一種EKF-WLS-SVR與混沌時間序列分析的瓦斯動態(tài)預(yù)測新方法
本文選題：動態(tài)預(yù)測 + 瓦斯?jié)舛?/strong>��； 參考：《傳感技術(shù)學(xué)報》2015年01期
【摘要】：針對瓦斯?jié)舛葧r間序列高度的混沌特性,采用微熵率法同步確定最優(yōu)的嵌入維數(shù)與延遲時間,還原瓦斯涌出系統(tǒng)狀態(tài)空間。以無線傳感網(wǎng)絡(luò)系統(tǒng)采集并經(jīng)降噪處理后的瓦斯?jié)舛刃蛄凶鳛闃颖�。提出利用帶有整定因子的擴(kuò)展卡爾曼濾波器(EKF)對加權(quán)最小二乘支持向量回歸機(jī)(WLS-SVR)的正則化參數(shù)γ與核參數(shù)σ進(jìn)行快速尋優(yōu),并依據(jù)周期性更新的訓(xùn)練樣本建立基于EKF-WLS-SVR耦合算法的動態(tài)預(yù)測模型以精確預(yù)測后續(xù)時間點的瓦斯?jié)舛取Ｍㄟ^MATLAB進(jìn)行仿真,結(jié)果表明:EKF濾波器對提高WLS-SVR的擬合精度與學(xué)習(xí)效率方面有很大的幫助。相比于其他模型,該耦合模型具備更高的預(yù)測精度與更強(qiáng)的魯棒特性,有較高的實用價值。
[Abstract]:According to the chaotic characteristics of the gas concentration time series, the optimal embedding dimension and delay time are determined synchronously by the micro-entropy rate method, and the state space of the gas emission system is reduced. The gas concentration sequence collected by wireless sensor network system and treated by noise reduction is taken as the sample. An extended Kalman filter with tuning factor (EKF) is proposed to rapidly optimize the regularization parameter 緯 and kernel parameter 蟽 of weighted least squares support vector regression machine (WLS-SVR). A dynamic prediction model based on EKF-WLS-SVR coupling algorithm is established based on periodically updated training samples to accurately predict the gas concentration at subsequent time points. The simulation results with MATLAB show that the WLS-SVR filter has great help in improving the fitting accuracy and learning efficiency of WLS-SVR. Compared with other models, the coupling model has higher prediction accuracy and stronger robustness, and has higher practical value.
【作者單位】： 遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院;國網(wǎng)遼寧省電力有限公司錦州供電公司;
【基金】：國家自然科學(xué)基金項目(51274118) 遼寧省教育廳基金項目(L2012119) 遼寧省科技攻關(guān)項目(2011229011)
【分類號】：TD712
【相似文獻(xiàn)】
相關(guān)期刊論文 前10條
1 ;材料使用壽命動態(tài)預(yù)測[J];北京科技大學(xué)學(xué)報;1992年04期
2 李玉梅;儲層隨機(jī)建模及動態(tài)預(yù)測系統(tǒng)[J];河南石油;2000年03期
3 張偉強(qiáng);;廣東沿海地區(qū)糧食灰色動態(tài)預(yù)測——以陸豐縣為例[J];熱帶地理;1987年04期
4 齊與峰;朱國金;;注水開發(fā)油田中后期動態(tài)預(yù)測方法和應(yīng)用軟件[J];石油勘探與開發(fā);1990年01期
5 魯鳳;徐建華;王占永;胡秀芳;;生態(tài)足跡影響因子定量分析及其動態(tài)預(yù)測比較研究——以新疆為例[J];地理與地理信息科學(xué);2010年06期
6 何鵬飛;賈永祿;易勁;;多相流井的動態(tài)預(yù)測[J];內(nèi)蒙古石油化工;2008年21期
7 童孝華,汪徐焱,蔡靖疆,潘洪灝,楊國緒;油氣田(井)生產(chǎn)動態(tài)預(yù)測的灰色預(yù)測模型[J];礦物巖石;1999年02期
8 趙永勝;;油田動態(tài)體系的特點及自適應(yīng)預(yù)測實踐[J];石油學(xué)報;1986年03期
9 付俊林，，范江;錦16塊第三層系開發(fā)動態(tài)預(yù)測[J];大慶石油學(xué)院學(xué)報;1996年01期
10 胡樹清;胡燕林;;油氣田遞減期動態(tài)預(yù)測的一種新方法[J];天然氣工業(yè);1991年01期
相關(guān)會議論文 前1條
1 陳雨;李曉;李守定;;基于鹽腔時效收斂特征的密集儲庫群地面變形動態(tài)預(yù)測[A];中國科學(xué)院地質(zhì)與地球物理研究所2012年度（第12屆）學(xué)術(shù)論文匯編——工程地質(zhì)與水資源研究室[C];2013年
相關(guān)重要報紙文章 前1條
1 盤古智庫學(xué)術(shù)委員 程實;注意把握動態(tài)預(yù)測序列暗藏的變化信息[N];上海證券報;2014年
相關(guān)碩士學(xué)位論文 前4條
1 詹沙磊;基于廢舊品供應(yīng)量多周期動態(tài)預(yù)測的產(chǎn)品回收網(wǎng)絡(luò)設(shè)計[D];中南大學(xué);2009年
2 陳雯;基于ANN與GIS的深基坑風(fēng)險動態(tài)預(yù)測的研究[D];天津大學(xué);2012年
3 薛美玉;加權(quán)動態(tài)預(yù)測系統(tǒng)[D];福州大學(xué);2003年
4 齊會;曹陽臺油區(qū)注水開發(fā)油藏工程論證[D];西安石油大學(xué);2012年
本文編號：2022293
本文鏈接：http://www.sikaile.net/kejilunwen/anquangongcheng/2022293.html
