基于粒子群与支持向量机的煤矿材料成本预测数学模型研究

发布时间：2018-02-04 07:26

  本文关键词： 粒子群优化 支持向量机 煤矿材料成本　出处：《煤炭技术》2017年12期 　论文类型：期刊论文

【摘要】：针对煤矿材料成本预测缺少定量分析和预测误差大等问题,提出了基于粒子群优化支持向量机的煤矿材料成本预测数学模型。并将传统的线性回归模型、支持向量机模型与提出的新数学模型对比,发现粒子群优化支持向量机模型预测精度高、误差小、结果可靠,能够为成本管理决策提供定量数据。
[Abstract]:Aiming at the lack of quantitative analysis and large prediction error in coal mine material cost prediction, a mathematical model of coal mine material cost prediction based on particle swarm optimization support vector machine (PSO) is proposed, and the traditional linear regression model is proposed. Comparing the support vector machine model with the proposed new mathematical model, it is found that the particle swarm optimization support vector machine model has high prediction accuracy, small error and reliable results, which can provide quantitative data for cost management decision.
【作者单位】： 廊坊职业技术学院;
【分类号】：F426.21;TD82;TP18
【正文快照】： 0 引言 煤炭企业生产经营具有特殊性,材料成本预算困难,因此材料成本管理大多依据经验定性管理,缺乏定量参考指标。要想减少人为主观因素对定额、指标分解的干扰,编制合理预算,应建立科学的煤炭材料成本预测控制数学模型,实现材料成本的客观定量控制。 多粒子群优化算法是一

【相似文献】

相关期刊论文 前10条

1 牛磊;卜祥芹;陈优阔;徐玉震;;支持向量机在矿井水源判别中的应用[J];煤矿现代化;2010年03期

2 谭鹏;曹平;;基于灰色关联支持向量机的地表沉降预测[J];中南大学学报(自然科学版);2012年02期

3 张红亮;王水林;吕颖慧;尹小涛;;爆破震动效应的支持向量机分析预测[J];矿业研究与开发;2007年04期

4 欧敏;林从谋;;支持向量机预测高边坡爆破质点振动速度[J];金属矿山;2011年06期

5 徐晓冰;史兴燕;;煤炭需求量预测的支持向量机模型[J];电脑知识与技术;2014年20期

6 郭凤仪;郭长娜;王爱军;王洋洋;刘丹;;基于粒子群优化支持向量机的煤矿水位预测模型[J];计算机工程与科学;2012年07期

7 陆有忠;高永涛;吴顺川;朱瑞钧;;基于进化支持向量机的岩土体位移反分析[J];辽宁工程技术大学学报;2006年03期

8 王久凤;徐桂云;宋三峰;;支持向量机在提升机故障诊断中的应用研究[J];矿山机械;2009年05期

9 刘强;;基于支持向量机的煤岩界面识别方法[J];太原科技;2007年08期

10 马恩杰;白锐;柴天佑;;基于加权支持向量机的选矿生产指标预报模型[J];系统仿真学报;2008年08期

相关会议论文 前2条

1 朱珍德;李红波;尚剑飞;刘金辉;;基于支持向量机理论的矿山动采巷道围岩变形预测分析[A];自主创新与持续增长第十一届中国科协年会论文集（1）[C];2009年

2 许传华;李瑞;任青文;;基于支持向量机的岩体演化的非线性动力学模型与突变分析[A];2004年全国矿山信息化建设成果及技术交流会论文集[C];2004年

相关博士学位论文 前2条

1 陈桂军;基于支持向量机的异常检测关键问题研究及应用[D];太原理工大学;2016年

2 金珠;改进的支持向量机分类算法及其在煤矿人因事故安全评价中的应用[D];中国矿业大学;2011年

相关硕士学位论文 前10条

1 张雷;煤矿井下基于网格划分的分层定位算法研究[D];中国矿业大学;2015年

2 杨莹;基于支持向量机理论的露天边坡沉降规律及预测研究[D];辽宁工程技术大学;2014年

3 刘涛;基于权熵交叉验证支持向量机的矿井安全评价研究[D];辽宁工程技术大学;2015年

4 张瑾;基于优化支持向量机的煤与瓦斯突出预测研究[D];辽宁工程技术大学;2015年

5 刘佳乐;基于近似支持向量机的储层分析方法[D];成都理工大学;2016年

6 李国洋;基于蚁群算法的支持向量机在矿区地表沉降预测中的应用研究[D];江西理工大学;2015年

7 贺国伟;基于支持向量机的黄土矿区最大下沉预计模型[D];西安科技大学;2017年

8 王雷;支持向量机预测煤储层渗透性[D];中国石油大学;2011年

9 高凯;基于支持向量机的煤自燃预测方法研究[D];西安科技大学;2012年

10 单明霞;基于GIS的支持向量机分类模型建立及其在资源评价中的应用[D];成都理工大学;2009年

，

本文编号：1489692