基于IABC-RBF算法和小波分析的瓦斯时间序列优化预测

发布时间：2017-09-29 21:22

  本文关键词：基于IABC-RBF算法和小波分析的瓦斯时间序列优化预测

  更多相关文章： 瓦斯时间序列 最大Lyapunov指数预测法 IABC-RBF耦合算法 小波分析 小波-IABC-RBF算法

【摘要】：我国煤矿是以地下开采为主。随着我国煤炭开采正趋于深度开采,瓦斯事故更是易于发生。准确地预测瓦斯涌出量,是预防瓦斯事故的有效途径。针对传统矿井瓦斯涌出量预测精度不高且仅适用于特定矿区这一问题,本文提出一种新的预测方法,即通过对历史瓦斯时间序列分析进行瓦斯时间序列的优化预测。首先,在验证瓦斯时间序列具有混沌性后,采用混沌理论中的两种经典线性预测方法进行瓦斯时间序列预测,仿真得到短期预测中,最大Lyapunov指数法预测精度较高；其次,针对瓦斯时间序列的动态非线性特点,提出基于IABC-RBF耦合算法的非线性瓦斯时间序列预测方法,仿真验证表明,该耦合算法既有IABC算法的全局优化和快速收敛,又继承了RBF神经网络的非线性映射能力。模型输出值较快地逼近实际值,最小预测误差达到0.0373；最后,对瓦斯时间序列进行去噪非线性预测,通过甄别小波分析中的三个最优参数,构建小波-IABC-RBF算法进行瓦斯时间序列预测,通过对比仿真,验证出该算法的预测精度优于IABC-RBF算法。
【关键词】：瓦斯时间序列 最大Lyapunov指数预测法 IABC-RBF耦合算法 小波分析 小波-IABC-RBF算法
【学位授予单位】：辽宁工程技术大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TD712.7;O211.61
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-9
• 1 绪论9-16
• 1.1 选题的研究背景和意义9-10
• 1.2 国内外瓦斯涌出量预测的研究现状和发展趋势10-11
• 1.3 混沌理论和小波分析的研究现状11-13
• 1.3.1 混沌理论的研究现状11-12
• 1.3.2 小波分析的研究现状12-13
• 1.4 问题的提出13-14
• 1.5 论文主要研究内容14-15
• 1.6 技术路线15-16
• 2 基于混沌理论的瓦斯时间序列预测16-26
• 2.1 煤矿瓦斯时间序列的混沌性16-19
• 2.1.1 混沌时间序列16
• 2.1.2 煤矿瓦斯时间序列的混沌性16-19
• 2.2 混沌时间序列的预测方法19-22
• 2.2.1 相空间重构原理19
• 2.2.2 嵌入维数的确定19-20
• 2.2.3 延迟时间的确定20
• 2.2.4 加权一阶局域预测法20-21
• 2.2.5 最大Lyapunov指数预测法21-22
• 2.3 基于混沌理论的瓦斯时间序列预测22-24
• 2.3.1 瓦斯时间序列预测模型的建立22-23
• 2.3.2 预测结果分析23-24
• 2.4 小结24-26
• 3 基于IABC-RBF算法的瓦斯时间序列优化预测26-49
• 3.1 改进人工蜂群算法26-35
• 3.1.1 标准人工蜂群算法26-29
• 3.1.2 改进人工蜂群算法29-31
• 3.1.3 IABC算法仿真31-35
• 3.2 RBF神经网络35-39
• 3.2.1 基于动态节点构造RBF神经网络35-38
• 3.2.2 RBF神经网络删除策略38-39
• 3.3 基于IABC-RBF算法的瓦斯时间序列优化预测39-47
• 3.3.1 IABC-RBF耦合算法的基本原理39-41
• 3.3.2 IABC-RBF耦合算法流程图41
• 3.3.3 基于IABC-RBF算法的瓦斯时间序列优化预测41-47
• 3.4 小结47-49
• 4 基于小波分析的瓦斯时间序列优化预测49-66
• 4.1 小波分析49-52
• 4.1.1 小波变换概念49-50
• 4.1.2 多分辨分析50-52
• 4.2 小波去噪52-60
• 4.2.1 小波去噪的基本原理52-54
• 4.2.2 小波去噪参数选择54-60
• 4.3 基于小波分析的瓦斯时间序列预测60-65
• 4.3.1 瓦斯时间序列去噪分析60-62
• 4.3.2 基于小波-IABC-RBF算法的瓦斯时间序列预测62-65
• 4.4 小结65-66
• 结论66-68
• 参考文献68-71
• 作者简历71-73
• 学位论文数据集73

【相似文献】

中国期刊全文数据库 前10条

1 施久玉,杜金观;有限个状态时间序列的某些结果[J];应用数学学报;1990年01期

2 冯希杰;长江三峡及其邻区断裂活动时间序列[J];华南地震;1991年02期

3 王霞,郭嗣琮,刘淑娟;时间序列模糊滑动预测[J];辽宁工程技术大学学报(自然科学版);1999年03期

4 温品人;时间序列预测法的实际应用分析[J];江苏广播电视大学学报;2001年06期

5 许清海;混沌投资时间序列的嬗变[J];漳州师范学院学报(自然科学版);2003年01期

6 程毛林;时间序列系统建模预测的一种新方法[J];数学的实践与认识;2004年08期

7 高洁;长记忆时间序列适应性预测的应用[J];江南大学学报;2004年05期

8 高洁;孙立新;;长记忆时间序列的适应性预测误差的谱密度[J];统计与决策;2006年13期

9 杨钟瑾;;浅谈时间序列的分析预测[J];中国科技信息;2006年14期

10 李健;孙广中;许胤龙;;基于时间序列的预测模型应用与异常检测[J];计算机辅助工程;2006年02期

中国重要会议论文全文数据库 前10条

1 周家斌;张海福;杨桂英;;多维多步时间序列预报方法及其应用[A];中国现场统计研究会第九届学术年会论文集[C];1999年

2 马培蓓;纪军;;基于时间序列的航空备件消耗预测[A];中国系统工程学会决策科学专业委员会第六届学术年会论文集[C];2005年

3 卢世坤;李夕海;牛超;陈蛟;;时间序列的非线性非平稳特性研究综述[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年

4 李强;;基于线性模型方法对时间序列中异常值的检测及证券实证分析[A];加入WTO和中国科技与可持续发展——挑战与机遇、责任和对策（上册）[C];2002年

5 戴丽金;何振峰;;基于云模型的时间序列相似性度量方法[A];第八届中国不确定系统年会论文集[C];2010年

6 谢美萍;赵希人;庄秀龙;;多维非线性时间序列的投影寻踪学习逼近[A];'99系统仿真技术及其应用学术交流会论文集[C];1999年

7 张大斌;李红燕;刘肖;张文生;;非线性时问序列的小波-模糊神经网络集成预测方法[A];第十五届中国管理科学学术年会论文集（下）[C];2013年

8 黄云贵;;基于时间序列的电网固定资产投资规模研究[A];2012年云南电力技术论坛论文集（文摘部分）[C];2012年

9 李松臣;张世英;;时间序列高阶矩持续和协同持续性研究[A];21世纪数量经济学（第8卷）[C];2007年

10 陈赫;罗声求;;历史横断面数据的时间序列化[A];科学决策与系统工程——中国系统工程学会第六次年会论文集[C];1990年

中国重要报纸全文数据库 前6条

1 ;《时间序列与金融数据分析》[N];中国信息报;2004年

2 何德旭 王朝阳;时间序列计量经济学：协整与有条件的异方差自回归[N];中国社会科学院院报;2003年

3 刘俏;让数据坦白真相[N];21世纪经济报道;2003年

4 西南证券高级研究员 董先安邋德圣基金研究中心 郭奔宇;预计6月CPI同比上涨7.2%[N];证券时报;2008年

5 东证期货 王爱华　杨卫东;两年涨跌轮回 秋季普遍下跌[N];期货日报;2009年

6 任勇邋郑重;中国对世界钢材价格的影响实证分析[N];现代物流报;2007年

中国博士学位论文全文数据库 前10条

1 张墨谦;遥感时间序列数据的特征挖掘：在生态学中的应用[D];复旦大学;2014年

2 张德成;滑坡预测预报研究[D];昆明理工大学;2015年

3 苗圣法;时间序列的模式检测[D];兰州大学;2015年

4 翁同峰;时间序列与复杂网络之间等价性问题及表征应用研究[D];哈尔滨工业大学;2015年

5 杨婷婷;用Argo浮标结合卫星观测估算北太平洋经向热输运[D];中国科学院研究生院(海洋研究所);2015年

6 史文彬;时间序列的相关性及信息熵分析[D];北京交通大学;2016年

7 原继东;时间序列分类算法研究[D];北京交通大学;2016年

8 王晓晔;时间序列数据挖掘中相似性和趋势预测的研究[D];天津大学;2003年

9 李桂玲;时间序列的分割及不一致发现研究[D];华中科技大学;2012年

10 周勇;时间序列时序关联规则挖掘研究[D];西南财经大学;2008年

中国硕士学位论文全文数据库 前10条

1 张鸣敏;基于支持向量回归的PM_(2.5)浓度预测研究[D];南京信息工程大学;2015年

2 林健;基于改进小世界回声状态网的时间序列预测[D];渤海大学;2015年

3 曹智丽;日气温和干旱指数支持向量回归预测方法[D];南京信息工程大学;2015年

4 高雄飞;基于分形理论的土壤含水量时间序列特性分析[D];长安大学;2015年

5 姚茜;城市安全生产发展目标研究[D];中国地质大学(北京);2015年

6 郭博;余额宝用户特征分析和申赎行为研究[D];电子科技大学;2015年

7 王伟;基于时间序列的噪声监测点异常发现[D];南京航空航天大学;2015年

8 郑平;支持向量回归在金融时间序列预测中的应用[D];辽宁师范大学;2015年

9 李鸿利;时间序列的行为匹配与评估技术研究[D];解放军信息工程大学;2014年

10 王珂;基于时间序列法的不良数据的辨识与修正研究[D];东南大学;2015年

，

本文编号：944290