基于模糊认知图的矿山压力显现预测研究
发布时间：2021-07-14 02:07
煤炭资源是我国能源结构中占比最大的板块,为我国经济社会高速发展提供了源源不断的动力。因此,煤炭资源的安全开采显得尤为重要。在煤炭开采过程中,作业面矿山压力显现的异常会严重威胁到作业人员的人身安全,开展矿山压力显现预测的研究工作进而建立预警机制对煤炭安全开采具有重要意义,是煤矿安全生产的重要技术保障。本文首先针对采矿活动中矿山压力显现预测的实际需求,提出基于模糊认知图（Fuzzy Cognitive Maps,FCM）的矿山压力显现预测的实例化预测模型。其次,对预测模型中的实数编码遗传算法进行改进,引入权重正则化和Dropout正则化,提出改进遗传算法进行模型相关参数求解。模型性能验证以现场监测数据为例,采用实数编码遗传算法、L2正则化遗传算法和改进遗传算法训练模型,运用均方差和适应度函数验证预测模型对于采用不同优化算法的适用性,验证改进遗传算法优于其他两种算法。最后,将基于改进遗传算法构建的FCM模型与两种不同的神经网络架构模型（密集连接网络和循环神经网络）进行性能对比分析,进一步验证所提出预测模型的适用性,证明其可以实现煤矿生产现场矿山压力显现预测工作的需求。本文研究的创新性成果主要...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
图２．?１模糊认知图的拓扑结构??Ｆｉｇ．?２．１?Ｔｏｐｏｌｏｇｉｅｓ?ｓｔｎｉｃｔｕｒｅ?ｏｆ?ｆｕｚｚｙ?ｃｏｇｎｉｔｉｖｅ?ｍａｐｓ?ｍｏｄｅｌ??
?基于模糊认知图的矿山压力显现预测研究???＿??图３．１预测模型的拓扑结构??Ｆｉｇ．?３．１?Ｔｏｐｏｌｏｇｉｅｓ?ｓｔｍｃｔｕｒｅ?ｏｆ?ｐｒｅｄｉｃｔｉｏｎ?ｍｏｄｅｌ??如图３．１所示，本文研究问题涉及六个概念结点，其中汁１时刻的而结点为输出结??点，输出值为选取预测概念结点的状态值，／时刻的尤为输入结点，分别为六组监测??点的数据状态值。以实际监测数据集为研究对象，利用遗传算法来寻找模型中各节点间??的权值（即模型关联矩阵）。??３．２．２模型训练过程??利用遗传算法对模糊认知图中的关联矩阵权重进行学习训练。将一个实数编码的向??量（作为一条染色体）定义为模型中的关联矩阵。向量中的每个元素称为基因，对应??ＦＣＭ中的边权值，即关联矩阵中每一个位置上的数值。??１．染色体结构??ＲＣＧＡ将每条染色体定义为一个浮点数向量，每条染色体包括妒为概念结点，??本文取值为６）个基因，每个基因的取值范围为［－１，?１］，表达式为：??尺＝［〇，?Ｗ１２，?ｗｕ，…，ｗｌｉＶ，ｗ２ｌ，０，?（３．１）??ｖｖ２３，…，ｗ２Ｗ，…ｗ勝，丨，０］??公式３．１中，为从概念结点Ｍ到的关联权值。??每条染色体携带３６个基因，这些基因一一对应模型中关联矩阵（６，６）每个位置的数??值（正对角线上基因所对应的元素值恒为零），每条染色体都可以编码为模型中的一个??候选关联矩阵。种群中染色体经过每代的迭代逐步优化繁衍。??２．适应度函数??每条染色体的评价由适应度函数完成，本文所采用的适应度函数为：??－２０?－??
?大连海事大学专业学位硕士学位论文???Ｊｉｔｎｅｓｓ?（Ｊ，）?＝?———?Ｃ３．２）??ａ－Ｊ（Ｉ）?＋?＼??公式３．２中，，／仍－第／条染色体的误差函数，种群数，适应度参数《＞０。??Ｊ（／）?＝?７＾ＴＴ妓物卜為⑴）?（３３）??？?公式３．３中，离散的学习时间序列，：Ｔ－训练或验证数据组数，《－输出概念结点数，??结点在／时刻的真实状态（实际的状态值），為似－／结点在／时刻的输出状态（预??测的状态值）。??３．基于ＲＣＧＡ的模型训练过程??图３．２为基于ＲＣＧＡ的模型训练过程。ＲＣＧＡ算法以具有连续时序特征的数据源为??学习对象，使用遗传算法模拟时序数据的动态变换，从而形成一个具有正确权重矩阵的??模糊认知图，即确定模型关联矩阵。??ＲＣＧＡ算法的具体过程是，对初始化群体中的染色体所携带的关联矩阵权重进行计??算评估，即将经模型推理计算后的预测值与数据源中的实际值进行比较，达到结束条件，??获得了最优的模型关联矩阵，否则对父代染色体进行交叉、变异，并从中选择出适应度??高的染色体生成新一代的群体再次进行计算评估，依此反复迭代，直到适应度函数大于??最大适应度或到达预先设定的最大迭代步数Ｍｚｘ／？。??：平Ｖ?＃群?＂?＞｜?｜?Ａ？计?｜?｜￣歸?｜??＼??嫌彷???ｖｉｒｎｔｍ???愉入坆据??图３．?２基于ＲＣＧＡ的模型训练过程??Ｆｉｇ．?３．２?Ｍｏｄｅｌ?ｔｒａｉｎｉｎｇ?ｐｒｏｃｅｓｓ?ｂａｓｅｄ?ｏｎ?ＲＣＧＡ??交叉是指双亲的两个染色体间，部分基因相互交换的操作，即通过双亲中一方的部??分基因与另一方的部分基因重新组合，生成新的子代染色体。如图３
本文编号：3283187
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
图２．?１模糊认知图的拓扑结构??Ｆｉｇ．?２．１?Ｔｏｐｏｌｏｇｉｅｓ?ｓｔｎｉｃｔｕｒｅ?ｏｆ?ｆｕｚｚｙ?ｃｏｇｎｉｔｉｖｅ?ｍａｐｓ?ｍｏｄｅｌ??
?基于模糊认知图的矿山压力显现预测研究???＿??图３．１预测模型的拓扑结构??Ｆｉｇ．?３．１?Ｔｏｐｏｌｏｇｉｅｓ?ｓｔｍｃｔｕｒｅ?ｏｆ?ｐｒｅｄｉｃｔｉｏｎ?ｍｏｄｅｌ??如图３．１所示，本文研究问题涉及六个概念结点，其中汁１时刻的而结点为输出结??点，输出值为选取预测概念结点的状态值，／时刻的尤为输入结点，分别为六组监测??点的数据状态值。以实际监测数据集为研究对象，利用遗传算法来寻找模型中各节点间??的权值（即模型关联矩阵）。??３．２．２模型训练过程??利用遗传算法对模糊认知图中的关联矩阵权重进行学习训练。将一个实数编码的向??量（作为一条染色体）定义为模型中的关联矩阵。向量中的每个元素称为基因，对应??ＦＣＭ中的边权值，即关联矩阵中每一个位置上的数值。??１．染色体结构??ＲＣＧＡ将每条染色体定义为一个浮点数向量，每条染色体包括妒为概念结点，??本文取值为６）个基因，每个基因的取值范围为［－１，?１］，表达式为：??尺＝［〇，?Ｗ１２，?ｗｕ，…，ｗｌｉＶ，ｗ２ｌ，０，?（３．１）??ｖｖ２３，…，ｗ２Ｗ，…ｗ勝，丨，０］??公式３．１中，为从概念结点Ｍ到的关联权值。??每条染色体携带３６个基因，这些基因一一对应模型中关联矩阵（６，６）每个位置的数??值（正对角线上基因所对应的元素值恒为零），每条染色体都可以编码为模型中的一个??候选关联矩阵。种群中染色体经过每代的迭代逐步优化繁衍。??２．适应度函数??每条染色体的评价由适应度函数完成，本文所采用的适应度函数为：??－２０?－??
?大连海事大学专业学位硕士学位论文???Ｊｉｔｎｅｓｓ?（Ｊ，）?＝?———?Ｃ３．２）??ａ－Ｊ（Ｉ）?＋?＼??公式３．２中，，／仍－第／条染色体的误差函数，种群数，适应度参数《＞０。??Ｊ（／）?＝?７＾ＴＴ妓物卜為⑴）?（３３）??？?公式３．３中，离散的学习时间序列，：Ｔ－训练或验证数据组数，《－输出概念结点数，??结点在／时刻的真实状态（实际的状态值），為似－／结点在／时刻的输出状态（预??测的状态值）。??３．基于ＲＣＧＡ的模型训练过程??图３．２为基于ＲＣＧＡ的模型训练过程。ＲＣＧＡ算法以具有连续时序特征的数据源为??学习对象，使用遗传算法模拟时序数据的动态变换，从而形成一个具有正确权重矩阵的??模糊认知图，即确定模型关联矩阵。??ＲＣＧＡ算法的具体过程是，对初始化群体中的染色体所携带的关联矩阵权重进行计??算评估，即将经模型推理计算后的预测值与数据源中的实际值进行比较，达到结束条件，??获得了最优的模型关联矩阵，否则对父代染色体进行交叉、变异，并从中选择出适应度??高的染色体生成新一代的群体再次进行计算评估，依此反复迭代，直到适应度函数大于??最大适应度或到达预先设定的最大迭代步数Ｍｚｘ／？。??：平Ｖ?＃群?＂?＞｜?｜?Ａ？计?｜?｜￣歸?｜??＼??嫌彷???ｖｉｒｎｔｍ???愉入坆据??图３．?２基于ＲＣＧＡ的模型训练过程??Ｆｉｇ．?３．２?Ｍｏｄｅｌ?ｔｒａｉｎｉｎｇ?ｐｒｏｃｅｓｓ?ｂａｓｅｄ?ｏｎ?ＲＣＧＡ??交叉是指双亲的两个染色体间，部分基因相互交换的操作，即通过双亲中一方的部??分基因与另一方的部分基因重新组合，生成新的子代染色体。如图３
本文编号：3283187
本文链接：https://www.wllwen.com/kejilunwen/kuangye/3283187.html
