期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
煤层瓦斯含量PSO-BP神经网络预测模型及其应用
被引量:
29
1
作者
林海飞
高帆
+3 位作者
严敏
白杨
肖鹏
谢行俊
《中国安全科学学报》
CAS
CSCD
北大核心
2020年第9期80-87,共8页
为提高煤层瓦斯含量预测的科学性及准确性,提出基于粒子群算法(PSO)优化误差反向传播(BP)神经网络的瓦斯含量预测模型(PSO-BP模型);研究试验矿井煤层瓦斯含量与埋深、煤厚、底板标高以及测点与断层垂距等因素之间关系;对比分析该模型与...
为提高煤层瓦斯含量预测的科学性及准确性,提出基于粒子群算法(PSO)优化误差反向传播(BP)神经网络的瓦斯含量预测模型(PSO-BP模型);研究试验矿井煤层瓦斯含量与埋深、煤厚、底板标高以及测点与断层垂距等因素之间关系;对比分析该模型与多元线性回归模型和BP神经网络模型的预测结果。结果表明:随着埋深、煤厚及测点与断层垂距的增大,瓦斯含量变大,煤层底板标高增大,瓦斯含量变小;PSO-BP神经网络预测模型相对误差为2.4%~4.8%(平均3.1%),多元线性回归模型为2.3%~77.4%(平均27.7%),BP神经网络预测模型为7.5%~14.8%(平均10.2%),PSO-BP神经网络预测模型预测精度最高。
展开更多
关键词
瓦斯含量
粒子群算法(PSO)
误差反向传播(BP)神经网络
预测模型
下载PDF
职称材料
基于KPCA-CMGANN算法的瓦斯涌出量预测研究
被引量:
19
2
作者
肖鹏
谢行俊
+3 位作者
双海清
刘朝阳
王海宁
徐经苍
《中国安全科学学报》
CAS
CSCD
北大核心
2020年第5期39-47,共9页
为了精准预测瓦斯涌出量,针对绝对瓦斯涌出量非线性、时变性、复杂性等特点,提出采用核主成分分析法(KPCA)对影响因素进行降维处理;针对BP神经网络(BPNN)中存在的收敛速度慢和易陷入局部最优解的问题,采用压缩映射遗传算法(CMGA)优化BP...
为了精准预测瓦斯涌出量,针对绝对瓦斯涌出量非线性、时变性、复杂性等特点,提出采用核主成分分析法(KPCA)对影响因素进行降维处理;针对BP神经网络(BPNN)中存在的收敛速度慢和易陷入局部最优解的问题,采用压缩映射遗传算法(CMGA)优化BPNN;构建CMGA与BPNN的耦合算法(CMGANN),计算分析某低瓦斯矿井监测历史数据形成的样本集,建立KPCA-CMGANN预测模型;用KPCA-CMGANN预测模型和其他3种网络模型分别对煤矿现场数据进行预测。结果表明:KPCA-CMGANN预测模型在379个时间步长里达到收敛,4个回采工作面的瓦斯涌出量预测相对误差分别为0.58%、0.63%、0.57%和0.45%,平均相对误差仅为0.56%,预测精度和收敛速度均优于对比模型,可实现瓦斯涌出量的快速精准预测。
展开更多
关键词
瓦斯涌出量预测
核主成分分析法(KPCA)
压缩映射遗传算法(CMGA)
BP神经网络(BPNN)
样本集
下载PDF
职称材料
小波-极限学习机在瓦斯涌出量时变序列预测中的应用
被引量:
10
3
作者
肖鹏
谢行俊
+4 位作者
双海清
刘朝阳
王海宁
徐经苍
马军红
《西安科技大学学报》
CAS
北大核心
2020年第5期839-845,共7页
针对煤矿瓦斯涌出量预测中经常出现变量难以获取等问题,为了提高瓦斯涌出量的预测精度和可靠性,提出将小波包分解方法与极限学习机相结合,构建瓦斯涌出量的小波-极限学习机时变预测模型。首先,通过小波包分解重构将瓦斯涌出量时变序列...
针对煤矿瓦斯涌出量预测中经常出现变量难以获取等问题,为了提高瓦斯涌出量的预测精度和可靠性,提出将小波包分解方法与极限学习机相结合,构建瓦斯涌出量的小波-极限学习机时变预测模型。首先,通过小波包分解重构将瓦斯涌出量时变序列分解成高、低频率不同的分量,然后采用极限学习机对小波包分解重构后的时间序列进行预测,再叠加预测值,得到最终的预测结果。以山西天池煤矿某工作面瓦斯涌出量监测时序样本为例,为体现模型的优越性,设置2个对照模型,即小波-BP模型和未经小波处理的极限学习机模型。结果表明:该模型预测相对误差为0.42%~10.45%,平均相对误差仅为2.50%,小波-BP模型的预测相对误差为0.33%~7.33%,平均相对误差为3.42%,未经小波处理的极限学习机模型的预测相对误差为1.59%~13.09%,平均相对误差为4.25%,小波-极限学习机模型的预测精度和泛化能力均高于对照模型;小波包分解重构方法的引入能有效降低数据复杂度,大幅度提高预测精度,为瓦斯涌出量时变序列的预测提供了新的思路。
展开更多
关键词
瓦斯涌出量预测
时变序列
小波包分解
极限学习机
预测精度
下载PDF
职称材料
题名
煤层瓦斯含量PSO-BP神经网络预测模型及其应用
被引量:
29
1
作者
林海飞
高帆
严敏
白杨
肖鹏
谢行俊
机构
西安科技大学安全科学与工程学院
教育部西部矿井开采及灾害防治重点实验室
出处
《中国安全科学学报》
CAS
CSCD
北大核心
2020年第9期80-87,共8页
基金
国家自然科学基金资助(51674192,51874236)
陕西省杰出青年项目(2020JC-48)
陕西省联合基金培育重点项目(2019JLP-02)。
文摘
为提高煤层瓦斯含量预测的科学性及准确性,提出基于粒子群算法(PSO)优化误差反向传播(BP)神经网络的瓦斯含量预测模型(PSO-BP模型);研究试验矿井煤层瓦斯含量与埋深、煤厚、底板标高以及测点与断层垂距等因素之间关系;对比分析该模型与多元线性回归模型和BP神经网络模型的预测结果。结果表明:随着埋深、煤厚及测点与断层垂距的增大,瓦斯含量变大,煤层底板标高增大,瓦斯含量变小;PSO-BP神经网络预测模型相对误差为2.4%~4.8%(平均3.1%),多元线性回归模型为2.3%~77.4%(平均27.7%),BP神经网络预测模型为7.5%~14.8%(平均10.2%),PSO-BP神经网络预测模型预测精度最高。
关键词
瓦斯含量
粒子群算法(PSO)
误差反向传播(BP)神经网络
预测模型
Keywords
gas content
particle swarm optimization(PSO)
back propagation(BP)neural network
prediction model
multiple linear regression
分类号
X936 [环境科学与工程—安全科学]
下载PDF
职称材料
题名
基于KPCA-CMGANN算法的瓦斯涌出量预测研究
被引量:
19
2
作者
肖鹏
谢行俊
双海清
刘朝阳
王海宁
徐经苍
机构
西安科技大学安全科学与工程学院
西安科技大学教育部西部矿井开采及灾害防治重点实验室
陕西陕煤澄合矿业有限公司
出处
《中国安全科学学报》
CAS
CSCD
北大核心
2020年第5期39-47,共9页
基金
国家自然科学基金资助(51774235,51904238)
陕西省自然科学基础研究计划(2020JM-530,2019JQ-337)
陕西省教育厅专项科学研究计划(19JK0534)。
文摘
为了精准预测瓦斯涌出量,针对绝对瓦斯涌出量非线性、时变性、复杂性等特点,提出采用核主成分分析法(KPCA)对影响因素进行降维处理;针对BP神经网络(BPNN)中存在的收敛速度慢和易陷入局部最优解的问题,采用压缩映射遗传算法(CMGA)优化BPNN;构建CMGA与BPNN的耦合算法(CMGANN),计算分析某低瓦斯矿井监测历史数据形成的样本集,建立KPCA-CMGANN预测模型;用KPCA-CMGANN预测模型和其他3种网络模型分别对煤矿现场数据进行预测。结果表明:KPCA-CMGANN预测模型在379个时间步长里达到收敛,4个回采工作面的瓦斯涌出量预测相对误差分别为0.58%、0.63%、0.57%和0.45%,平均相对误差仅为0.56%,预测精度和收敛速度均优于对比模型,可实现瓦斯涌出量的快速精准预测。
关键词
瓦斯涌出量预测
核主成分分析法(KPCA)
压缩映射遗传算法(CMGA)
BP神经网络(BPNN)
样本集
Keywords
predication of gas emission quantity
kernel principal component analysis(KPCA)
compression mapping genetic algorithm(CMGA)
back propagation neural network(BPNN)
sample sets
分类号
X936 [环境科学与工程—安全科学]
下载PDF
职称材料
题名
小波-极限学习机在瓦斯涌出量时变序列预测中的应用
被引量:
10
3
作者
肖鹏
谢行俊
双海清
刘朝阳
王海宁
徐经苍
马军红
机构
西安科技大学安全科学与工程学院
西安科技大学西部矿井开采及灾害防治教育部重点实验室
陕西陕煤澄合矿业有限公司
出处
《西安科技大学学报》
CAS
北大核心
2020年第5期839-845,共7页
基金
国家自然科学基金项目(51774235,51904238)
陕西省自然科学基础研究计划项目(2020JM-530,2019JQ-337)
陕西省教育厅专项科学研究计划项目(19JK0534)。
文摘
针对煤矿瓦斯涌出量预测中经常出现变量难以获取等问题,为了提高瓦斯涌出量的预测精度和可靠性,提出将小波包分解方法与极限学习机相结合,构建瓦斯涌出量的小波-极限学习机时变预测模型。首先,通过小波包分解重构将瓦斯涌出量时变序列分解成高、低频率不同的分量,然后采用极限学习机对小波包分解重构后的时间序列进行预测,再叠加预测值,得到最终的预测结果。以山西天池煤矿某工作面瓦斯涌出量监测时序样本为例,为体现模型的优越性,设置2个对照模型,即小波-BP模型和未经小波处理的极限学习机模型。结果表明:该模型预测相对误差为0.42%~10.45%,平均相对误差仅为2.50%,小波-BP模型的预测相对误差为0.33%~7.33%,平均相对误差为3.42%,未经小波处理的极限学习机模型的预测相对误差为1.59%~13.09%,平均相对误差为4.25%,小波-极限学习机模型的预测精度和泛化能力均高于对照模型;小波包分解重构方法的引入能有效降低数据复杂度,大幅度提高预测精度,为瓦斯涌出量时变序列的预测提供了新的思路。
关键词
瓦斯涌出量预测
时变序列
小波包分解
极限学习机
预测精度
Keywords
gas emission forecast
time-varying series
wavelet packet decomposition
extreme learning machine
prediction accuracy
分类号
TD712 [矿业工程—矿井通风与安全]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
煤层瓦斯含量PSO-BP神经网络预测模型及其应用
林海飞
高帆
严敏
白杨
肖鹏
谢行俊
《中国安全科学学报》
CAS
CSCD
北大核心
2020
29
下载PDF
职称材料
2
基于KPCA-CMGANN算法的瓦斯涌出量预测研究
肖鹏
谢行俊
双海清
刘朝阳
王海宁
徐经苍
《中国安全科学学报》
CAS
CSCD
北大核心
2020
19
下载PDF
职称材料
3
小波-极限学习机在瓦斯涌出量时变序列预测中的应用
肖鹏
谢行俊
双海清
刘朝阳
王海宁
徐经苍
马军红
《西安科技大学学报》
CAS
北大核心
2020
10
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部