基于数据融合的瓦斯危险程度预测研究

发布时间：2023-04-18 19:54

　　目前的研究指出井下瓦斯气体的变化规律具有混沌性质,只能满足短期且不精确的预测。现有的数学模型进行瓦斯数据预测时虽然在正确率方面有所改进,但是存在着串行度高,工作层次低,扩展性不好等缺点。因此本文提出了“预测-分类-融合”(predict-classify-fuse(PCF))模型。该模型具有并行性,以满足运行的时间要求;能直接输出决策层面信息,以保证从预警信息发布到灾害发生之间的窗口长度;满足一定的扩展性,可以在瓦斯浓度变化规律不同的煤矿中使用。本文阐述了 PCF模型设计的思想,给出了模型构建的过程,并通过实验证明PCF模型在保持正确率的基础上达到了并行性、输出决策层结论和可扩展的要求。首先针对原始数据具有非平稳的特点采用了小波滤波降噪。针对瓦斯数据的混沌特性,在数据层面采用了相空间重构和神经网络数据预测方法。同时采用C-C算法计算了嵌入维数和延迟时间,并考察了不同类型神经网络,嵌入维数和预测步长之间的关系,通过实验分析了最佳的参数配比,实验结果表明在该参数配比下具有较佳的预测结果。然后确定了瓦斯危险状态的划分规则,并在此划分规则下得到了分类器的输出维数。针对映射操作具有较高非线性的特...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 选题背景及意义
    1.2 研究现状
        1.2.1 基于物理量的预测研究
        1.2.2 基于数据的预测研究
    1.3 PCF模型提出的思想
    1.4 研究工作和主要内容
    1.5 文章组织结构
2 瓦斯数据预处理与预测数据生成
    2.1 小波滤波用于瓦斯数据降噪
    2.2 基于相空间重构和RBF神经网络的瓦斯预测模型
        2.2.1 相空间重构简介
        2.2.2 C-C算法基本原理
        2.2.3 利用C-C法计算瓦斯数据的嵌入维数和延迟时间
        2.2.4 计算最佳嵌入维数和预测步长算法的提出及瓦斯数据预测
    2.3 本章小结
3 瓦斯预测数据的降维与危险程度分类
    3.1 PCA降维用于瓦斯序列数据的压缩
        3.1.1 PCA降维的简介
        3.1.2 PCA降维的原理及最优先验转换矩阵的选取算法
        3.1.3 PCA数据降维示意与瓦斯数据压缩
    3.2 分类器用于瓦斯状态映射
        3.2.1 支持向量机基本介绍
        3.2.2 BP神经网络基本介绍
        3.2.3 SVM与BP神经网络进行瓦斯状态分类
    3.3 本章小结
4 基于DS证据理论的瓦斯浓度状态融合
    4.1 DS证据理论基本原理及概念
        4.1.1 DS证据理论简介
        4.1.2 DS证据理论基本概念
        4.1.3 证据合成规则
    4.2 基于DS证据理论构建的PCF模型实例
    4.3 利用证据折扣减弱瓦斯状态数据间的冲突
        4.3.1 PCF模型中误差的来源
        4.3.2 根据误差构造BPA
    4.4 实验结论展示及其分析
    4.5 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
附录



本文编号：3792923