基于时空序列的瓦斯浓度预测方法研究

发布时间：2021-02-08 00:04

　　煤矿井下瓦斯事故破坏力大,造成的人员伤亡惨重,居煤矿五大灾害事故之首。分析和研究瓦斯数据的特性,构建有效的瓦斯浓度预测模型,对瓦斯异常做出及时、准确预警,以减少瓦斯事故的发生,具有重要意义。本文分析工作面瓦斯运移的时空特性,将时空建模思想与最小二乘支持向量机（LSSVM）结合,构建一种瓦斯浓度时空预测模型。时空模型引入先验信息的同时还会引入噪声,为减弱噪声对预测精度的影响,引入选择性集成学习方法,构建一种基于选择性集成的瓦斯浓度时空预测模型。（1）针对一些智能优化算法易陷入局部最优解的问题,采用一种动态蚁群算法（DACO）,对LSSVM的惩罚参数和核函数参数寻优,构建DACO-LSSVM模型。该蚁群算法将求解空间进行区间划分,初始化时,蚁群较为分散地分布在解空间中,搜索过程不易陷入局部最优解。同时采用动态全局选择因子和动态信息素蒸发因子,在提升寻优精度的同时加快求解速度。（2）针对单点瓦斯浓度预测模型存在预测精度低的问题,研究瓦斯浓度时间序列的时空特性,将时空建模思想与DACO-LSSVM模型结合,构建瓦斯浓度时空预测模型。将时间延迟信息和空间位置信息引入瓦斯浓度预测模型,通过K-me... 

【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
变量注释表
1 绪论
    1.1 课题的研究背景与意义
    1.2 瓦斯浓度预测方法研究现状
    1.3 目前存在的问题
    1.4 论文研究内容及结构安排
    1.5 本章小结
2 瓦斯监测数据采集方案设计及时空性分析
    2.1 瓦斯涌出影响因素分析
    2.2 瓦斯监测数据采集方案设计
    2.3 瓦斯序列时空特性分析
    2.4 本章小结
3 基于ST-DACO-LSSVM的瓦斯浓度预测时空建模方法研究
    3.1 最小二乘支持向量机理论研究
    3.2 DACO-LSSVM模型建立
    3.3 ST-DACO-LSSVM瓦斯浓度时空预测模型建立
    3.4 实验仿真及结果分析
    3.5 本章小结
4 基于ABC-ST-DACO-LSSVM的选择性集成瓦斯浓度时空预测方法研究
    4.1 选择性集成学习方法研究
    4.2 人工蜂群算法原理分析
    4.3 基于ABC-ST-DACO-LSSVM的选择性集成瓦斯浓度时空预测模型建立
    4.4 实验仿真及结果分析
    4.5 本章小结
5 总结与展望
    5.1 研究工作总结
    5.2 展望
参考文献
作者简历
学位论文数据集



本文编号：3023044