深度学习耦合粒子群优化SVM的瓦斯浓度预测

发布时间：2017-09-30 06:33

  本文关键词：深度学习耦合粒子群优化SVM的瓦斯浓度预测

  更多相关文章： 深度学习 特征提取 SVM神经网络 粒子群优化 瓦斯预测

【摘要】：为改进工作面煤矿瓦斯涌出浓度的预测精度,基于深度学习网络、SVM和粒子群(PSO)优化算法的原理,建立1种深度学习网络与粒子群优化SVM神经网络耦合的混合算法模型,该算法首先基于深度学习理论学习样本数据较深层次的特征,提取出较少个用来表征原始数据的特征量变量,对特征变量建立PSO-SVM预测模型进行瓦斯涌出浓度预测,通过工作面现场采集的数据进行仿真实验,实验结果表明该方法使预测精度较对原始数据直接进行PSO-SVM预测得到较大的提升,同时实现了原始数据的降维,减少了算法的运行时间,提高了算法效率。
【作者单位】： 中国矿业大学信息与电气工程学院;徐州医学院医学信息学院;
【关键词】： 深度学习 特征提取 SVM神经网络 粒子群优化 瓦斯预测
【基金】：中央高校基本科研业务费专项资金资助项目(2014XT04)
【分类号】：TD712.5
【正文快照】： 随着神经网络[1]技术的发展,神经网络被广泛应用于建立瓦斯涌出量预测模型。朱红青等[2]提出用BP神经网络对瓦斯涌出量进行分源预测;韩洪磊等[3]人用拟牛顿优化算法对BP神经网络瓦斯预测模型进行了优化;辛元芳等[4]提出了基于经验模态分解和极限学习机的瓦斯突出预测模型;刘俊

【相似文献】

中国期刊全文数据库 前3条

1 任金霞;王挺;;基于改进型粒子群优化的磨矿分级系统溢流浓度控制的研究[J];矿山机械;2012年09期

2 崔益安;纪铜鑫;李溪阳;朱肖雄;;基于粒子群优化的多目标体中梯电阻率异常反演[J];地球物理学进展;2013年04期

3 ;[J];;年期

，

本文编号：946712