非均衡样本下基于GRA-BSMOTE-RF的瓦斯突出预测

为解决煤与瓦斯突出预测模型由于样本数据不均衡导致的分类效果不好的问题,提出一种将过采样方法(BSMOTE)和随机森林(RF)模型相耦合的预测模型。首先通过灰色关联分析(GRA)进行特征选择。其次,通过BSMOTE方法增加突出的少数类样本,有效地区分类别区域边界。最后,构建GRA-BSMOTE-RF煤与瓦斯突出预测模型,以此来减少类别不平衡对模型预测的影响。根据结果表明,提出的模型对于少数类的分类正确率明显提升,证实GRA-BSMOTE-RF模型在不平衡数据下的煤与瓦斯突出预测上具有较好的预测效果。

基于改进极限学习机的煤与瓦斯突出预测研究

为提高煤与瓦斯突出预测的准确率和效率,提出了一种基于数据预处理的多策略改进烟花算法(IFWA)优化极限学习机(ELM)的煤与瓦斯突出预测模型。首先,针对于非线性多维特征数据,使用灰色关联度分析(GRA)进行特征选取,利用主成分分析(PCA)进行特征约简,将数据预处理后的数据指标作为模型的输入;其次,引入引力搜索算子和混合变异策略改进烟花算法(FWA)易陷入局部最优的问题;最后,利用IFWA对ELM的输入层到隐含层的权重和偏差进行优化,构建最优的煤与瓦斯突出风险预测模型。结果表明,IFWA-ELM模型的RMSE和R2可达0.074,0.968,与ELM、GA-ELM、PSO-ELM和FWA-ELM模型相比均有所提升,IFWA-ELM模型对煤与瓦斯突出危险等级预测的准确率可达100%,具有更好的收敛速度和预测精度。研究成果可为煤矿瓦斯突出多数据融合预测提供可靠的理论依据。