煤礦瓦斯事故是我國煤礦安全開采過程中最主要的威脅之一,所以對采煤工作面進行瓦斯涌出量的預測預警以及技術(shù)的創(chuàng)新有著非常重要的意義。各類因素共同影響著瓦斯氣體的涌出,且它們具有一定的復雜性、非線性、特征相關(guān)性。為了獲得比傳統(tǒng)預測方法更好的預測效果,在分析國內(nèi)外現(xiàn)有瓦斯涌出量預測的成果基礎(chǔ)上,結(jié)合機器學習、智能算法,將局部線性嵌入理論（LLE）和人工蜂群（ABC）算法以及核極端學習機（KELM）運用到瓦斯涌出量的預測當中,提出改進的方法,建立新的預測模型。首先采用改進的局部線性嵌入算法對導致瓦斯涌出因素的特征屬性進行約簡,在保證特征數(shù)據(jù)完整性的情況下剔除冗余的信息,實現(xiàn)降維。將經(jīng)過約簡、歸一化的樣本分為訓練集與測試集,用訓練集對KELM模型進行訓練。由于此過程中需對KELM模型的懲罰系數(shù)以及核參數(shù)進行尋優(yōu),因此本文提出引入局部混沌搜索（Chaos Searching）策略的方法改進ABC算法,并用該算法對KELM模型參數(shù)進行尋優(yōu),建立基于改進LLE算法與CSABC-KELM的煤礦瓦斯涌出量預測模型。利用測試集數(shù)據(jù)對該預測模型進行試驗分析,并與原始數(shù)據(jù)未經(jīng)過處理的CSABC-KELM、KELM... 

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 論文背景及意義
        1.1.1 選題背景
        1.1.2 研究意義及目的
    1.2 國內(nèi)外研究概況
        1.2.1 煤礦瓦斯涌出量預測研究現(xiàn)狀
        1.2.2 數(shù)據(jù)降維研究現(xiàn)狀
        1.2.3 人工蜂群算法研究現(xiàn)狀
    1.3 本文主要內(nèi)容和結(jié)構(gòu)安排
第二章 局部線性嵌入與核極端學習機理論研究
    2.1 局部線性嵌入算法研究
        2.1.1 局部線性嵌入算法基本原理
        2.1.2 改進的局部線性嵌入算法
        2.1.3 自適應LLE算法性能分析
    2.2 核極端學習機
        2.2.1 極端學習機
        2.2.2 核極端學習機
    2.3 本章小結(jié)
第三章 引入局部混沌搜索策略的人工蜂群算法研究
    3.1 人工蜂群算法基本原理
    3.2 改進人工蜂群算法
        3.2.1 混沌搜索策略
        3.2.2 引入局部混沌搜索策略的人工蜂群算法
    3.3 CSABC算法性能分析
        3.3.1 標準測試函數(shù)
        3.3.2 實驗參數(shù)設(shè)置
        3.3.3 實驗結(jié)果及分析
    3.4 本章小結(jié)
第四章 基于自適應LLE-CSABC-KELM的煤礦瓦斯涌出量預測
    4.1 煤礦瓦斯涌出因素及特點分析
        4.1.1 瓦斯涌出量的基本概念及計算
        4.1.2 瓦斯涌出量預測指標的確定
    4.2 數(shù)據(jù)搜集及處理
    4.3 基于自適應LLE-CSABC-KELM的煤礦瓦斯涌出量預測
        4.3.1 自適應LLE-CSABC-KELM預測模型建立
        4.3.2 自適應LLE-CSABC-KELM的瓦斯涌出量預測結(jié)果及分析
        4.3.3 對比實驗
    4.4 本章小結(jié)
第五章 總結(jié)與展望
參考文獻
致謝
攻讀學位期間取得成果


【參考文獻】：
期刊論文
[1]融合蜂群優(yōu)化航空發(fā)動機自適應PID控制[J]. 陳宇寒,肖玲斐,盧彬彬.  控制工程. 2019(02)
[2]基于線性判別分析的Choquet積分的符號模糊測度提取[J]. 王燈桂,楊蓉.  計算機科學. 2019(02)
[3]基于CSABC-ELM的采煤工作面瓦斯涌出量預測[J]. 陳強,王海峰,萬波俊,劉道生,劉萬順.  工業(yè)安全與環(huán)保. 2019(01)
[4]基于非線性降維時序遙感影像的作物分類[J]. 翟涌光,屈忠義.  農(nóng)業(yè)工程學報. 2018(19)
[5]能源結(jié)構(gòu)隨能源需求增長而持續(xù)多樣化——2018年世界能源統(tǒng)計年鑒解讀[J]. 錢伯章,李敏.  中國石油和化工經(jīng)濟分析. 2018(08)
[6]基于關(guān)聯(lián)模糊神經(jīng)網(wǎng)絡(luò)和改進型蜂群算法的負荷預測方法[J]. 趙芝璞,高超,沈艷霞,陳杰.  中國電力. 2018(02)
[7]人工蜂群算法的改進[J]. 趙紅星,常小剛.  計算機工程與設(shè)計. 2018(01)
[8]人工蜂群算法求解帶有啟動時間的批量混合流水車間調(diào)度問題[J]. 吳帥,卿兆波.  煤礦機械. 2016(11)
[9]多交互式人工蜂群算法及其收斂性分析[J]. 林凱,陳國初,張鑫.  計算機應用. 2017(03)
[10]基于改進人工蜂群算法的無人機的航跡規(guī)劃[J]. 于霜,丁力,吳洪濤.  電光與控制. 2017(01)

博士論文
[1]中美煤礦瓦斯爆炸事故不安全動作原因?qū)Ρ确治鯷D]. 高巖.中國礦業(yè)大學(北京) 2016
[2]煤礦瓦斯爆炸事故的不安全動作原因研究[D]. 殷文韜.中國礦業(yè)大學（北京） 2014

碩士論文
[1]優(yōu)化核極限學習機方法在智能電網(wǎng)中的應用[D]. 任瑞琪.蘭州交通大學 2018
[2]基于支持向量機和免疫遺傳BP的瓦斯?jié)舛阮A測研究[D]. 張文娟.西安科技大學 2017
[3]我國煤礦安全事故時空分布分形特征研究[D]. 王修才.南華大學 2014
[4]基于局部線性嵌入的降維算法研究[D]. 李燕燕.遼寧師范大學 2012
[5]基于差值灰色徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的瓦斯涌出量預測[D]. 白宇.太原理工大學 2011
[6]LS-SVM算法預測煤層瓦斯涌出量技術(shù)研究及應用[D]. 朱帥虎.山東科技大學 2011
[7]混沌優(yōu)化算法在建筑施工安全投入中的應用研究[D]. 楊明.天津大學 2007



本文編號：3698616