煤矿瓦斯涌出量动态预测的PCA-MFOA-GRNN模型及应用

针对煤矿瓦斯涌出受许多因素的影响,为了克服瓦斯涌出中存在的复杂的非线性关系,从而实现稳定、可靠、精确的对煤矿综采工作面瓦斯涌出量进行动态预测,提出了主成分分析法(PCA)结合改进的果蝇算法(MFOA)优化GRNN的绝对瓦斯涌出量的预测手段。运用PCA算法对原始输入数据降维;并且对果蝇算法中的Si函数增加一个跳脱参数B,避免局部最优因子对预测模型的干扰;将MFOA算法对GRNN的平滑因子σ进行优化;将PCA结果作为模型的输入,建立了PCA-MFOAGRNN算法的回采工作面瓦斯涌出量动态预测模型,结合实际矿井瓦斯涌出量监测的相关数据检验该模型,并将该模型的预测结果与未修正的FOA-GRNN算法、CIPSO-ENN算法、BP神经网络预测、Elman网络预测结果进行对比,结果表明:该预测模型对GRNN的参数优化后得到的预测模型较其他预测模型有更强的泛化能力和更高的预测精度。

基于MFOA-SVR露天矿边坡变形量预测研究

为实现边坡危险性及时预警预报,以露天矿边坡变形量为研究对象,提出采用七项影响指标作为边坡位移变形量的响应参数,建立支持向量机回归预测模型(SVR)。引入修正的果蝇优化算法(MFOA)对模型参数进行优化,构建基于MFOA-SVR露天矿边坡变形量协同预测模型,并以实际监测数据进行模型仿真预测。结果表明:该模型平均绝对误差为0.9167mm,平均相对误差为4.2737%,较其他模型预测精度高,综合性能好,将其运用于露天矿边坡变形量预测研究具有较好的适用性和可靠性。

MFOA-SVM在采煤工作面瓦斯涌出量预测中的应用

针对新安煤矿采煤工作面瓦斯涌出量系统时变非线性特点,建立改进果蝇算法(MFOA)支持向量机(SVM)预测模型。利用FOA具有运算简单、收敛速度快、寻优精度高等优势来优化SVM核函数参数g、惩罚因子c和不敏感损失函数ε,但FOA也存在可能陷入局部最优的不稳定缺陷,则嵌入三维搜索、混沌优化、自适应变步长和最优保留策略进行改进,并利用Rosenbrock测试函数和采煤工作面瓦斯涌出量历史数据进行试验分析,结果表明:该模型预测平均相对误差为2.16%,比其他预测模型具有更高的预测精度、更快的收敛速度、更强的泛化能力,具有一定的实际应用价值。

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MFOA的锅炉热效率及NO_X排放建模与优化

为达到提高锅炉热效率同时减少NO_X排放的目标,提出一种改进果蝇算法(MFOA)优化支持向量机(SVM)锅炉建模方法。针对果蝇(FOA)算法寻优精度低、收敛速度慢的问题,使用三维搜索及自适应变步长的策略改进果蝇算法,并完成对SVM中的惩罚因子C、核参数g和不敏感损失系数ε,这三个参数寻优,使支持向量机对锅炉燃烧预测更加准确。根据不同时间段的样本数据来检验MFOA-SVM模型的预测能力,仿真结果表明,改进的果蝇算法具有较强的参数寻优能力。另外以所建燃烧模型为基础,使用MFOA算法对锅炉进行单目标优和多目标优化,优化结果表明,所提出的燃烧优化方案可以有效提高锅炉效率和降低NO_X排放量。

基于MFOA-GRNN模型的三维定位研究

由于传统室内定位模型容易受到外界因素影响导致定位精度大幅下降,提出一种将多种群果蝇优化算法(Multi-population Fruit Fly Optimization Algorithm,MFOA)与广义回归神经网络(Generalized Regression Neural Network,GRNN)相结合的MFOA-GRNN三维室内定位模型。基于射频识别技术并引入多种群的果蝇优化算法用以选择GRNN的平滑参数,并通过MFOA-GRNN模型将阅读器接收信号强度与目标坐标进行对应进而判断目标位置。仿真结果表明,该模型克服了传统室内定位模型受主观因素影响大、学习效率低等不足,同时使算法的全局寻优能力得到了加强,定位精度显著提高。

基于ICEEMDAN能量矩和MFOA-PNN的轴承故障诊断

为了提高滚动轴承故障诊断的准确性,实现对故障的精准定位,提出一种基于改进的自适应噪声的完备集成经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)能量矩和修正型果蝇优化算法-概率神经网络(Modified Fruit Fly Optimization Algorithm-Probabilistic Neural Network,MFOA-PNN)的轴承故障诊断方法。首先利用ICEEMDAN算法对滚动轴承原始序列信号进行预处理,通过能量矩计算公式求取特征值,并将其作为PNN模型的输入;其次运用MFOA搜索PNN模型的最优平滑参数,通过建立MFOA-PNN模型诊断故障类别。实验表明,MFOA-PNN模型相比PNN模型的诊断准确性有所提高,准确率可以达到99.50%,提高了滚动轴承的经济性和安全性。

耦合神经网络在瓦斯涌出量动态预测中的应用

为了更有效、准确地对煤矿瓦斯涌出量进行预测,保障煤矿生产安全,提出了一种基于改进果蝇算法(MFOA)优化Elman神经网络(ENN)的智能动态预测方法.首先,利用主成分分析法(PCA)对煤矿瓦斯涌出量监测数据进行降维处理;其次,引入果蝇算法以改进的自适应搜索步长进行搜索,以此实现对ENN网络参数的全局寻优,从而建立基于MFOA-ENN的煤矿瓦斯涌出量动态预测模型,并对预测效果进行了验证.实验结果表明:MFOA-ENN模型的平均相对变动值为0.003 7、均方根误差为0.102 6、平均相对误差为1.499%,相比于RBF模型、Elman神经网络模型、SOM-RBF模型以及FOA-ENN模型在煤矿瓦斯涌出量预测控制方面具有更好适应性、精度及泛化能力.

最小二乘支持向量机联合改进果蝇优化算法的CFB锅炉燃烧优化

针对电厂循环流化床(CFB)锅炉降低污染物排放和提高锅炉燃烧效率的问题,本文首先应用最小二乘支持向量机(LS-SVM)建立了锅炉效率、NO_x和SO_2排放特性的软测量模型,并对比了LS-SVM和BP神经网络模型的性能;然后基于LS-SVM建立的模型,提出了3种优化策略,采用改进果蝇优化算法(MFOA)在一定范围内对CFB锅炉运行工况的可调参数进行优化。结果表明:LS-SVM模型与BP神经网络模型相比,训练时间较短,预测精度较高,泛化能力较强;CFB锅炉效率最多提高了0.61%,NO_x和SO_2排放质量浓度最多降低了7.88%和18.13%。

回采工作面瓦斯涌出量耦合预测模型研究

为准确、快速地预测回采工作面瓦斯涌出量,提出一种基于主成分分析法(PCA)和改进的果蝇算法(MFOA)优化支持向量机(SVM)的回采工作面绝对瓦斯涌出量预测模型。模型首先运用PCA方法对原始数据进行降维处理,消除数据冗余,而后采用改进的果蝇算法对SVM参数进行全局寻优,避免SVM参数的选取对模型预测结果的不利影响,最终建立基于PCA-MFOA-SVM的耦合预测模型,并以实际监测数据为例进行仿真预测。结果表明:该模型预测的平均绝对误差为0.077 5 m3/t,平均相对误差为1.323 7%,与其他模型相比,预测精度高,综合性能好,能够实现回采工作面瓦斯涌出量的动态预测。

基于波导模理论与果蝇算法的雷电甚低频定位研究

雷电定位算法直接影响着雷电定位的结果。针对传统雷电定位算法易发散、迭代次数多、定位精度低的情况,基于波导模理论,提出了一种基于波导模理论与果蝇算法(Modified Fruit Fly Optimization Algorithm,MFOA)的雷电甚低频定位研究技术。在探测站与雷电位置距离较远的时候,采用甚低频电磁波在空气中传播的相速、群速,修正算法中的光速,更接近电磁波在空气中传播的真实速度,提高定位的精确度。通过仿真的结果表明,该方法能快速收敛、跳出局部最优,定位精度高。