基于CIPSO-ENN耦合算法的瓦斯涌出量预测

论文摘要

针对瓦斯涌出量预测系统的时变性,非线性,复杂性,不确定性等特点,提出了混沌免疫粒子群算法（CIPSO）与Elman神经网络的耦合算法（CIPSO-ENN）,用于非线性动态模型参数辨识及瓦斯涌出量预测控制。论文首先提出利用Elman神经网络进行瓦斯涌出量预测,经过对Elman神经网络分析,对于该神经网络收敛速度慢,易于早熟的缺点,提出利用粒子群算法对其进行改进。接下来分析了标准粒子群优化算法（SPSO）运行机理,针对SPSO在求解多峰、高维、非线性优化问题时,容易陷入早熟和局部优化的缺陷,论文引入了混沌理论和克隆选择理论,对SPSO进行改进,提出了混沌克隆粒子群算法（CIPSO）。该算法在粒子群种群进化过程中,对粒子进行克隆、混沌变异、选择以提高其收敛速度、搜索精度、全局搜索能力。数值仿真实验表明,相对于SPSO,该算法的收敛速度和精度以及稳定性都有明显改善。之后,将CIPSO算法与Elman反馈神经网络融合,提出CIPSO-ENN耦合算法。该耦合算法利用CIPSO对Elman网络的权值与阈值进行寻优,然后基于该耦合算法,采用预测智能控制思想,建立基于CIPSO-ENN耦合算法的瓦斯涌出量预测系统模型,并利用矿井实际监测到的各项历史数据进行仿真,结果表明该模型和BP、Elman等神经网络预测模型相比,其辨识收敛速度提高了8倍,辨识精度提高了接近2个数量级,预测精度提高了3倍,具有收敛速度快、收敛精度高、鲁棒性强的特点。从数据本身出发,利用CIPSO-ENN耦合算法建立预测控制模型,是一种很有效的方法,可以推广到其他领域。

论文目录

• 致谢
• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究意义
• 1.2 瓦斯涌出量预测研究现状
• 1.3 智能算法研究现状
• 1.4 论文主要内容
• 1.5 本文主要工作
• 2 用于瓦斯涌出量系统辨识的Elman 神经网络
• 2.1 引言
• 2.2 Elman 神经网络算法的原理
• 2.2.1 神经网络拓扑结构
• 2.2.2 Elman 神经网络拓扑结构
• 2.2.3 Elman 神经网络算法数学描述
• 2.2.4 Elman 神经网络阈值与权值修正量计算
• 2.3 Elman 神经网络性能分析
• 2.4 小结
• 3 标准粒子群优化算法及收敛性分析
• 3.1 引言
• 3.2 粒子群算法的数学机理
• 3.3 搜索算子对算法的影响分析
• 3.4 参数对算法的影响分析
• 3.5 惯性权重w 的影响分析
• 3.6 标准PSO 算法流程
• 3.7 粒子群算法面临的一些问题
• 3.8 小结
• 4 混沌克隆粒子群算法及仿真分析
• 4.1 引言
• 4.2 标准粒子群算法改进——混沌免疫粒子群优化算法（CIPSO）
• 4.2.1 混沌克隆选择粒子群算法原理
• 4.2.2 CIPSO 算法局部收敛性论证
• 4.2.3 CIPSO 算法全局收敛性论证
• 4.2.4 CIPSO 算法步流程
• 4.3 CIPSO 数值仿真实验及分析
• 4.3.1 测试函数分析
• 4.3.2 评价标准
• 4.3.3 仿真实验及分析
• 4.4 小结
• 5 CIPSO-ENN 耦合算法及性能仿真分析
• 5.1 引言
• 5.2 Elman 神经网络改进——CIPSO-ENN 耦合算法
• 5.2.1 CIPSO-ENN 耦合算法原理
• 5.2.2 CIPSO-ENN 算法流程
• 5.2.3 CIPSO-ENN 耦合算法的数值仿真实验
• 5.3 小结
• 6 基于CIPSO-ENN 耦合算法的瓦斯涌出量预测控制
• 6.1 引言
• 6.2 瓦斯涌出量的影响因素
• 6.2.1 瓦斯涌出量定义
• 6.2.2 瓦斯涌出量主要影响因素
• 6.3 瓦斯涌出量辨识系统
• 6.3.1 瓦斯涌出量辨识系统结构模型
• 6.3.2 瓦斯涌出量辨识系统数学描述
• 6.4 瓦斯涌出量预测控制系统
• 6.4.1 瓦斯涌出量预测控制结构模型
• 6.4.2 预测控制步骤流程
• 6.5 瓦斯涌出量预测仿真及分析
• 6.5.1 CIPSO-ENNPM 结构参数及结构模型
• 6.5.2 Elman 神经网络结构参数
• 6.5.3 CIPSO 算法的初始参数选取
• 6.5.4 瓦斯涌出量监测样本的组成及数据处理
• 6.5.5 数据的归一化及反归一化处理
• 6.5.6 瓦斯涌出量预测仿真结果及分析
• 6.6 小结
• 7 总结与展望
• 7.1 全文总结
• 7.2 展望
• 参考文献
• 作者简历
• 学位论文数据集