基于改进GS-SVM的煤炭生产成本预测

原煤生产成本同时受到多种因素的共同影响,导致原煤生产成本系统具有非线性、多维性等特点。为了对原煤生产成本进行更加科学、准确的预测,针对目前我国原煤生产成本预测中存在的问题,将支持向量机(SVM)引入到原煤生产成本预测中。为快速准确地选取支持向量机参数,在传统网格搜索(GS)算法基础之上提出了一种改进网格搜索算法,并建立了一种基于改进GS-SVM的煤炭生产成本预测模型。将该模型用于观台煤矿原煤生产成本预测中,模型预测误差均在5%以下,平均误差3.3673%,预测精度高于多元回归分析,而模型训练时间也远低于传统网格搜索算法和启发(粒子群)算法,能够满足实际原煤成本预测需求。     

煤层底板突水危险性的ReliefF-IGS-SVM预测模型及应用

为了准确、快速地预测煤层底板突水危险性,针对如何合理有效地选取煤层底板突水影响因素以及如何快速、有效地确定支持向量机相关参数等问题,提出一种ReliefF-IGS-SVM模型。以20组煤矿底板突水数据为实验样本,选取底板含水层水压等6个变量作为煤层底板突水影响因素,建立煤层底板突水预测的ReliefF-IGS-SVM模型。利用该模型对良庄51302工作面等9个煤矿的底板突水情况进行实际预测,结果与实际完全相符,而利用单一GSSVM模型预测时出现一处误判,验证了所提出模型的有效性和可靠性。     

基于证据推理的故障预报模型

为处理存在定量与定性不确定性信息的非线性复杂系统故障预报问题,建立了基于证据推理(evidential reasoning,ER)的故障预报模型,提出了ER预测模型的参数优化方法.该模型利用ER算法可以处理精确数据、不完整数据、模糊数据的能力,及其非线性融合的特性,对模型的输入信号,通过信息变换技术转化到信度结构框架下,应用解析ER算法对输入信息融合,根据输出数据的类型,构造相应的预测输出,给出了故障识别方法.针对ER预测模型参数难以精确的主观确定的困难,建立了非线性优化模型,对模型参数进行优化学习,获取最优模型参数.通过实验对ER预测模型的性能进行了分析,结果表明,建立的预测模型和参数优化模型可以有效的处理故障预报问题.     

基于改进型支持向量回归的都市圈货运量预测研究

针对都市圈货运量影响因素众多、样本量小、信息冗余的特点,用主成分分析法构造条件属性,用反双曲正弦函数处理货运量构造决策属性,进而将条件属性和决策属性作为新的空间样本输入量,构建改进型支持向量回归模型来进行训练和预测。然后,以重庆都市圈货运量为实例进行验证,并同多种经典预测模型进行对比实验分析。分析结果表明:用预处理后重新构造的空间样本作为输入量构建的支持向量回归机预测模型不仅能对都市圈货运量进行有效预测,而且预测精度很高。     

基于云理论的径流不确定性推理模型研究

针对中长期径流预报中存在许多不确定性因素,本文引入云理论构建径流预报的不确定性推理模型（UR）.首先,该模型应用最大方差方法（MaxVar）对径流序列进行硬性分级,用级别概念表示径流分级区间,以期望（Ex）、熵（En）以及超熵（He）构成的云隶属函数描述径流级别概念的模糊性和随机性,实现分级区间软化,然后将径流量值进行属性转化,以此建立定性推理规则集,运用云算法进行径流不确定推理预报,成功实现径流序列不确定性传递;其次,对径流分级过程中超熵（He）参数确定进行了初探,对推理随机性输出结果进行统计分析,给出相应显著水平下的预报区间;最后,将该模型应用于南方某水库入库月径流预报中,并与广泛应用的最小二乘支持向量机（LSSVM）和ARMA模型进行比较分析,本文模型不仅具有较高的预报精度,而且能够进行区间预报,实例验证说明了模型的有效性和实用性.     

支持向量机在围岩变形监测中的应用

根据支特向量机优越的非线性拟合性能,建立变形量的时间序列预测模型,滚动预测围岩变形量,提高了预测模型的训练速度和预测推广能力。该方法用于西乡-固戍盾构段围岩变形预测,并与BP神经网络预测进行比较。结果表明这种模型可预测区间较长且具有较高的准确度,能够科学地指导现场施工和监测。     

基于PCA-KFDA的煤矿火区启封复燃预测

为准确、快速地对煤矿火区启封是否复燃进行预测,针对煤矿火区启封复燃参数之间信息重叠和非线性的问题,提出一种PCA-KFDA煤矿火区启封复燃预测方法。结合我国典型矿井火区启封实例,选取煤自燃倾向、φ(C_2H_2)、φ(CO)、φ(CO_2)、φ(C_2H_4)和φ(O_2)(φ表示气体在空气中的体积分数)作为煤矿火区启封复燃预测的影响因素,建立煤矿火区启封复燃预测的PCA-KFDA模型。利用该模型进行实际预测,预测结果与实际情况完全吻合。而利用Fisher判别模型、神经网络模型、Logistic模型进行预测均出现不同程度的误差,验证了本文提出模型的有效性和准确性。     

基于SVM的旋转机械转子故障预示研究

支持向量机包括支持向量回归机和支持向量分类机.本文提出了一种用于旋转机械转子故障预示的方法,通过支持向量分类机（SVC）对旋转机械转子故障进行分类并建立故障分类器,利用支持向量回归机（SVR）对转子运行状态趋势进行预示,并将预示结果输入到SVC以判断预示结果的属性.对支持向量回归机进行了仿真研究.将支持向量机与神经网络算法从理论和实验研究两个方面进行了对比研究,结果表明,该方法具有较好的故障预示能力.     

基于PCA-EBP神经网络的煤炭物流成本预测

为了科学、准确地对煤炭物流成本进行预测,针对煤炭物流成本影响因素之间存在信息重叠以及BP神经网络对多噪声样本和小样本问题预测结果较差等问题,提出了一种PCA-EBP神经网络模型。将所建立的模型用于内蒙古SH煤炭生产企业煤炭物流成本实际预测。结果表明:模型最大误差为1.748%,最小误差为0.0728%,平均误差为0.972%,均好于径向基神经网络(RBF)和支持向量回归机(SVR),预测精度较高,能够满足煤炭物流成本预测的实际需求,验证了所提出模型的有效性和可靠性。     

基于改进神经网络的厚煤层采煤方法预测模型

针对厚煤层采煤方法选择多目标非线性的问题,在影响因素分析的基础上,建立了预测仿真模型,利用神经网络改进算法训练网络,通过早停的方式解决网络过拟合问题。通过计算机仿真结合现场应用表明,该模型给出了最优方案,可为厚煤层采煤方法的合理选择和工作面主要经济技术指标的预测提供一种新的研究思路,在煤矿开采中具有广阔的应用前景。     

基于果蝇算法的破坏带深度FOA-SVM预计模型

针对底板破坏带的精度问题提出新的预计模型,通过搜集众多矿井的实测数据,应用多元统计分析算法,在支持向量机的基础上建立预计模型。采用果蝇优化算法对预计模型进行优化训练,建立FOA—SVM预计模型。利用实测数据对模型的预计结果进行检验,预计结果准确,比遗传算法模型、粒子群模型的预计结果稳定性更好和精度更高。     

改进果蝇优化算法优化广义回归神经网络的预测问题研究

为提高传统非线性预测模型的预测精度,提出一种基于改进果蝇优化算法优化广义回归神经网络的预测方法,将果蝇群体分两部分分别进行迭代寻优,从而改进了果蝇优化算法的寻优性能,进而避免了在寻优过程中陷入局部最优。该方法利用改进果蝇优化算法优化广义回归神经网络的径向基函数扩展参数,然后用训练好的广义回归神经网络预测模型进行预测,最后通过订单预测算例进行实证研究。实证研究结果显示,该方法在解决订单预测问题中与未改进的果蝇优化算法优化广义回归神经网络和传统的广义回归神经网络方法对比,具有更高的预测精度和更好的非线性拟合能力。     

基于SA-GA-FCM的煤矿组织管理因素安全等级预测研究

为进一步细化和提高煤矿安全管理,运用模糊c-均值聚类算法(FCM)的分类功能对煤矿安全管理的等级进行预测;利用模拟退火算法(SA)、遗传算法(GA)来克服FCM的初值局部搜索问题,使之能够快速收敛到全局最优解。结果表明,SA-GA-FCM具有较高精度,能够较好地对煤矿组织管理因素的安全等级进行预测,对煤矿的安全管理具有较强的指导意义。     

煤层冲击倾向性试验及数值模拟

冲击地压是一种特殊的矿山动力现象,而冲击倾向性是煤岩体发生冲击地压的内在因素和必要条件.对松树镇煤矿主采煤层进行冲击倾向性试验,对冲击能量指数、弹性能量指数和动态破坏时间三个煤层冲击能量指标进行分析,得出煤层无冲击倾向性.但对开采煤层数值模拟,得出深部煤层顶部最大主应力值、顶板下沉较大,需要实施一定的防治措施.这为该矿防治冲击地压提供了科学依据.     

支持向量机及其在机械故障诊断中的应用研究

针对支持向量机分类算法中模型选择对分类精确性影响很大的问题,结合转子实验台模拟的典型旋转机械故障数据对影响多故障分类器分类性能的相关因素进行了研究。结果表明,在少量时域故障数据样本条件下,选用不同的核函数及核函数参数对多故障分类器的分类精度有一定影响,为实际工程应用中选择合适的支持向量机核函数类型及其参数提供一定的帮助.     

坚硬顶板深孔爆破卸压技术及其模拟优化

工作面回采过高冲击危险区时,采用深孔爆破技术,提前释放坚硬顸板内储存的弹性能,可以降低冲击危险,能有效地避免冲击地压灾害发生。以济三煤矿6303工作面实际地质情况为研究背景,从岩石爆破机理出发,计算出合理的钻孔间距;利用Ansys有限元非线性动力学软件,对不同爆破孔间距深孔预爆破方案和爆破效果进行爆破效果模拟,分析了爆破应力波传播规律和裂纹扩展情况,找出最优爆破参数。     

基于K-CV&SVM的工作面煤层瓦斯含量预测

为进一步提高工作面煤层瓦斯含量预测的准确性,将交叉验证方法(K-CV)和支持向量机(SVM)相结合,建立预测模型。该模型在SVM的基础上采用交叉验证的思想,寻找最佳参数cg,最大限度地消除由于个别样本的较大误差对预测模型的影响,提高预测模型的准确性。选取告成矿工作面煤层钻孔的实测数据进行实例分析,结果表明:该模型较单一SVM预测精度高,能有效预测工作面煤层瓦斯含量。     

基于支持向量机回归与分源预测法的瓦斯涌出量预测模型及其应用

针对目前瓦斯涌出量预测模型存在的局限性及精度低等问题,应用分源预测和支持向量机(SVM)的基本原理,将SVM回归与分源预测法相结合,并利用SVM对回采工作面的瓦斯涌出量进行回归分析和数值模拟,建立了SVM分源预测的数学模型,提出了SVM分源预测的新方法。数值实验表明,将训练成功的SVM模型对现场数据进行回归预测并对比预测结果与实际值发现,SVM比BP神经网络预测精度更高,训练样本期望输出与实际值的最大相对误差为1.45%,小于实际要求的5%,准确率较高,预测风险低,可以满足实际要求。     

边坡失稳时间预报的协同-分岔模型及其应用

基于单状态变量摩擦定律, 把协同学和分岔理论联系起来, 建立了边坡失稳时间预报的协同-分岔非线性理论模型. 该模型体现了边坡在演化过程中各个因素之间的协同作用及分岔现象, 并可对滑坡的发生时间进行预报. 通过对新滩滑坡的预报, 证明该方法精度较高.     

基于改进粒子群-GRNN模型的地铁隧道沉降预测

为了实现地铁隧道沉降的准确预测,针对传统方法和常用智能方法预测精度不高、适用性不强等问题,建立基于改进粒子群和广义回归神经网络的隧道沉降预测模型。模型引入随机变异因子以克服粒子群算法早熟收敛和后期搜索效率不高的缺陷。通过与GRNN、普通PSO-GRNN和PSO-BP模型进行对比,验证了改进算法的有效性和所建模型的优越性。以长沙地铁隧道为例进行沉降预测发现:预测值与实测值相差1.04 mm,相对误差为4.05%,预测精度高,满足工程需要。