發(fā)布時間：2021-01-23 17:48

　　隨著煤炭需求的增加,煤與瓦斯突出的動力災害事故頻繁發(fā)生且日益嚴重。因此,有必要研究煤與瓦斯突出危險性預測,以實現(xiàn)其快速且準確的預測。但是在現(xiàn)實的生活中,煤與瓦斯突出的事件遠少于不突出的事件,且突出強度也不同,因此收集到的數(shù)據(jù)樣本是非均衡數(shù)據(jù),數(shù)據(jù)集的不均衡直接影響到分類預測的準確性,因此本文主要是在非均衡數(shù)據(jù)應對策略下,從數(shù)據(jù)和算法兩個方面對煤與瓦斯突出的問題進行研究,提出了基于GREA-PCA數(shù)據(jù)處理的IFOA-ELM預測模型。首先對于非均衡數(shù)據(jù)采取欠采樣策略、過采樣策略或改變評價指標應對策略,之后在數(shù)據(jù)上主要是利用灰色關聯(lián)分析和熵權法結合的灰色關聯(lián)熵（GREA）提取主要的影響因素、利用主成分分析（PCA）降低維度。在算法上主要是通過改進果蠅優(yōu)化算法的初始位置維度、果蠅個體搜索步長以及在迭代更新中引入群體適應度方差等策略,來形成IFOA算法并優(yōu)化極限學習機的權值與閾值,構建IFOA-ELM預測模型。最后,在python平臺上應用UCI數(shù)據(jù)集中fertility數(shù)據(jù)集進行仿真實驗,實驗發(fā)現(xiàn)過采樣策略與改變評價指標策略下的預測準確率高于欠采樣策略。且三種策略下,經(jīng)過GREA-PCA處理后... 

【文章來源】：遼寧工程技術大學遼寧省

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

技術路線圖

取以及激活函數(shù)的選取對于ELM算法的實現(xiàn)效果非常重要，因此本文主要是借鑒“試錯法”的思想，通過試驗的方法來選取不同隱含層神經(jīng)元數(shù)目以及不同激活函數(shù)，使得IFOA-ELM模型的預測效果較好，找到較好的隱含層神經(jīng)元數(shù)目和激活函數(shù)。設置隱含層神經(jīng)元數(shù)目的待選區(qū)間為[1,30]，激活函數(shù)的待選集合為{tanh,sine,sigmoid}。通過進行多次重復試驗，最終確定的IFOA-ELM模型的激活函數(shù)為tanh函數(shù)，隱含層神經(jīng)元數(shù)目為9。找到效果較好的隱含層神經(jīng)元數(shù)目和激活函數(shù)之后，對測試的5條數(shù)據(jù)進行預測。模型的預測值與真實值對比折線圖如圖2.1所示。通過觀察形成的對比折線圖發(fā)現(xiàn)，經(jīng)過GREA-PCA處理之后的IFOA-ELM模型的預測僅存在1個預測錯誤，預測的準確率為80%。圖2.1欠采樣策略下GREA-PCA數(shù)據(jù)處理的IFOA-ELM模型預測效果Figure2.1IFOA-ELMmodel’spredictionforGREA-PCAdataprocessingofundersamplingstrategy

遼寧工程技術大學碩士學位論文17上述主要是在數(shù)據(jù)進行GREA-PCA處理的試驗，為了驗證GREA-PCA對數(shù)據(jù)處理的有效性，本文設置兩種條件下的數(shù)據(jù)，即數(shù)據(jù)集未進行GREA-PCA處理的樣本數(shù)據(jù)和數(shù)據(jù)集進行GREA-PCA處理的樣本數(shù)據(jù)。這兩種條件下選取同樣的18條樣本數(shù)據(jù)作為訓練樣本，5條樣本數(shù)據(jù)作為測試樣本，之后再使用IFOA-ELM模型分別在兩種條件下進行預測效果對比。數(shù)據(jù)集未進行GREA-PCA處理的預測效果如圖2.2所示。由圖2.2可知，數(shù)據(jù)集未進行處理（NOGREA-PCA）條件下，模型測試樣本存在2個樣本的預測錯誤，預測的準確率為60%。而由圖2.1可知，數(shù)據(jù)集進行處理（GREA-PCA）條件下，模型測試樣本的存在1個樣本錯誤。通過對比兩個預測的結果，發(fā)現(xiàn)數(shù)據(jù)集進行GREA-PCA處理可以有效提高IFOA-ELM模型的預測效果。圖2.2欠采樣策略下NOGREA-PCA數(shù)據(jù)處理的IFOA-ELM模型預測效果Figure2.2IFOA-ELMmodel’spredictionforNOGREA-PCAdataprocessingofundersamplingstrategy為驗證IFOA-ELM模型比其他模型在分類預測上有優(yōu)勢，在數(shù)據(jù)集進行GREA-PCA處理的條件下，對比IFOA-ELM模型、ELM模型以及FOA-ELM模型三者的預測效果。預測結果如圖2.3、圖2.4所示，ELM模型預測存在3個預測錯誤，預測的準確率僅僅是40%，F(xiàn)OA-ELM模型預測存在2個預測錯誤，預測的準確率為60%。將圖2.1和圖2.3、圖2.4進行對比可以看出IFOA-ELM模型的預測效果最好，準確率最高。圖2.3欠采樣策略下GREA-PCA數(shù)據(jù)處理的ELM模型預測效果Figure2.3ELMmodel’spredictionforGREA-PCAdataprocessingofundersamplingstrategy


本文編號：2995646