基于CSO-RVM的瓦斯涌出量预测模型研究

为了实时监测和精准预测煤矿回采工作面绝对瓦斯涌出量,提出猫群算法(CSO)优化相关支持向量机(RVM)的绝对瓦斯涌出量预测方法。相关向量机的组合核函数可实现多特征空间的信息融合,为有限样本、高维数瓦斯涌出量预测建模问题提供一种行之有效的方法。并用CSO算法对RVM瓦斯涌出量预测模型的核函数权重p和高斯核参数σ快速寻优。利用矿井无线传感器网络检测到的各项历史数据试验。结果表明,相比BP、SVM算法,该耦合模型有效提高了预测精度,具有更好的泛化能力,为矿井瓦斯预测提供理论支持。

基于FOA-SVM的煤矿瓦斯爆炸风险模式识别

瓦斯爆炸的过程是一个综合各种因素在内的能量释放的过程,为了能够对瓦斯爆炸进行准确的辨识,文中提出了将主成分分析（Principal Componet Analysis,PAC）和支持向量机（Support Vector Machine,SVM）相结合进行瓦斯爆炸预测。瓦斯爆炸影响因素较多,首先通过PCA进行特征提取,降低特征向量的维数,去除参数间的相关性;然后通过果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）对支持向量机进行全局寻优,避免了过学习的出现。将通过PCA提取的新特征值作为FOA-SVM模型输入,从而实现准确性高的瓦斯爆炸风险模式识别。通过实验仿真表明,文中提出的方法具有识别精度高、推广能力强同时模型简单的特点,对工程实践具有一定的指导作用。

煤与瓦斯突出强度的FOA-SVM预测模型与应用

为了能够对煤与瓦斯突出进行准确的辨识,本文提出将果蝇算法(FOA)与支持向量机(SVM)相结合的预测方法。首先通过Karhunen-Loève变换(K-L变换)进行特征提取,降低特征向量的维数,减小运算量;然后将经过K-L变换的样本作为FOA-SVM模型输入,通过果蝇算法全局寻优,自动搜索符合本预测模型最佳参数组合。通过对预测模型的训练与仿真表明:本文提出的方法具有设计实现简单,辨识精度高、推广能力强的特点,为煤矿灾害预测提供理论支持。

基于IsoMap和MBFO-SVR的瓦斯涌出量动态预测研究

为了能够实现高精度与实时性的动态预测煤矿绝对瓦斯涌出量,本文提出了等容特征映射Iso Map(Isometric feature Mapping)与改进细菌觅食优化算法MBFO(Modified Bacteria Foraging Optimization)优化支持向量回归机SVR(Support Vector Regression)相结合的预测方法。瓦斯涌出是在多种影响因子共同作用下的结果,并且这些因素之间是复杂的非线性关系,因此本文中提出采用流形学习方法 Iso Map对其进行降维特征提取,该方法用测地距离(geodesic distace)取代了普遍采用的欧氏距离,有利于对高维特征内在关系的挖掘,取得了优于传统的主成分分析(PCA)的结果;将MBFO算法对SVR的相关参数进行寻优;将Iso Map分析结果输入预测模型。仿真表明,与PSO算法比较,本文提出的预测方法预测精度较高,更加有利于对瓦斯涌出量预测。