遗传优化的GNNM在瓦斯涌出量预测中的应用

研究矿井瓦斯涌出量准确预测一直是煤矿安全生产中重点关注的问题。煤层瓦斯爆炸因受开发环境、矿层深度、天气等因素的影响,造成与瓦斯涌出量增大而引起的。针对传统预测模型在矿井瓦斯涌出量预测中存在建模困难、收敛速度慢、要求历史数据量大的问题,提出了一种遗传优化的灰色神经网络预测模型。模型利用灰色系统对数据量要求低的特点,将灰色系统理论与神经网络有机结合起来,建立灰色神经网络模型。并采用遗传算法对所建立模型的权值和阈值进行优化。采用模型对矿井瓦斯涌出量进行预测,实验表明,遗传优化的灰色神经网络模型,可以简化系统建模,并能提高瓦斯涌出量预测精度,有一定的实用价值。     

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。     

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%。     

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。     

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LLE与BA-Elman的瓦斯涌出量动态预测研究

针对瓦斯涌出量受诸多因素影响,彼此间存在复杂的非线性关系导致预测精度不高这一问题,提出基于相关分析理论和局部线性嵌入理论的Elman网络瓦斯涌出量动态预测方法。在对监测指标进行相关性分析的基础上,用局部线性嵌入理论实现瓦斯涌出量影响因素从高维空间至低维空间的映射,进而重构影响瓦斯涌出量的有效因子,并将其作为Elman网络预测模型的输入矢量,以降低模型结构的复杂度,同时用蝙蝠算法全局优化Elman模型以提高预测的精度和泛化能力。试验结果表明该动态预测模型泛化能力强,预测精度高,适用于实际工作中对瓦斯涌出量的预测。     

基于bi-LWCA-ENN煤与瓦斯突出危险性预测

为了提高煤与瓦斯突出的预测精度,以实现准确、可靠的瓦斯突出危险性预测,提出一种双层狼群算法（LWCA）优化Elman神经网络模型进行模式分类与预测,建立煤与瓦斯突出的双层LWCA-ENN预测模型。分析煤与瓦斯突出机理和影响因素,提取相关数据样本,筛选稳定的特征子集作为特征向量训练模型,算法通过对Elman神经网络的权值、阈值寻优,建立了基于bi-LWCA-ENN算法的预测模型并结合矿井监测数据进行实例分析。试验结果表明：煤与瓦斯突出的bi-LWCA-ENN模型稳定性好,收敛速度快,有效地实现了瓦斯突出危险性预测。     

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。     

基于蚁群优化算法的瓦斯预测模型研究

针对瓦斯煤尘爆炸和煤与瓦斯突出给煤炭矿山企业带来的危害极大的问题,将蚁群优化算法和BP神经网络技术结合应用到瓦斯涌出量预测,建立比较准确的预测模型。重点研究了BP网络模型的选择与优化训练,通过蚁群算法优化解决了BP神经网络易陷入局部收敛的问题。仿真与实际数据验证表明：改进的神经网络算法对瓦斯涌出量预测能达到良好的效果。     

基于灰色GM(1,1)模型的时间序列预测研究

基于灰色理论GM(1,1)模型,结合Elman神经网络组成灰色神经网络模型。模型的输出误差作为一个新的时间序列,通过Elman神经网络对误差序列进行拟合和预测,更大限度地减小预测误差。GM(1,1)模型所需要的数据少,方法简单;Elman神经网络是动态的神经网络对历史数据具有高度的敏感性。这种灰色理论与动态神经网络的组合模型,比起单个的预测模型提高了预测精度,通过分析和验证表明,该方法实用有效。     

基于关联规则的PSO-Elman短期风速预测

传统神经网络在短期风速预测中,存在易陷入局部极值和动态性能不足等问题,从而导致风速预测精度较低。为了提高风速预测精度,提出一种基于关联规则的粒子群优化Elman神经网络风速预测模型。利用粒子群算法优化Elman神经网络模型参数,以提高算法的收敛速度,避免陷入局部极值,以得到最优的预测值。同时结合关联规则分析考虑气象因素,采用Apriori算法对风速与其他气象因素进行关联规则挖掘,并利用得到的关联规则对风速预测值进行修正与补偿。实验结果表明,所提出的预测模型的预测效果比传统模型的效果更佳,同时验证了结合关联规则考虑气象因素能够降低风速预测误差。