基于机器学习的微量农药光谱预测模型

以微量农药近红外光谱数据为研究对象,分别采用k近邻分类算法(k-nearest neighbor,k-NN)、朴素贝叶斯分类器(naive Bayesian classifier)、支持向量机(support vector machine,SVM)算法、极限学习机(extreme learning machine,ELM)等不同机器学习算法对其进行不同浓度分类判别分析。研究结果表明,k近邻分类算法、支持向量机算法、极限学习机算法均取得了较好的分类预测精度,分类预测精度均达到90%以上,其中极限学习机算法训练速度最快,对于大样本数据具有较好的解析精度和分析速度。机器学习算法为实现光谱快速分析检测提供了新的思路和有效解决办法。

基于EMD-MFOA-ELM的瓦斯涌出量时变序列预测研究

为准确分析工作面绝对瓦斯涌出量的非平稳特征,实现瓦斯涌出量的准确预测,基于经验模态分解(EMD)、修正的果蝇优化算法(MFOA)和极限学习机(ELM)基本原理,构建瓦斯涌出量的EMD-MFOA-ELM多尺度时变预测模型。通过EMD将瓦斯涌出量时变序列进行深层次分解,获得多尺度本征模态函数(IMF);采用MFOA-ELM对各IMF时变序列建立动态预测模型,等权叠加各预测值,得到模型最终预测结果。以晋煤某矿瓦斯涌出量监测时序样本为例进行研究分析,结果表明:EMD能充分挖掘出监测数据隐含信息,有效降低数据复杂度;该模型预测相对误差为0.024 3%~0.651 0%,平均值仅为0.252 6%,预测精度和泛化能力高于未经EMD分解模型,能很好地适用于非平稳时变序列预测。

基于LMD-BA-ELM的边坡变形时序非线性预测模型研究

为分析和预测边坡变形,基于局域均值分解(LMD)、蝙蝠算法(BA)和极限向量机(ELM)的基本原理,建立边坡变形时序非线性预测模型。用LMD法将边坡变形时序样本分解为多组相对平稳的分量;用BA对ELM的参数进行全局寻优,构建BA-ELM预测模型,并对各分量进行滚动预测,经叠加各分量预测值,得到边坡变形最终预测结果。以某露天矿边坡变形实际监测数据为例,进行多模型对比分析。结果表明:LMD-BA-ELM模型预测的平均绝对误差为0.151 0 mm,平均相对误差为1.287 3%,运行时间为7.614 3 s;能够充分挖掘边坡变形的内部规律,有效降低其非线性特征。

基于FastICA-BA-ELM的瓦斯涌出量预测管理研究

为有效分析和准确预测工作面绝对瓦斯涌出量,基于快速独立分量分析(FastICA)和改进的极限向量机(BA-ELM)基本原理,建立FastICA-BA-ELM多尺度时变预测模型进行工作面瓦斯涌出量的预测。利用FastICA对瓦斯涌出量时变序列进行多层深度分解,获取相互独立的多尺度分量;对各分量运用BA-ELM模型进行预测;等权叠加各预测值重构模型预测结果。以屯兰矿12507回采工作面瓦斯涌出量监测样本为例进行分析研究,结果表明:监测数据自身携带诱使瓦斯涌出量变化的大量信息,FastICA-BA-ELM模型能有效反映出监测数据间的本质结构,进一步凸显瓦斯涌出量的非平稳特征;模型预测的平均相对误差为1.577%,平均绝对误差为0.1124m^3/min,均方根误差为0.1244m^3/min,较其他模型,其预测精度和稳定性显著提高。为煤矿瓦斯完全管理工作提供了良好的理论与技术支撑。

灰色特征加权ELM在构造深度预测中的应用

路面构造深度是沥青路面质量控制的主要指标之一。极限学习向量机(extreme learning machine,简称ELM)是一种快速的前向神经网络学习算法,具有学习速度快、泛化性能好的优点。文章以沥青路面中的细度模数、最大粒径、沥青质量分数和4.75mm筛孔通过率作为模型输入参数,通过灰色特征加权ELM对模型参数数据进行预处理,以减小训练样本本身存在的孤立点和噪音对预测结果的影响,再代入ELM预测模型进行路面构造深度的预测。仿真结果表明:路面构造深度影响因素的大小排序为:最大粒径>沥青质量分数>细度模数>4.75mm筛孔通过率;灰色特征加权ELM比传统ELM具有更好的预测能力,该方法可作为道路工程领域应用的一种新方法。