基于多元回归残差RBF神经网络修正算法瓦斯涌出量预测研究

发布时间：2017-06-24 13:03

  本文关键词：基于多元回归残差RBF神经网络修正算法瓦斯涌出量预测研究，，由笔耕文化传播整理发布。

【摘要】：瓦斯灾害一直是威胁我国煤炭开采过程中安全生产的重要因素之一。瓦斯的潜在影响随着煤层开采深度的增加变得更加显著。回采工作面瓦斯涌出量是矿井瓦斯防治及通风设计的重要依据,准确的对其进行预测能够有效防止多种瓦斯灾害的发生。因此加强瓦斯涌出量预测方法及技术的研究,提高瓦斯涌出量预测的精度,对改善提高煤炭安全生产具有积极地现实意义。瓦斯涌出量受到多个因素影响,多元线性回归分析能够确定瓦斯涌出量及其影响因素的数学解析式,利用解析式不仅能够根据一个或几个变量的数值预测或控制另一个变量而且能够进行影响因素分析从而确定哪些是重要因素,哪些是次要因素；然而瓦斯涌出量受多种因素制约,是一个灰色、非线性、复杂的动力学系统,单一线性回归分析不能很好的反应其非线性部分,神经网络具有很强的非线性逼近能力,能够很好的预测回采工作面瓦斯涌出量非线性部分。RBF神经网络结构简单,训练速度快,是一种高效的前馈式神经网络,具有其他前向网络所不具备的全局最优特性和最佳逼近性能。RBF神经网络还能克服BP网络学习时收敛时间过长,易陷入局部最小等问题。为了综合利用上述两种模型的优点,更好预测瓦斯涌出量,提出了一种多元回归分析残差RBF神经网络修正模型。首先利用数据样本建立瓦斯涌出量多元线性回归分模型,并用该模型对瓦斯涌出量进行初步预测,计算预测结果与实际瓦斯涌出量的残差；然后以残差为因变量,瓦斯涌出量影响因素原始数据为自变量,利用RBF神经网络对残差进行拟合预测；最后利用RBF残差的预测结果对瓦斯涌出量预测结果进行补偿修正。在SPSS19.0环境下,利用该模型进行实际预测,预测结果精度有了较大提高,结果表明：利用RBF神经网络对多元回归分析型进行补偿,将线性拟合算法和非线性拟合算法结合起来用于瓦斯涌出量预测是一种较为优越的算法。
【关键词】：瓦斯涌出量 多元回归分析 径向基神经网络 组合 预测
【学位授予单位】：辽宁工程技术大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TD712.5
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-11
• 1 绪论11-17
• 1.1 引言11-12
• 1.2 瓦斯涌出量研究现状12-14
• 1.2.1 国外研究现状12
• 1.2.2 国内研究现状12-14
• 1.3 研究内容14-15
• 1.4 研究方法与技术路线15-17
• 1.4.1 研究方法15-16
• 1.4.2 技术路线16-17
• 2 多元线性回归分析理论17-32
• 2.1 回归分析基本概念17
• 2.2 多元线性回归17-28
• 2.2.1 多元线性回归定义17-18
• 2.2.2 多元线性回归模型及算法18-20
• 2.2.3 回归方程及显著性检验20-28
• 2.3 多元回归分析建模方法28-32
• 2.3.1 逐步回归分析28-30
• 2.3.2 主成分多元回归分析30-31
• 2.3.3 多元回归分析建模流程31-32
• 3 多元回归残差RBF神经网络修正算法32-46
• 3.1 RBF神经网络32-41
• 3.1.1 人工神经网络32-33
• 3.1.2 人工神经网络的工作原理及特点33-35
• 3.1.3 RBF神经网络35
• 3.1.4 RBF函数35-36
• 3.1.5 RBF神经网络模型36-37
• 3.1.6 RBF神经网络的学习37-39
• 3.1.7 RBF神经网络优势39-40
• 3.1.8 RBF神经网络存在的问题40-41
• 3.2 多元回归分析残差修RBF神经网络预测模型41-43
• 3.2.1 组合预测方法41-42
• 3.2.2 组合预测优势42
• 3.2.3 多元回归分析残差修正RBF神经网络预测42-43
• 3.3 SPSS及特点43-46
• 4 瓦斯涌出因素分析及预测指标体系确定46-51
• 4.1 瓦斯涌出影响因素分析46-49
• 4.1.1 瓦斯涌出量影响地质因素46-48
• 4.1.2 瓦斯涌出量开采因素48-49
• 4.1.3 自然因素49
• 4.2 瓦斯涌出量影响因素指标体系构建49-51
• 4.2.1 构建预测指标体系的原则49-50
• 4.2.2 瓦斯涌出量预测指标体系构建50-51
• 5 瓦斯涌出量多元回归分析RBF残差修正算法实现及应用51-67
• 5.1 多元回归分析瓦斯涌出量预测模型51-59
• 5.1.1 逐步回归分析瓦斯涌出量预测51-55
• 5.1.2 主成分回归分析瓦斯涌出量预测55-59
• 5.2 RBF神经网络瓦斯涌出量预测59-61
• 5.3 多元回归分析残差RBF修正算法瓦斯涌出量预测61-64
• 5.4 结果比较64-65
• 5.5 工程应用65-67
• 结论67-69
• 展望69-70
• 参考文献70-72
• 作者简历72-74
• 学位论文数据集74

【参考文献】

中国期刊全文数据库 前10条

1 毕建武;贾进章;;基于SPSS的PCA-MRA回采工作面瓦斯涌出量预测[J];安全与环境学报;2014年05期

2 汪发余;高振沧;毕建武;;基于SPSS组合预测算法的煤炭消费量预测研究[J];资源开发与市场;2014年08期

3 毕建武;贾进章;刘丹;;基于SPSS多元回归分析的回采工作面瓦斯涌出量预测[J];安全与环境学报;2013年05期

4 潘玉民;邓永红;张全柱;薛鹏骞;;基于QPSO-RBF的瓦斯涌出量预测模型[J];中国安全科学学报;2012年12期

5 付华;姜伟;单欣欣;;基于耦合算法的煤矿瓦斯涌出量预测模型研究[J];煤炭学报;2012年04期

6 王春晓;陈开岩;赵红梅;;基于灰色模型的瓦斯涌出量预测[J];煤炭技术;2012年02期

7 吕伏;梁冰;孙维吉;王岩;;基于主成分回归分析法的回采工作面瓦斯涌出量预测[J];煤炭学报;2012年01期

8 罗景峰;许开立;;基于可变模糊组合方法的瓦斯涌出量预测[J];中国安全生产科学技术;2011年06期

9 罗跃;朱炎铭;王怀勐;李武;张建胜;钟和清;;分源预测法在厚煤层瓦斯涌出量预测研究中的应用[J];煤炭工程;2011年03期

10 ;Control of facies and fluid potential on hydrocarbon accumulation and prediction of favorable Silurian targets in the Tazhong Uplift,Tarim Basin,China[J];Petroleum Science;2011年01期

  本文关键词：基于多元回归残差RBF神经网络修正算法瓦斯涌出量预测研究，由笔耕文化传播整理发布。

本文编号：478234