基于IWOA-HKELM的矿井突水水源识别

发布时间：2021-07-12 03:41

　　为提高矿井突水水源识别的精度,提出一种改进鲸鱼优化算法（IWOA）-混合核极限学习机（HKELM）的水源识别模型。首先将高斯核函数和多项式核函数相结合,构造学习能力和泛化性能较好的HKELM;然后针对鲸鱼优化算法（WOA）易陷入局部最优的问题,提出IWOA算法,引入帐篷映射、改进非线性因子以及设置反向精英学习阈值等3种策略来降低算法过早收敛的概率,并得到更优结果;最后将新庄孜矿的突水水源资料作为仿真数据,降维处理后输入到IWOA-HKELM模型中结果预测。研究表明:通过IWOA优化HKELM参数,可提高HKELM的整体预测性能;IWOA-HKELM的预测结果与实际情况完全一致,与其他模型相比,该模型的平均分类准确率明显提高,平均均方误差和分类准确率标准差明显降低。 

【文章来源】：中国安全科学学报. 2019,29(09)北大核心CSCD

【文章页数】：6 页

【文章目录】：
0 引言
1 鲸鱼优化的HKELM
    1.1 HKELM
    1.2 IWOA
        1.2.1帐篷映射
        1.2.2改进非线性因子
        1.2.3反向精英学习阈值策略
    1.3 IWOA-HKELM步骤
2 矿井突水水源识别
    2.1 数据处理
    2.2 参数设置
    2.3 试验结果和对比分析
    2.4 IWOA算法的参数分析
3 结论


【参考文献】：
期刊论文
[1]非线性权重和收敛因子的鲸鱼算法[J]. 王涛,Ryad Chellali.  微电子学与计算机. 2019(01)
[2]基于MIV-PSO-SVM模型的矿井突水水源识别[J]. 邵良杉,李相辰.  煤炭科学技术. 2018(08)
[3]基于KPCA-MPSO-ELM的矿井突水水源判别模型[J]. 毛志勇,黄春娟,路世昌,韩榕月.  中国安全科学学报. 2018(08)
[4]基于蜂群算法和带参阈值函数的图像去噪方法[J]. 黄亚飞,王国富,张法全,叶金才.  计算机工程与应用. 2018(17)
[5]粒子群优化混合核极限学习机的构造煤厚度预测方法[J]. 范君,王新,徐慧.  计算机应用. 2018(06)
[6]矿井突水水源识别的RS-LSSVM模型[J]. 邵良杉,李印超,徐波.  安全与环境学报. 2017(05)
[7]基于熵权-模糊可变集理论的煤矿井突水水源识别[J]. 王心义,赵伟,刘小满,王甜甜,张建国,郭建伟,陈国胜,张波.  煤炭学报. 2017(09)
[8]人工神经网络在矿井多水源识别中的应用[J]. 徐星,郭兵兵,王公忠.  中国安全生产科学技术. 2016(01)
[9]距离判别法在相似矿区突水水源识别中的应用[J]. 王心义,徐涛,黄丹.  煤炭学报. 2011(08)
[10]矿井突水水源判别方法概述[J]. 李燕,徐志敏,刘勇.  煤炭技术. 2010(11)

硕士论文
[1]基于EIM和FCE的矿井突水水源判别研究[D]. 冯琳.太原理工大学 2015



本文编号：3279128