基于LS-SVR模型的煤与瓦斯突出预测系统研究

发布时间：2023-04-08 01:03

　　本文分析了煤与瓦斯突出机理和影响因素，在利用煤矿瓦斯监控系统监测的瓦斯浓度数据信息的基础上，把支持向量机方法应用于煤与瓦斯突出的预测中，为解决矿井瓦斯突出预测问题提供了一条新途径。 本文主要进行以下工作：首先对煤与瓦斯突出监测瓦斯浓度序列的时域特征向量、频域特征向量和小波域特征向量进行特征提取与选择分析。提出了基于差分进化算法的特征选择方法。之后，选取合适的核函数，构建了煤与瓦斯突出预测的最小二乘支持向量回归机（LS-SVR）模型，同样利用差分进化算法进行核参数寻优，来提高参数搜素速度和提高预测模型的性能。通过与其他预测算法比较预测，结果表明：煤与瓦斯突出的LS-SVR模型解决了小样本、非线性、高维数、局部极小值等实际问题。最后设计了煤与瓦斯突出预测系统，实现连续非接触式地煤与瓦斯突出预测，预测结果与实际相吻合，具有重大的现实意义。

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
Abstract
1 绪论
    1.1 问题的提出
    1.2 本文研究的目的和意义
    1.3 国内外研究动态和趋势
        1.3.1 煤与瓦斯突出机理的研究概况
        1.3.2 国内外基于数学模型的煤与瓦斯突出预测技术现状
    1.4 煤与瓦斯突出工作面预测技术的发展状况
        1.4.1 区域预测指标
        1.4.2 工作面煤与瓦斯突出预测
    1.5 模式识别方法综述[17]
    1.6 研究内容
2 基于支持向量机的煤与瓦斯突出预测
    2.1 支持向量机的基本思想
        2.1.1 最优超平面
        2.1.2 支持向量机分类
    2.2 核函数
        2.2.1 核函数特征空间
        2.2.2 核函数构造方法
    2.3 最小二乘支持向量回归机
        2.3.1 支持向量机回归
        2.3.2 最小二乘支持向量回归机
3 特征选择与提取
    3.1 概述
    3.2 煤与瓦斯突出支持向量机识别的类别可分离性判据
    3.3 瓦斯浓度实时监测序列信息的特征提取
        3.3.1 监控信号的时域特征
        3.3.2 监测信号的频域特征
        3.3.3 小波域的特征计算
    3.4 瓦斯浓度实时监测序列信息的特征选择
        3.4.1 特征选择定义
        3.4.2 特征选择和学习算法的相互作用
    3.5 基于差分进化算法的特征选择
        3.5.1 差分进化计算的基本原理
        3.5.2 二进制差分进化算法
        3.5.3 求解步骤
4 基于 LS-SVR 模型煤与瓦斯突出预测结果分析与比较
    4.1 基于 LS-SVR 模型煤与瓦斯突出预测
        4.1.1 最小二乘支持向量回归机训练参数选择
        4.1.2 基于 LS-SVR 的煤与瓦斯突出预测模型训练
    4.2 LS-SVR 在常规煤与瓦突出识别中的应用与算法比较
        4.2.1 基于 LS-SVR 常规煤与瓦突出预测
        4.2.2 与神经网络方法对比
        4.2.3 支持向量机与其它瓦斯突出评价方法的比较
5 基于 LS-SVR 模型的煤与瓦斯突出预测系统
    5.1 概述
    5.2 系统的功能需求
    5.3 基于 LS-SVR 模型煤与瓦斯突出预测系统设计
        5.3.1 系统总体设计
        5.3.2 数据传输模块
        5.3.3 LS-SVR 模型预测煤与瓦斯突出模块
        5.3.4 显示储存预报结果模块
结论
参考文献
作者简历
学位论文数据集



本文编号：3785685