加权GA-BP网络与SVM在煤与瓦斯突出预测中的应用研究

发布时间：2017-06-09 03:08

  本文关键词：加权GA-BP网络与SVM在煤与瓦斯突出预测中的应用研究，由笔耕文化传播整理发布。

【摘要】：随着我国经济的蓬勃发展,对煤的需求量也逐年上升,煤是冶金、化工的重要原料。因大量开采煤矿而带来的矿井事故也频繁出现,其中,煤与瓦斯突出而导致的事故占所有矿井事故比重最大。突出事故频繁出现的原因有很多,不能准确有效预测出突出是造成事故发生的重要原因之一。根据预测结果可以采取相应的安全措施,把危险降低到最小值。所以,一个准确率高的预测模型是可以有效的减小事故发生率,提高安全生产系数。本文分别运用神经网络与S V M构造出两种突出预测模型。在神经网络预测模型中,运用了G A算法来优化神经网络的权值与阈值,提高网络性能;在S V M预测模型中,合理选择核函数,然后再根据核函数确定出需要优化的参数,对比各种不同的参数优化法选择出最佳的参数c值和g值,这样可以提高所构建的S V M训练与测试时的准确率。其中,c是指惩罚因子,g是设置γ函数的参数。为了增强模型的预测准确率,在进行神经网络与S V M训练与预测前,首先对训练与预测数据进行权值处理,权值的大小是通过运用灰关联分析法以及求比重法来处理影响突出的5个重要因素来确定的,这5个主要影响因素分别为:瓦斯压力、放散初速度、开采深度、煤体破坏类型、坚固性系数。对每个影响因素进行权值处理有助于促进强因素的影响作用,抑制弱因素的影响作用,从而达到提高预测准确率的效果。实例仿真结果表明:经过数据加权处理后的G A-B P网络以及S V M预测模型能较为准确的预测出煤与瓦斯的突出,具有一定的实用性。
【关键词】：突出预测 权值 灰关联分析法 比重法 GA-BP网络 SVM
【学位授予单位】：江西理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TD713.2;TP18
【目录】：

• 摘要4-5
• Abstract5-8
• 第一章 绪论8-22
• 1.1 课题研究的目的和意义8-9
• 1.2 煤与瓦斯突出预测研究现状9-14
• 1.2.1 影响煤与瓦斯突出的主要影响因子9-10
• 1.2.2 煤与瓦斯突出的预测方法10-14
• 1.3 神经网络在突出预测中的应用14-16
• 1.3.1 国内研究现状14-15
• 1.3.2 国外研究现状15-16
• 1.4 S VM在 突出预测中的应用16-18
• 1.4.1 国内研究现状16-17
• 1.4.2 国外研究现状17-18
• 1.5 S VM分 类原理在突出预测中的应用18-19
• 1.6 突出的分类19-20
• 1.6.1 按动力现象的强度分类19
• 1.6.2 按动力现象的能量分类19-20
• 1.7 论文主要研究内容及安排20-22
• 第二章 加权GA-BP神经网络预测模型整体方案22-32
• 2.1 引言22
• 2.2 加权GA-BP网 络预测模型的目标22-23
• 2.3 目标实现方法选择23-24
• 2.3.1 神经元传递函数的选择23
• 2.3.2 无量纲化方法选择23-24
• 2.4 加权GA-BP神 经网络预测模型的结构24-25
• 2.5 在灰关联分析基础上的权值确定25-28
• 2.5.1 灰关联分析法26-28
• 2.5.2 加权系数28
• 2.6 BP神 经网络28-30
• 2.7 确定BP网 络中主要参数30-31
• 2.7.1 各层神经元个数确定30-31
• 2.7.2 权值与阈值总个数31
• 2.7.3 传递函数确定31
• 2.8 小结31-32
• 第三章 GA-BP网络中参数的优化和实例验证32-46
• 3.1 引言32
• 3.2 训练样本集的确定与归一化32-33
• 3.3 网络参数的设置33-34
• 3.4 GA算 法优化权值与阈值34-37
• 3.4.1 GA算法34-36
• 3.4.2 优化权值与阈值36-37
• 3.5 构建预测煤与瓦斯突出GA-BP神经网络37-38
• 3.6 加权GA-BP网络的程序设计38-40
• 3.6.1 网络的总体程序设计图38-39
• 3.6.2 神经网络工具箱中的通用函数39-40
• 3.6.3 遗传算法工具箱40
• 3.7 样本集的处理40-43
• 3.7.1 归一化40-41
• 3.7.2 权值处理与构建网络41-43
• 3.8 实例验证43-45
• 3.9 小结45-46
• 第四章 加权SVM预测模型整体方案46-51
• 4.1 引言46
• 4.2 SVM介绍46-47
• 4.3 加权SVM预测模型的目标47
• 4.4 目标实现方法的选择47-49
• 4.4.1 核函数的选择47-48
• 4.4.2 SVM参数值优化方法选择48-49
• 4.5 加权SVM预测模型的结构49-50
• 4.6 小结50-51
• 第五章 加权SVM模型中参数的优化和实例验证51-60
• 5.1 引言51
• 5.2 PSO算 法51-52
• 5.3 确定核函数类型52-53
• 5.4 SVM参 数优化53-56
• 5.5 LibSVM中参数设置方法56-57
• 5.6 建立分类模型和预测模型57-58
• 5.7 实例验证58-59
• 5.8 小结59-60
• 第六章 总结与展望60-62
• 6.1 研究总结60
• 6.2 课题展望60-62
• 参考文献62-65
• 致谢65-66
• 攻读学位期间的研究成果66-67

【相似文献】

中国期刊全文数据库 前8条

1 陈娟;杨象梁;;灰关联分析法在黄家湖水质评价的应用[J];环境科学与管理;2013年04期

2 于福荣;刘中培;李俊;;灰关联分析法和模糊综合评判法在水库水质评价中的应用[J];水文;2012年04期

3 张春洁;金鑫;;灰关联分析法在大辽河营口段生态供水水质评价中的应用[J];吉林水利;2013年05期

4 邱梅;;改进的灰关联分析法在废纸造纸项目环境影响评价中的应用[J];纸和造纸;2013年08期

5 赵军;模糊灰关联分析法在测井识别油气水层中的应用[J];测井技术;2000年05期

6 江帆;龚选林;李丹;;基于灰度关联的有色金属选矿厂厂址评价[J];科技信息;2010年01期

7 赵秀春;;灰关联分析法在大沽河青岛段水质评价中的应用[J];水生态学杂志;2009年05期

8 ;[J];;年期

中国硕士学位论文全文数据库 前1条

1 黄丹丹;加权GA-BP网络与SVM在煤与瓦斯突出预测中的应用研究[D];江西理工大学;2015年

  本文关键词：加权GA-BP网络与SVM在煤与瓦斯突出预测中的应用研究，，由笔耕文化传播整理发布。

本文编号：434319