基于SPSS多元回归分析的回采工作面瓦斯涌出量预测

采用多元回归分析原理及模型,结合回采工作面瓦斯涌出量的实测数据,利用SPSS(Statistical Product and Service Solutions)软件对回采工作面瓦斯涌出量的影响因素进行多元回归分析,建立了回归方程来预测回采工作面瓦斯涌出量。结果表明,利用SPSS软件直接对影响回采工作面瓦斯涌出量的因素进行回归分析,避免了复杂的推导与计算,预测精度较高。

煤与瓦斯突出预测的Fisher判别分析法及应用

在综合分析煤与瓦斯突出多种影响因素的基础上,将Fisher判别分析应用到煤与瓦斯突出预测中,结合我国典型煤与瓦斯突出煤矿17个突出实例,建立了煤与瓦斯突出预测的Fisher判别分析模型,模型回代预测的误差率为0。应用该模型对云南恩洪煤矿8个突出实例进行预测,并与单项指标法、综合指标法、BP网络进行比较。结果表明,Fisher判别分析模型具有较高的可靠性和精确性,能对煤与瓦斯突出进行有效预测。

基于SPSS的PCA-MRA回采工作面瓦斯涌出量预测

为克服自变量之间的多重共线问题,增强多元回归模型预测的精确性,将主成分分析(PCA)与多元回归分析(MRA)相结合提出了PCA-MRA模型,并将该模型用于实际瓦斯涌出量预测。结果表明,采用SPSS软件直接对影响回采工作面瓦斯涌出量的因素进行主成分回归分析,避免了复杂的推导计算以及繁琐编程,预测精度较高。

基于PCMRA神经网络补偿算法的瓦斯涌出量预测

为了克服自变量之间的多重共线问题,提高多元回归模型预测的精确性,将主成分分析(PCA)与多元回归分析(MRA)相结合,提出了主成分多元回归分析(PCMRA)模型。利用RBF神经网络对主成分回归分析残差进行拟合预测,最后利用残差预测值对主成分回归分析预测值进行补偿。结果表明:利用RBF神经网络对主成分回归模型进行补偿,将线性拟合算法和非线性拟合算法结合起来用于瓦斯涌出量预测是一种较为优越的算法。

冲击地压Fisher判别分析预测

为对冲击地压危险性进行准确地预测预报.在综合分析冲击地压多种影响因素的基础上,采用Fisher判别分析方法,结合文献提供的张集矿历年冲击地压24组相关数据实例,建立了冲击地压预测预报的Fisher判别分析模型,模型回代预测准确率为100%,误判率为0.将模型应用到张集煤矿冲击地压分级预测问题中,并与支持向量机方法、BP网络进行比较,研究结果表明:Fisher判别分析模型具有较高的可靠性,判别效率及准确率高,能对冲击地压进行有效预测.

基于模糊信息粒化SVM时序回归CPI预测

为了对CPI变化范围及走势进行预测,文章提出了基于模糊信息粒化支持向量机预测模型。以历年月度CPI数值为样本进行模拟训练,通过交叉验证的方法对支持向量机参数进行寻优,并对三角型模糊粒子三个参数Low、R、Up进行回归预测,得出CPI变化范围及走势,结果与实际情况相符,验证了该模型的有效性,能够为相关决策提供依据。

基于SPSS组合预测算法的煤炭消费量预测研究

为了对煤炭消费量进行精确预测,提出一种将ARIMA与RBF神经网络相结合的算法。首先利用ARIMA对煤炭消费量进行初步预测,计算残差;然后利用RBF神经网络对残差进行拟合预测并对ARIMA预测结果进行补偿,将该方法用于我国煤炭消费量实际预测。结果表明:利用RBF神经网络对ARIMA模型进行补偿,将线性拟合算法和非线性拟合算法结合起来用于煤炭消费量预测是一种较优越的算法。

基于BP-Adaboost强预测器的瓦斯涌出量预测

为了提高传统BP神经网络瓦斯涌出量预测模型精度,避免BP网络容易陷入局部极值、收敛速度慢等问题,将BP神经网络和Adaboost算法相结合,提出了一种BP-Adaboost强预测器模型。将该模型用于实际瓦斯涌出量预测,并进行了40次仿真实验。结果表明:该模型预测精度高于传统的BP神经网络,且收敛速度快,具有较强的鲁棒性,预测精度能满足实际工程需要,为瓦斯涌出量预测提供了一种新的途径。

依据在线评论的商品排序方法

提出了一种依据商品在线评论的基于多粒度情感强度分析和随机逼近理想点排序法的商品排序方法.使用爬虫软件和ICTCLAS对消费者关注的备选商品的在线评论进行获取和预处理.依据预处理后的评论,通过提出多粒度情感强度分析算法确定每条评论针对商品属性的情感强度值.通过对得到的情感强度值进行统计分析,得到备选商品针对商品属性的多粒度情感强度分布形式的属性值.最后,依据得到多粒度情感强度分布形式的属性值,采用随机逼近理想点排序法确定备选商品的排序.基于中关村在线中的数码相机在线评论,给出了提出方法应用的实例分析.

基于主成分回归分析的瓦斯含量预测

为了增加多元回归模型预测的精度,将主成分分析与多元回归分析相结合提出了PCA-MRA模型,并将该模型用于实际瓦斯含量预测。结果表明,PCA-MRA模型消除了输入变量之间的相关性,减少了输入变量值个数,提高了预测精度,便于实际推广和应用,为瓦斯含量预测提供一种新的途径。