与环保. 2011(03)
[7]基于虚拟状态变量的卡尔曼滤波瓦斯涌出量预测[J]. 王晓路,刘健,卢建军.  煤炭学报. 2011(01)
[8]煤与瓦斯突出预测器输入主因素识别方法[J]. 王晓路,刘健,卢建军.  系统工程理论与实践. 2010(08)
[9]基于SVM的瓦斯涌出量非线性组合预测方法[J]. 黄为勇,童敏明,任子晖.  中国矿业大学学报. 2009(02)
[10]回采工作面瓦斯涌出的复杂性及其度量[J]. 何利文,施式亮,宋译,刘影.  煤炭学报. 2008(05)



本文编号：3420623