改进蚁群算法在瓦斯涌出量预测中的应用研究

发布时间：2017-08-24 10:00

  本文关键词：改进蚁群算法在瓦斯涌出量预测中的应用研究

  更多相关文章： 瓦斯涌出量 改进蚁群算法 小波神经网络 动态系统预测

【摘要】：煤矿事故的频发极大威胁着煤矿的安全生产,其中的瓦斯灾害是煤矿生产中面临的首要难题。缺乏准确预测瓦斯涌出量的方式为防治煤矿瓦斯事故提出了很大的挑战。而矿井的通风设计的合理性也和瓦斯涌出量的准确预测密切相关,也成为煤矿技术经济指标的重要考量。瓦斯涌出量间的因素通常会表现为动态、模糊的非线性动力变化,导致传统线性方法建模的精度很难满足实际生产需求。本文在总结过往关于预测瓦斯涌出量的方法后,对基本蚁群算法进行研究并改进,并试图将改进蚁群算法应用到瓦斯涌出量预测中,文中利用神经网络作为预测媒介,进而搭建起改进蚁群算法优化的小波神经网络的系统预测模型。论文首先分析出传统小波神经网络存在收敛精度低,易陷入局部极值的缺陷,引入蚁群算法进行改进。然后论文分析蚁群算法基本原理和各重要参数,针对算法易陷入局部收敛的问题,优化蚁群寻优的最大最小范围,平滑处理信息素轨迹,引入惩罚因子和扰动因子,该算法求解旅行商问题取得良好效果。最后将改进蚁群算法与小波神经网络结合建模,参照历史数据仿真。结果表明文中的模型比传统算法搭建的模型有更快的收敛速度,更高的收敛精度,更好的鲁棒性。改进蚁群算法通过小波神经网络这样的预测工具所搭建的模型在预测中的体现出其优越性,证明本文改进的蚁群算法未来可以在瓦斯涌出量的预测中起到重要作用,其应用研究也有着更光明的前景。
【关键词】：瓦斯涌出量 改进蚁群算法 小波神经网络 动态系统预测
【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;TP18
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-10
• 1 绪论10-14
• 1.1 课题研究的背景与意义10
• 1.2 国内外对瓦斯涌出量预测研究10-12
• 1.2.1 国内对瓦斯预测研究10-11
• 1.2.2 国外对瓦斯预测研究11-12
• 1.3 蚁群算法的发展历程和研究成果12
• 1.4 论文主要研究内容12-13
• 1.5 论文主要探究工作13-14
• 2 小波神经网络模型的建立和探究14-21
• 2.1 引言14
• 2.2 小波分析理论研究14-17
• 2.2.1 小波函数定义及连续变换14-15
• 2.2.2 离散小波函数变换15
• 2.2.3 小波函数框架理论15-16
• 2.2.4 小波函数多分辨分析16-17
• 2.3 小波神经网络构成及算法探究17-20
• 2.3.1 小波神经网络构成及分类17-18
• 2.3.2 小波神经网络学习算法18-19
• 2.3.3 小波神经网络权值分析和运算19-20
• 2.4 小波神经网络的利弊分析20
• 2.5 小结20-21
• 3 蚁群算法优化理论21-33
• 3.1 引言21
• 3.2 蚁群算法的基本原理21-22
• 3.3 蚁群算法的数学建模22-24
• 3.4 蚁群算法建模中的参数分析24-31
• 3.4.1 信息素挥发因子ρ的择优24-26
• 3.4.2 信息启发式因子α的择优26-27
• 3.4.3 期望启发式因子β的择优27-29
• 3.4.4 蚂蚁数量和敛散性的关系29-30
• 3.4.5 信息素强度Q的择优30-31
• 3.5 蚁群算法的实现流程31-32
• 3.6 小结32-33
• 4 改进蚁群算法优化小波神经网络33-42
• 4.1 引言33
• 4.2 最大最小蚁群算法描述33-35
• 4.3 改进的最大最小蚁群算法35-37
• 4.3.1 引入平滑信息素轨迹35-36
• 4.3.2 引入惩罚因子和扰动因子36-37
• 4.4 旅行商问题的实验分析37-38
• 4.5 改进蚁群算法优化的小波神经网络模型38-41
• 4.5.1 改进蚁群算法优化小波神经网络39
• 4.5.2 改进蚁群算法优化流程39-41
• 4.6 小结41-42
• 5 基于改进蚁群算法的瓦斯涌出量预测模型42-54
• 5.1 引言42
• 5.2 影响瓦斯涌出量要素的分析42-43
• 5.2.1 瓦斯涌出量定义42
• 5.2.2 影响瓦斯涌出量的要素42-43
• 5.3 控制系统在瓦斯涌出量预测中的应用43-49
• 5.3.1 预测控制的原理43-44
• 5.3.2 瓦斯涌出量预测控制的实现44-46
• 5.3.3 预测控制中的网络数学模型46-48
• 5.3.4 全局预测控制流程48-49
• 5.4 瓦斯涌出量的仿真分析49-53
• 5.4.1 确定输入样本49-50
• 5.4.2 网络拓扑结构及改进蚁群算法参数确定50-51
• 5.4.3 瓦斯涌出量仿真结果和分析51-53
• 5.5 小结53-54
• 6 总结与展望54-56
• 6.1 本文总结54-55
• 6.2 展望55-56
• 参考文献56-59
• 作者简历59-61
• 学位论文数据集61

【参考文献】

中国期刊全文数据库 前10条

1 琚宜文;李清光;谭锋奇;;煤矿瓦斯防治与利用及碳排放关键问题研究[J];煤炭科学技术;2014年06期

2 刘硕;王俊峰;温伟;杨雪;;分源法瓦斯预测原理的运用[J];煤炭技术;2014年05期

3 孙庆刚;;中国煤矿瓦斯灾害现状与防治对策研究[J];中国煤炭;2014年03期

4 宁志勇;;煤层瓦斯资源量预测研究[J];工矿自动化;2014年02期

5 秦伟;许家林;胡国忠;彭小亚;;老采空区瓦斯储量预测方法研究[J];煤炭学报;2013年06期

6 朱跃龙;李士进;范青松;万定生;;基于小波神经网络的水文时间序列预测[J];山东大学学报(工学版);2011年04期

7 张伟;师奕兵;周龙甫;卢涛;;基于改进粒子群算法的小波神经网络分类器[J];仪器仪表学报;2010年10期

8 李长洪;范丽萍;郭俊温;;小波神经网络在露天矿边坡变形预测中的应用[J];中国矿业;2010年07期

9 魏武;魏敏;;基于小波神经网络的卡尔曼滤波在GPS/DR系统中的应用[J];微电子学与计算机;2010年07期

10 苏红畏;刘希玉;王晓敏;;混合最大最小蚁群算法在VRPTW中的应用[J];计算机技术与发展;2010年02期

中国博士学位论文全文数据库 前1条

1 常绪华;采空区煤自燃诱发瓦斯燃烧（爆炸）规律及防治研究[D];中国矿业大学;2013年

中国硕士学位论文全文数据库 前3条

1 吴林涛;基于动态分源预测法的综采工作面瓦斯预测技术的应用研究[D];辽宁工程技术大学;2012年

2 严磊;基于灰色理论与神经网络的交通量组合预测模型研究[D];重庆大学;2010年

3 王勇;基于小波神经网络的模拟电路故障诊断的研究[D];内蒙古工业大学;2006年

，

本文编号：730621