基于神经网络和粒子群优化SVM的煤与瓦斯突出预测模型研究

发布时间：2017-06-27 16:01

  本文关键词：基于神经网络和粒子群优化SVM的煤与瓦斯突出预测模型研究，由笔耕文化传播整理发布。

【摘要】：我国煤炭资源丰富,煤炭开采量逐年增加,煤炭消费在我国一次能源消费中占有绝对的主导地位,同时,煤炭作为我国能源的基础,其安全问题已经成为我国能源安全的重要内容。但是在安全采矿方面仍存在很多问‘题,据统计,煤与瓦斯突出事故是现在矿难事故的主要方面。安全采矿不仅关系能源安全问题,还关系到到采矿人员安全以及采矿设备安全等各个方面。随着煤矿开采范围的不断扩大,其深度和复杂度也不断增加,传统的预测煤与瓦斯突出方法已经不能满足当前的实际需要,需要在现代化的处理方法基础上,突破传统方法的束缚,快速对煤与瓦斯突出进行准确预测的研究。本文的研究内容主要包括以下几点： 1,通过对煤与瓦斯突出机理的研究,综合考虑突出发生的规律、过程以及与之相关的主控因素等方面,在借鉴和学习其他优秀学者研究成果的基础上,明确了煤与瓦斯突出是一种复杂的非线性过程。并从综合方面构建更为全面的煤与瓦斯突出预测模型。 2,本文通过采用两个均具有非线性、自主学习、自组织以及并行处理能力的BP及RBF人工神经网络,分别对煤与瓦斯突出预测问题进行了建模。在MATLAB环境下,以预测准确度和收敛速度两个指标为评判准则,对山西某煤矿实测数据进行仿真测试；实验结果表明,RBF神经网络较BP神经网络的预测更快速且结果更准确可靠,在煤与瓦斯突出预测方面更具有实际应用价值。 3,在神经网络预测的基础上,探寻适合更广的基于演进算法的粒子群优化算法以及基于统计学方法的最小向量机算法的结合,可以在更广泛的范围内实现多指标、非线性的预测模型构建。这种算法的引入相对于神经网络在参数优化方面和泛化能力方面均有较大的提升。研究表明,PSO-SVM算法在煤与瓦斯突出预测模型方面有较大的应用空间。
【关键词】：神经网络 支持向量机 粒子群优化算法 煤与瓦斯突出 预测模型
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TD713
【目录】：

• 摘要3-5
• ABSTRACT5-11
• 第一章 绪论11-17
• 1.1 煤炭安全生产的重要意义11-12
• 1.2 煤与瓦斯突出问题的现状12-13
• 1.3 煤与瓦斯突出预测研究需要解决的问题13
• 1.4 人工神经网络发展现状13-14
• 1.5 支持向量机的发展现状14-15
• 1.6 完成的主要工作15
• 1.7 本文内容结构安排15-17
• 第二章 煤与瓦斯突出及预测问题研究17-33
• 2.1 煤与瓦斯突出17-20
• 2.1.1 突出前的预兆17
• 2.1.2 突出强度划分17-18
• 2.1.3 煤与瓦斯突出过程18
• 2.1.4 突出发生的一般规律18-19
• 2.1.5 煤与瓦斯突出形成主控因素研究19-20
• 2.2 煤与瓦斯突出预测方法研究20-24
• 2.2.1 基于指标(经验知识)的预测方法20-22
• 2.2.2 基于物理学原理的检测方法22
• 2.2.3 基于数学模型的预测方法22-23
• 2.2.4 基于黑箱理论的预测方法23-24
• 2.3 神经网络24-28
• 2.3.1 人工神经网络24
• 2.3.2 神经网络特点24-25
• 2.3.3 人工神经网络的模型25
• 2.3.4 人工神经网络的种类25-26
• 2.3.5 神经网络的学习26-27
• 2.3.6 两种常用神经网络(BP、RBF)的比较27-28
• 2.4 基于神经网络预测方法研究28-29
• 2.5 粒子群优化算法29-33
• 第三章 基于BP神经网络的煤与瓦斯突出预测模型研究33-43
• 3.1 BP神经网络33-36
• 3.1.1 BP神经网络的结构33-34
• 3.1.2 BP神经网络的学习过程34-35
• 3.1.3 BP网络在解决问题方面的特点35-36
• 3.1.4 BP算法存在的问题及改进36
• 3.2 BP神经网络预测分析36-40
• 3.2.1 预测模型输入、输出样本选择36-39
• 3.2.2 BP神经网络预测模型的建立39
• 3.2.3 BP神经网络预测模型的训练及测试39-40
• 3.3 预测结果分析40-41
• 3.4 本章小结41-43
• 第四章 基于RBF神经网络的煤与瓦斯突出预测模型的研究43-51
• 4.1 RBF神经网络43-45
• 4.1.1 RBF神经网络的结构43-44
• 4.1.2 RBF神经网络的两种模型44-45
• 4.2 RBF神经网络预测分析45-47
• 4.2.1 预测模型输入、输出样本选择45-46
• 4.2.2 RBF神经网络预测模型的建立46
• 4.2.3 RBF神经网络预测模型的训练及测试46-47
• 4.3 RBF神经网络预测模型预测结果分析47-48
• 4.4 本章小结48-51
• 第五章 基于粒子群优化SVM的煤与瓦斯突出预测模型的研究51-71
• 5.1 粒子群优化算法51-56
• 5.1.1 算法的数学描述51
• 5.1.2 算法的参数选择51-52
• 5.1.3 粒子群优化算法的流程52-53
• 5.1.4 粒子群优化算法的特点53-54
• 5.1.5 粒子群优化算法的特征54
• 5.1.6 常用的两种粒子群优化算法54-55
• 5.1.7 粒子群优化算法与其他算法的比较55-56
• 5.1.8 粒子群优化算法的应用研究56
• 5.2 统计学习理论56-58
• 5.3 支持向量机(SVM)理论58-65
• 5.3.1 线性支持向量机59-60
• 5.3.2 线性不可分支持向量机60-62
• 5.3.3 非线性支持向量机62-63
• 5.3.4 核函数63-64
• 5.3.5 SVM算法的优势64
• 5.3.6 SVM算法的核映射64-65
• 5.3.7 SVM算法的基本流程65
• 5.4 粒子群优化支持向量机参数方法研究65-67
• 5.4.1 参数优化的必要性65-66
• 5.4.2 参数优化算法流程66-67
• 5.5 仿真分析67-70
• 5.6 本章小结70-71
• 第六章 总结与展望71-73
• 参考文献73-77
• 致谢77-79
• 攻读学位期间发表的学术论文目录79

【参考文献】

中国期刊全文数据库 前9条

1 傅贵,李宣东,李军;事故的共性原因及其行为科学预防策略[J];安全与环境学报;2005年01期

2 陈长华;王真;;采空区自然发火位置相似模拟模型[J];辽宁工程技术大学学报(自然科学版);2009年S2期

3 戴宏亮;;基于改进的自适应支持向量机建模的煤与瓦斯突出预测[J];计算机应用研究;2009年05期

4 李春辉;陈日辉;苏恒瑜;;BP神经网络在煤与瓦斯突出预测中的应用[J];矿冶;2010年03期

5 张许良,彭苏萍,张子戌,袁崇孚;煤与瓦斯突出敏感地质指标研究[J];煤田地质与勘探;2003年02期

6 王延林;杨胜强;欧晓英;;灰色关联分析在煤与瓦斯突出预测中的应用[J];煤炭技术;2009年03期

7 李远红;;煤岩物理力学性质对煤与瓦斯突出的影响研究[J];煤炭技术;2011年10期

8 伍爱友,肖红飞,王从陆,何利文;煤与瓦斯突出控制因素加权灰色关联模型的建立与应用[J];煤炭学报;2005年01期

9 田云丽;周利华;;基于BP神经网络的煤与瓦斯突出预测方法的研究[J];系统工程理论与实践;2005年12期

  本文关键词：基于神经网络和粒子群优化SVM的煤与瓦斯突出预测模型研究，由笔耕文化传播整理发布。

，

本文编号：490342