本文主要研究内容
作者李欢（2019）在《基于时空序列的瓦斯浓度预测方法研究》一文中研究指出：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-means算法确定最佳空间延迟算子边界值;通过实验分析得到最佳时间延迟算子边界值;提出一种基于样本相似度高斯函数的时空权矩阵建立方法,建立动态的时空权矩阵。采用工作面现场采集的瓦斯数据进行仿真实验,结果表明模型具有良好的预测效果。(3)针对时空预测模型会引入噪声的问题,将选择性集成学习方法与时空模型结合,提出一种基于选择性集成的瓦斯浓度时空预测模型。构建若干个具有差异性的基时空预测器,将基时空预测器集成时对应的权重组成权重向量,采用人工蜂群算法(ABC)对权重向量寻优。根据权重筛选出性能较好的基时空预测器,将归一化的权重作为每个基时空预测器的集成权重,得到集成模型。采用测试集数据进行仿真实验,结果表明模型进一步提高了瓦斯浓度预测精度。
Abstract
mei kuang jing xia wa si shi gu po huai li da ,zao cheng de ren yuan shang wang can chong ,ju mei kuang wu da zai hai shi gu zhi shou 。fen xi he yan jiu wa si shu ju de te xing ,gou jian you xiao de wa si nong du yu ce mo xing ,dui wa si yi chang zuo chu ji shi 、zhun que yu jing ,yi jian shao wa si shi gu de fa sheng ,ju you chong yao yi yi 。ben wen fen xi gong zuo mian wa si yun yi de shi kong te xing ,jiang shi kong jian mo sai xiang yu zui xiao er cheng zhi chi xiang liang ji (LSSVM)jie ge ,gou jian yi chong wa si nong du shi kong yu ce mo xing 。shi kong mo xing yin ru xian yan xin xi de tong shi hai hui yin ru zao sheng ,wei jian ruo zao sheng dui yu ce jing du de ying xiang ,yin ru shua ze xing ji cheng xue xi fang fa ,gou jian yi chong ji yu shua ze xing ji cheng de wa si nong du shi kong yu ce mo xing 。(1)zhen dui yi xie zhi neng you hua suan fa yi xian ru ju bu zui you jie de wen ti ,cai yong yi chong dong tai yi qun suan fa (DACO),dui LSSVMde cheng fa can shu he he han shu can shu xun you ,gou jian DACO-LSSVMmo xing 。gai yi qun suan fa jiang qiu jie kong jian jin hang ou jian hua fen ,chu shi hua shi ,yi qun jiao wei fen san de fen bu zai jie kong jian zhong ,sou suo guo cheng bu yi xian ru ju bu zui you jie 。tong shi cai yong dong tai quan ju shua ze yin zi he dong tai xin xi su zheng fa yin zi ,zai di sheng xun you jing du de tong shi jia kuai qiu jie su du 。(2)zhen dui chan dian wa si nong du yu ce mo xing cun zai yu ce jing du di de wen ti ,yan jiu wa si nong du shi jian xu lie de shi kong te xing ,jiang shi kong jian mo sai xiang yu DACO-LSSVMmo xing jie ge ,gou jian wa si nong du shi kong yu ce mo xing 。jiang shi jian yan chi xin xi he kong jian wei zhi xin xi yin ru wa si nong du yu ce mo xing ,tong guo K-meanssuan fa que ding zui jia kong jian yan chi suan zi bian jie zhi ;tong guo shi yan fen xi de dao zui jia shi jian yan chi suan zi bian jie zhi ;di chu yi chong ji yu yang ben xiang shi du gao si han shu de shi kong quan ju zhen jian li fang fa ,jian li dong tai de shi kong quan ju zhen 。cai yong gong zuo mian xian chang cai ji de wa si shu ju jin hang fang zhen shi yan ,jie guo biao ming mo xing ju you liang hao de yu ce xiao guo 。(3)zhen dui shi kong yu ce mo xing hui yin ru zao sheng de wen ti ,jiang shua ze xing ji cheng xue xi fang fa yu shi kong mo xing jie ge ,di chu yi chong ji yu shua ze xing ji cheng de wa si nong du shi kong yu ce mo xing 。gou jian re gan ge ju you cha yi xing de ji shi kong yu ce qi ,jiang ji shi kong yu ce qi ji cheng shi dui ying de quan chong zu cheng quan chong xiang liang ,cai yong ren gong feng qun suan fa (ABC)dui quan chong xiang liang xun you 。gen ju quan chong shai shua chu xing neng jiao hao de ji shi kong yu ce qi ,jiang gui yi hua de quan chong zuo wei mei ge ji shi kong yu ce qi de ji cheng quan chong ,de dao ji cheng mo xing 。cai yong ce shi ji shu ju jin hang fang zhen shi yan ,jie guo biao ming mo xing jin yi bu di gao le wa si nong du yu ce jing du 。
论文参考文献
论文详细介绍
论文作者分别是来自中国矿业大学的李欢，发表于刊物中国矿业大学2019-07-18论文，是一篇关于动态蚁群算法论文,时空建模论文,选择性集成论文,人工蜂群算法论文,瓦斯浓度预测论文,中国矿业大学2019-07-18论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自中国矿业大学2019-07-18论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：动态蚁群算法论文; 时空建模论文; 选择性集成论文; 人工蜂群算法论文; 瓦斯浓度预测论文; 中国矿业大学2019-07-18论文;