瓦斯事故是煤礦安全生產(chǎn)的主要威脅,一旦發(fā)生,就會(huì)引起巨大的經(jīng)濟(jì)損失甚至人員傷亡。瓦斯事故主要由瓦斯?jié)舛冗^(guò)高引起。瓦斯是可燃?xì)怏w,濃度過(guò)高有燃燒甚至爆炸的風(fēng)險(xiǎn)。對(duì)煤礦中的瓦斯?jié)舛冗M(jìn)行準(zhǔn)確的預(yù)測(cè)是減少瓦斯事故發(fā)生頻率的有效方法。然而,傳統(tǒng)的瓦斯?jié)舛阮A(yù)測(cè)系統(tǒng)的性能有著很大的局限性,建立更加科學(xué)有效的瓦斯?jié)舛阮A(yù)測(cè)方法對(duì)指導(dǎo)煤礦安全生產(chǎn)具有重要意義。本文提出了單隱層隨機(jī)權(quán)值神經(jīng)網(wǎng)絡(luò)（Single hidden-layer Random Weights Neural Network,SRWNN）瓦斯?jié)舛阮A(yù)測(cè)方法。該方法采用單隱層前饋神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu),同時(shí)引入隨機(jī)輸入層權(quán)值和隱含層偏置。它將神經(jīng)網(wǎng)絡(luò)與上下界估計(jì)（Lower and Upper Bound Estimate,LUBE）結(jié)合,實(shí)現(xiàn)使用區(qū)間預(yù)測(cè)替代傳統(tǒng)的點(diǎn)預(yù)測(cè)。另外,它采用魯棒性高的NSGA-II作為訓(xùn)練算法,簡(jiǎn)化了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)復(fù)雜的訓(xùn)練過(guò)程。最后,為解決SRWNN在大數(shù)據(jù)環(huán)境下訓(xùn)練時(shí)間過(guò)長(zhǎng),以及在面對(duì)大規(guī)模預(yù)測(cè)任務(wù)時(shí)出現(xiàn)的計(jì)算和調(diào)度上的瓶頸問(wèn)題,本文進(jìn)一步研究了SRWNN在煤礦大數(shù)據(jù)環(huán)境下的分布式瓦斯?jié)舛阮A(yù)測(cè)方法,提出并實(shí)現(xiàn)在Apac... 

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

SRWNN訓(xùn)練過(guò)程圖

SRWNN預(yù)測(cè)

ApacheSpark上SRWNN的分布式訓(xùn)練Fig.4.3DistributedtrainingofSRWNNonApacheSparkMasterSparkCluster


本文編號(hào)：3685485