本文關鍵詞：深度學習耦合粒子群優(yōu)化SVM的瓦斯?jié)舛阮A測

  更多相關文章： 深度學習 特征提取 SVM神經網絡 粒子群優(yōu)化 瓦斯預測

【摘要】：為改進工作面煤礦瓦斯涌出濃度的預測精度,基于深度學習網絡、SVM和粒子群(PSO)優(yōu)化算法的原理,建立1種深度學習網絡與粒子群優(yōu)化SVM神經網絡耦合的混合算法模型,該算法首先基于深度學習理論學習樣本數據較深層次的特征,提取出較少個用來表征原始數據的特征量變量,對特征變量建立PSO-SVM預測模型進行瓦斯涌出濃度預測,通過工作面現場采集的數據進行仿真實驗,實驗結果表明該方法使預測精度較對原始數據直接進行PSO-SVM預測得到較大的提升,同時實現了原始數據的降維,減少了算法的運行時間,提高了算法效率。
【作者單位】： 中國礦業(yè)大學信息與電氣工程學院;徐州醫(yī)學院醫(yī)學信息學院;
【關鍵詞】： 深度學習 特征提取 SVM神經網絡 粒子群優(yōu)化 瓦斯預測
【基金】：中央高�；究蒲袠I(yè)務費專項資金資助項目(2014XT04)
【分類號】：TD712.5
【正文快照】： 隨著神經網絡[1]技術的發(fā)展,神經網絡被廣泛應用于建立瓦斯涌出量預測模型。朱紅青等[2]提出用BP神經網絡對瓦斯涌出量進行分源預測;韓洪磊等[3]人用擬牛頓優(yōu)化算法對BP神經網絡瓦斯預測模型進行了優(yōu)化;辛元芳等[4]提出了基于經驗模態(tài)分解和極限學習機的瓦斯突出預測模型;劉俊

【相似文獻】

中國期刊全文數據庫 前3條

1 任金霞;王挺;;基于改進型粒子群優(yōu)化的磨礦分級系統(tǒng)溢流濃度控制的研究[J];礦山機械;2012年09期

2 崔益安;紀銅鑫;李溪陽;朱肖雄;;基于粒子群優(yōu)化的多目標體中梯電阻率異常反演[J];地球物理學進展;2013年04期

3 ;[J];;年期

，

本文編號：946712