降低瓦斯災(zāi)害事故發(fā)生率是煤礦安全防治工作的重中之重。由于煤與瓦斯突出機理復(fù)雜且瓦斯?jié)舛染哂蟹蔷�性動力學(xué)特征,采用傳統(tǒng)方法進(jìn)行瓦斯?jié)舛阮A(yù)測往往存在較大誤差。神經(jīng)網(wǎng)絡(luò)在非線性、時變性系統(tǒng)中具有極強的擬合能力,因此,通過神經(jīng)網(wǎng)絡(luò)方法構(gòu)建軟測量模型進(jìn)行瓦斯?jié)舛阮A(yù)測,成為煤與瓦斯災(zāi)害防治的有效手段。為提高瓦斯?jié)舛鹊念A(yù)測效果,采用改進(jìn)的鯨魚算法(混沌LogWOA)優(yōu)化回聲狀態(tài)網(wǎng)絡(luò)(ESN)的方法,構(gòu)建基于混沌LogWOA-ESN網(wǎng)絡(luò)的瓦斯?jié)舛溶洔y量模型。主要研究內(nèi)容如下:首先,為提高算法的尋優(yōu)能力,提出一種基于混沌映射的對數(shù)型非線性收縮因子的混沌LogWOA算法。對傳統(tǒng)鯨魚算法(WOA)主要有兩方面的改進(jìn):第一,采用混沌優(yōu)化技術(shù)在種群初始化時進(jìn)行Logistic混沌映射,使初始值分布均勻并提高解的質(zhì)量。第二,針對WOA算法中的線性收縮因子,提出對數(shù)型非線性收縮因子模型以提高算法性能。通過將三角函數(shù)、指數(shù)函數(shù)、冪函數(shù)、對數(shù)函數(shù)五種非線性收縮因子模型進(jìn)行實驗比較,最終選出對數(shù)型收縮因子為最佳模型。將單峰函數(shù)、多峰函數(shù)及固定維度的函數(shù)作為測試函數(shù),驗證混沌LogWOA算法的優(yōu)越性。其次,由于傳統(tǒng)ESN在...

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 瓦斯?jié)舛阮A(yù)測研究現(xiàn)狀
        1.2.2 回聲狀態(tài)網(wǎng)絡(luò)研究現(xiàn)狀
        1.2.3 智能優(yōu)化算法研究現(xiàn)狀
    1.3 論文主要工作及組織結(jié)構(gòu)
        1.3.1 研究思路及主要工作
        1.3.2 本文組織結(jié)構(gòu)
2 相關(guān)理論及模型概述
    2.1 引言
    2.2 ESN網(wǎng)絡(luò)
        2.2.1 ESN網(wǎng)絡(luò)結(jié)構(gòu)模型
        2.2.2 ESN訓(xùn)練過程
        2.2.3 ESN網(wǎng)絡(luò)性能影響因素
    2.3 WOA算法
        2.3.1 WOA算法基本原理
        2.3.2 WOA算法影響因素分析
    2.4 混沌理論基礎(chǔ)
        2.4.1 混沌的定義
        2.4.2 混沌的特征
        2.4.3 相關(guān)概念闡述
        2.4.4 經(jīng)典混沌序列模型
    2.5 本章小結(jié)
3 基于混沌映射的非線性收縮因子的鯨魚算法
    3.1 引言
    3.2 混沌映射
        3.2.1 混沌及其優(yōu)化
        3.2.2 具體改進(jìn)方法
    3.3 非線性收縮因子
        3.3.1 線性收縮因子分析
        3.3.2 非線性收縮因子模型構(gòu)建
    3.4 混沌LOGWOA算法
    3.5 實驗與分析
        3.5.1 實驗環(huán)境及測試函數(shù)
        3.5.2 收縮因子模型選取
        3.5.3 算法結(jié)果及分析
    3.6 本章小結(jié)
4 基于混沌LOGWOA算法優(yōu)化ESN的瓦斯?jié)舛溶洔y量模型
    4.1 引言
    4.2 混沌LOGWOA-ESN模型構(gòu)建
        4.2.1 去噪處理
        4.2.2 相空間重構(gòu)
        4.2.3 混沌LOGWOA-ESN輸出權(quán)重求解方法
        4.2.4 模型框架
    4.3 實驗與分析
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 未來研究展望
致謝
參考文獻(xiàn)
附錄



本文編號：3756493