灰色Elman神经网络的矿井瓦斯涌出量预测

为了准确预测矿井瓦斯涌出量,将灰色理论与Elman神经网络模型结合,建立矿井瓦斯涌出量预测模型。灰色系统能较好地预测变化的趋势,而Elman神经网络具有动态特性好、逼近速度快、精度高等特点。对于煤矿生产中瓦斯涌出量的预测,两者结合能够发挥各自的优势,以某煤矿矿井为例,影响瓦斯涌出量的因素为预测因子建立灰色理论与Elman神经网络融合的预测模型。结果表明,灰色Elman神经网络模型优于传统灰色预测模型,提高了预测精度,达到了很好的预测效果。     

矿井瓦斯涌出量预测研究新方法

矿井瓦斯涌出预测是建立一个复杂的非线性变化系统的过程,传统的瓦斯涌出量预测方法存在一定的局限性。瓦斯涌出量的预测即是建立函数关系模型,预测模型建立的准确与否取决于各个影响因素之间的相互作用、相互耦合的特性。文中将灰色理论与遗传算法有机地结合起来,以灰色理论为基础,利用遗传算法优化隐含层神经元个数和网络中的连接权值,建立瓦斯涌出量预测模型。预测实验结果表明,该方法对瓦斯涌出量预测适应性强、方法快捷、预测结果精度高。     

基于径向基的瓦斯涌出量灰色预测模型

为了进一步预防煤层瓦斯突出,实现准确、快速预测煤矿瓦斯涌出量的大小,首先采用1-AGO对样本数据进行处理,建立灰色(GM)预测模型,再利用径向基(RBF)神经网络对灰色预测模型结果进行预测,以作为其最终的预测值;采用阜新煤矿某工作面瓦斯涌出量的历史数据进行建模,实验结果表明,GM-RBF组合模型在预测精度及训练误差方面均优于单一的GM模型和RBF神经网络预测模型;算法计算简便,减弱了数据的随机性及模型误差,煤矿瓦斯涌出量的预测平均误差减小到1.57%。     

基于等维新息模型的矿井瓦斯涌出量预测

矿井瓦斯涌出量预测是瓦斯防治的重要技术环节,能够为煤矿安全生产提供保障.为了提高矿井瓦斯涌出量的预测精度,将等维新息模型的理论结合到灰色线性回归组合模型中,建立等维新息灰色线性回归组合模型,并应用MATLAB软件进行编程.以某煤矿相对瓦斯涌出量统计数据为实例,利用等维新息灰色线性回归组合模型对其瓦斯涌出量进行预测,分析了模型的最佳维数,通过检验得出模型的精度等级为一级.结果表明:等维新息灰色线性回归组合模型在对矿井深部瓦斯涌出量进行预测时,精度高于原有的灰色预测模型,取得了良好的预测效果.可将此模型的软件应用到瓦斯监控系统中,以提高系统的技术性与实用性.     

基于灰色神经网络算法的煤矿瓦斯涌出量预测模型的研究

文章提出了一种采用灰色神经网络对煤矿瓦斯涌出量进行预测的方法,并在此基础上详细介绍了灰色神经网络瓦斯预测模型的构建过程,给出了应用实例。仿真结果表明,该模型具有预测精度高、所需样本少、计算简便等优点。     

基于SPSS的采煤工作面瓦斯涌出量预测模型研究

为了对矿井采煤工作面瓦斯涌出量进行有效预测,结合影响工作面瓦斯涌出量的各个因素,针对各因素间存在严重的多重共线性引起算法计算误差放大的问题,采用逐步回归算法进行优化。运用SPSS软件,综合多元主成分回归分析算法得出采煤工作面瓦斯涌出的主要影响因素,并建立PCR-SPA预测模型。将该模型的预测性能与多元线性回归预测、灰色关联度分析预测、BP神经网络预测结果进行对比分析。结果表明：该模型选取了三个主成分变量,有效地减少了计算量,具有较高的预测精度,可以对矿井工作面瓦斯涌出量进行有效预测。     

基于混沌免疫粒子群优化和广义回归神经网络的回采工作面瓦斯涌出量预测模型

为提高回采工作面绝对瓦斯涌出量预测的精度和效率,提出了将混沌免疫粒子群优化(CIPSO)算法与广义回归神经网络(GRNN)相耦合的绝对瓦斯涌出量预测模型。该方法采用CIPSO对GRNN的光滑因子进行动态优化调整,减少了人为因素对GRNN网络输出结果的影响,并采用优化后的网络建立瓦斯涌出量预测模型。通过对某煤矿瓦斯涌出量数据的仿真实验结果表明:基于CIPSO-GRNN的回采工作面绝对瓦斯涌出量模型比BP神经网络、Elman网络预测模型具有更好的预测精度和收敛速度,证明了该方法的有效性和可行性。     

一种瓦斯涌出量系统预测辨识模型的研究

针对煤与瓦斯突出灾害中瓦斯涌出量的辨识预测问题,结合采煤工作面瓦斯涌出量系统的现场实际特点,提出了混沌免疫遗传优化算法(CIGOA)与Elman神经网络相结合的耦合算法(CIGOA-ENN)。利用GIGOA的全局寻优能力替代梯度下降法,以克服Elman神经网络固有的缺陷。并根据输入的数据,构造基于CIGOA和ENN耦合算法的瓦斯涌出量系统辨识预测模型。利用矿区采集的现场监测数据进行仿真预测,实验表明该预测模型与BPNN,GA-ENN等神经网络预测模型相比,其收敛速度更快、收敛精度更高、鲁棒性更强,为解决煤矿瓦斯涌出量的预测问题提供了一个行之有效的方法。     

QGA-RBF网络在无线传感瓦斯监测系统中的应用

煤矿的安全事故中有80%以上为瓦斯事故,为了更加准确的预测瓦斯涌出量,使得煤矿安全进一步得到保障,采用足够的具有代表性的瓦斯检测数据作为样本,在无线传感瓦斯监测系统为模型的基础上,对采用QGA算法改进后的RBF神经网络算法建立的瓦斯涌出量预测模型进行瓦斯预测研究。并采用MATLAB进行仿真研究,结果表明经过优化后的预测模型较单一的RBF网络模型有更好的预测精度,可以为煤矿瓦斯防治提供理论依据。     

煤矿瓦斯涌出量动态预测的PCA-MFOA-GRNN模型及应用

针对煤矿瓦斯涌出受许多因素的影响,为了克服瓦斯涌出中存在的复杂的非线性关系,从而实现稳定、可靠、精确的对煤矿综采工作面瓦斯涌出量进行动态预测,提出了主成分分析法（PCA）结合改进的果蝇算法（MFOA）优化GRNN的绝对瓦斯涌出量的预测手段。运用PCA算法对原始输入数据降维;并且对果蝇算法中的Si函数增加一个跳脱参数B,避免局部最优因子对预测模型的干扰;将MFOA算法对GRNN的平滑因子σ进行优化;将PCA结果作为模型的输入,建立了PCA-MFOA-GRNN算法的回采工作面瓦斯涌出量动态预测模型,结合实际矿井瓦斯涌出量监测的相关数据检验该模型,并将该模型的预测结果与未修正的FOA-GRNN算法、CIPSO-ENN算法、BP神经网络预测、Elman网络预测结果进行对比,结果表明：该预测模型对GRNN的参数优化后得到的预测模型较其他预测模型有更强的泛化能力和更高的预测精度。     

基于马尔科夫残差修正的瓦斯浓度预测

针对采用灰色神经网络预测瓦斯浓度时部分预测值精度不高的问题,提出用马尔科夫模型对三阶灰色神经网络模型预测结果进行修正的方法;介绍了灰色神经网络模型的建立和马尔科夫修正残差方法,并采用该方法对某煤矿不同时间、不同地点的瓦斯浓度进行分析预测。实际应用结果表明,经马尔科夫残差修正后的瓦斯浓度预测值与实测值的最大相对误差从14%减小到6%,修正后的瓦斯浓度变化曲线更接近实际瓦斯浓度变化趋势。     

煤矿瓦斯浓度的CAPSO-ENN短期预测模型

为了准确预测回采工作面的瓦斯浓度,提出云自适应粒子群算法优化Elman神经网络的瓦斯浓度动态预测新方法。利用井下无线传感器网络监测系统采集的回采工作面瓦斯浓度时间序列作为样本,并对其进行数据降噪和相空间重构等预处理。采用CAPSO算法对Elman神经网络的权值、阈值进行寻优运算,建立了回采工作面瓦斯浓度动态预测模型。通过对MATLAB仿真得出结果研究表明：该模型的平均相对变动ARV值为0.000357,相对均方根误差RRMSE值为0.1056,对回采工作面的瓦斯浓度预测结果合理且可为矿井瓦斯防治工作提供有效理论依据。     

基于灰色BP神经网络的瓦斯爆炸的预测

瓦斯浓度在很大程度上决定了煤矿井下发生爆炸的可能性,而原有灰色模型预测方法精度不是很高,但是所需的数据较少,而BP神经网络有高度的非线性计算、自学习和自组织能力。本文结合了灰色系统与BP神经网络各自的优点进行预测,使预测结果更加精确,可靠性得到很大的提高。     

基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1,1）模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM（1,1）的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM（1,1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较,其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016,并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。     

基于分数阶神经网络的瓦斯涌出量预测

针对现有的煤与瓦斯涌出危险性区域预测模型存在收敛速度慢、极易陷入局部极值等问题,结合BP的局部搜索能力和分数阶算法快速的全局搜索能力,提出了一种基于分数阶神经网络的新预测模型,用于非线性瓦斯涌出量的动态预测。经训练和实验结果表明:该模型较其他模型具有更好的滤波效果、更强的抗干扰能力、更快的收敛速度、更高的收敛精度等特点,能够达到准确指导实践的要求。     

基于灰色神经网络模型的企业碳排放峰值预测

为预测企业碳排放峰值,帮助企业设计碳排放的减排路径,需要对企业碳排放峰值预测方法进行研究;当前采用基于TFDI模型的预测模型对企业碳排放峰值进行预测,预测过程中无法全面考虑企业碳排放影响因素,导致预测企业碳排放峰值出现误差;为此,提出一种基于灰色神经网络模型的企业碳排放峰值预测模型;该模型是以灰色模型为基础,与神经网络相融合构建的灰色神经网络,将模型中企业碳排放原数据进行叠加,并用微分方程表示,将VSTE算法作为灰色神经网络模型预测的基础算法,计算企业碳排放路径碳排放值,满足高斯分布随机函数,以此进行企业碳排放峰值的预测;实验结果证明,所提模型可以准确预测企业碳排放峰值,有效帮助企业设计碳排放减排路径。