礦井涌水量的預測是每個礦區(qū)生產(chǎn)建設(shè)必須要面對和回答的問題，是礦井建設(shè)和安全生產(chǎn)的基礎(chǔ)性工作。神經(jīng)網(wǎng)絡(luò)和時間序列模型是兩種重要的礦井涌水量預測模型，但在實際應(yīng)用中仍存在一定的局限性。為了提高模型的適用性和預測精度，本文構(gòu)造了一個包含長期趨勢和周期項的理想時間序列函數(shù)，分別用BP神經(jīng)網(wǎng)絡(luò)和時間序列模型對其函數(shù)值進行擬合和預測，預測的相對誤差分別為5.82%和3.40%。通過分析兩種預測模型的優(yōu)點和不足，提出了建立時間序列和BP神經(jīng)網(wǎng)絡(luò)耦合模型來提高模型適用性和預測精度的方法。分析了耦合模型的組合方法并建立了時間序列和BP神經(jīng)網(wǎng)絡(luò)串聯(lián)的耦合模型。通過時間序列乘法分解模型對涌水量時間序列中的長期趨勢、周期項、季節(jié)變動和不規(guī)則變動項進行分解和提取，采用趨勢外推法擬合并預測長期趨勢，采用季節(jié)平均法計算季節(jié)變動值，采用BP神經(jīng)網(wǎng)絡(luò)預測不規(guī)則變動項。當周期項較明顯時采用傅里葉級數(shù)逼近進行擬合預測，周期特征不明顯時采用BP神經(jīng)網(wǎng)絡(luò)進行預測。根據(jù)相應(yīng)預測方法的實現(xiàn)原理，以及函數(shù)和參數(shù)的選擇原則，設(shè)計了基于MATLAB的耦合模型的主要程序。通過計算得出，耦合模型對構(gòu)造函數(shù)的預測相對誤差為2.13%，提高了預... 

【文章來源】：河南理工大學河南省

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
Abstract
目錄
1 前言
    1.1 選題依據(jù)及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 礦井涌水量預測的研究現(xiàn)狀
        1.2.2 時間序列模型和神經(jīng)網(wǎng)絡(luò)方法的研究現(xiàn)狀
    1.3 存在的主要問題
    1.4 本文研究內(nèi)容及安排
    1.5 技術(shù)路線
2 人工神經(jīng)網(wǎng)絡(luò)原理和時間序列分析原理
    2.1 人工神經(jīng)網(wǎng)絡(luò)原理
        2.1.1 人工神經(jīng)網(wǎng)絡(luò)的概念及其發(fā)展
        2.1.2 人工神經(jīng)網(wǎng)絡(luò)的原理和基本模型
        2.1.3 人工神經(jīng)網(wǎng)絡(luò)的特點和分類
    2.2 BP 神經(jīng)網(wǎng)絡(luò)的基本原理
        2.2.1 BP 神經(jīng)網(wǎng)絡(luò)的基本要素
        2.2.2 BP 神經(jīng)網(wǎng)絡(luò)的學習規(guī)則和數(shù)學算法
        2.2.3 BP 神經(jīng)網(wǎng)絡(luò)的局限性
    2.3 時間序列分析原理
        2.3.1 時間序列的分解模型
        2.3.2 時間序列乘法模型的分解方法
    2.4 BP 神經(jīng)網(wǎng)絡(luò)和時間序列的預測分析
        2.4.1 構(gòu)造理想數(shù)列
        2.4.2 兩種模型的預`測及結(jié)果分析
3 時間序列和 BP 神經(jīng)網(wǎng)絡(luò)耦合模型的實現(xiàn)
    3.1 問題的提出
    3.2 耦合模型的建立
        3.2.1 耦合預測模型的組合方式
        3.2.2 耦合預測模型的實現(xiàn)步驟和模型結(jié)構(gòu)
    3.3 基于 MATLAB 的耦合模型的主程序及參數(shù)設(shè)置
        3.3.1 耦合模型的主程序
        3.3.2 參數(shù)討論及選擇
    3.4 耦合模型的預測效果評價
    3.5 耦合模型的實例驗證
4 時間序列和 BP 神經(jīng)網(wǎng)絡(luò)耦合預測模型在龍門礦的應(yīng)用
    4.1 龍門礦地質(zhì)和水文地質(zhì)背景
    4.2 龍門礦礦井涌水及特征
    4.3 應(yīng)用耦合模型預測礦井涌水量
        4.3.1 時間序列模型對涌水量時間序列的分解
        4.3.2 不規(guī)則變動項的 BP 神經(jīng)網(wǎng)絡(luò)預測
    4.4 基于原始數(shù)據(jù)的 BP 神經(jīng)網(wǎng)絡(luò)預測
    4.5 耦合模型和神經(jīng)網(wǎng)絡(luò)單獨預測結(jié)果對比
5 結(jié)論及展望
    5.1 主要結(jié)論
    5.2 研究展望
參考文獻
作者簡歷
學位論文數(shù)據(jù)集


【參考文獻】：
期刊論文
[1]基于時間序列分析對礦坑涌水量的區(qū)間預測[J]. 張齊元,郭增輝,沈致和.  價值工程. 2011(16)
[2]基于灰色神經(jīng)網(wǎng)絡(luò)的礦井涌水量預測[J]. 陳建宏,施飛,鄭海力,韓玉建.  礦業(yè)研究與開發(fā). 2011(02)
[3]基于時間序列分析的滑坡位移預測模型研究[J]. 徐峰,汪洋,杜娟,葉疆.  巖石力學與工程學報. 2011(04)
[4]用水文地質(zhì)比擬法預算礦井涌水量[J]. 昝雅玲,吳慧琦.  華北國土資源. 2011(01)
[5]復雜礦井涌水動態(tài)的混沌效應(yīng)及其預測[J]. 齊躍明,吳吉南,趙平娃.  煤炭工程. 2010(10)
[6]基于GM（1,1）模型的礦井涌水量預測[J]. 鮑道亮,劉宏錦.  龍巖學院學報. 2010(02)
[7]FEFLOW在區(qū)域地下水流場演化數(shù)值模擬中的應(yīng)用[J]. 張國偉,孫亞軍,徐智敏,李示.  地下水. 2010(01)
[8]基于灰色神經(jīng)網(wǎng)絡(luò)串聯(lián)組合模型的涌水量預測[J]. 陳善成,姚多喜,李小龍,許繼影,王俊.  淮南職業(yè)技術(shù)學院學報. 2009(04)
[9]基于GIS與ANN的金川二礦地表移動預測[J]. 鄧清海,馬鳳山,袁仁茂,張麗萍.  金屬礦山. 2009(12)
[10]基于時間序列模型的隧道涌水量反演與預測[J]. 劉建,劉丹.  水文地質(zhì)工程地質(zhì). 2009(06)

碩士論文
[1]基于灰色模型與人工神經(jīng)網(wǎng)絡(luò)的改進組合預測模型及其應(yīng)用研究[D]. 楊春波.山東師范大學 2009



本文編號：3015070