本文選題：絕對瓦斯涌出量　切入點：非線性映射　出處：《遼寧工程技術(shù)大學(xué)學(xué)報(自然科學(xué)版)》2017年04期 　論文類型：期刊論文

【摘要】：為對回采工作面絕對瓦斯涌出量進行有效預(yù)測,提出非線性降維的改進Elmand動態(tài)預(yù)測模型.模型采用非線性映射在特征空間內(nèi)對數(shù)據(jù)進行有效降維,以此確定神經(jīng)網(wǎng)絡(luò)輸入數(shù)目,并利用自適應(yīng)蟻群微分進化算法對改進的Elman神經(jīng)網(wǎng)絡(luò)(IENN)的閾值、權(quán)值、自反饋因子和增益因子行全局尋優(yōu).將該預(yù)測模型用于礦井監(jiān)測的歷史數(shù)據(jù)進行檢驗.研究結(jié)果表明:模型能夠有效地減少預(yù)測模型的輸入變量個數(shù),并且相比其他預(yù)測模型提高了預(yù)測的精度和效率.
[Abstract]:In order to effectively predict the absolute gas emission in mining face, an improved Elmand dynamic prediction model for nonlinear dimensionality reduction is proposed. The nonlinear mapping is used to effectively reduce the dimension of the data in the feature space, so as to determine the input number of the neural network. The adaptive ant colony differential evolution algorithm is applied to the threshold and weight of the improved Elman neural network. The self-feedback factor and gain factor are used for global optimization. The prediction model is used to test the historical data of mine monitoring. The results show that the model can effectively reduce the number of input variables in the prediction model. Compared with other prediction models, the prediction accuracy and efficiency are improved.
【作者單位】： 遼寧工程技術(shù)大學(xué)基礎(chǔ)教學(xué)部;遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院;
【基金】：國家自然科學(xué)基金項目(51274118)
【分類號】：TD712.5;TP18

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前7條

1 袁仁茂;馬鳳山;鄧清海;徐錫偉;;基于Elman型神經(jīng)網(wǎng)絡(luò)的金川二礦地表巖移時序預(yù)測模型[J];工程地質(zhì)學(xué)報;2008年01期

2 張瑋;張丹;;基于Elman動態(tài)神經(jīng)網(wǎng)絡(luò)的煤質(zhì)預(yù)測算法研究[J];中國礦業(yè);2013年03期

3 賈花萍;;灰色Elman神經(jīng)網(wǎng)絡(luò)的礦井瓦斯涌出量預(yù)測[J];計算機技術(shù)與發(fā)展;2014年06期

4 錢家忠;呂純;趙衛(wèi)東;潘婧;;Elman與BP神經(jīng)網(wǎng)絡(luò)在礦井水源判別中的應(yīng)用[J];系統(tǒng)工程理論與實踐;2010年01期

5 李建剛;任子暉;劉延霞;;基于Elman神經(jīng)網(wǎng)絡(luò)礦用通風(fēng)機故障診斷的研究[J];煤礦機械;2011年08期

6 王春曉;陳開巖;張寶;;基于Elman組合預(yù)測模型的瓦斯涌出量預(yù)測[J];黑龍江科技學(xué)院學(xué)報;2011年04期

7 ;[J];;年期

，

本文編號：1582959