瓦斯浓度预测的混沌时序RBF神经网络模型

为对煤矿瓦斯质量浓度进行精确预测,针对瓦斯质量浓度的非线性特点,在验证其时间序列具有混沌特性的基础上,建立了基于混沌理论和径向基神经网络的预测模型。将实测瓦斯质量浓度时间序列进行相空间重构得到训练样本,并利用MATLAB仿真软件进行编程预测分析。结果表明,相对误差为0~3%,均方差为0.005 6,预测效果良好。实例验证该预测模型切实可行。     

一种联合优化算法及其在混沌时间序列预测中的应用

为了提高混沌时间序列预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种基于遗传算法的混沌时间序列参数联合优化方法.该方法首先将相空间重构和预测模型参数作为遗传算法的个体,混沌时间序列预测精度作为适应度函数,通过选择、交叉和变异等遗传操作获得最优参数,最后利用混沌时间序列实例对联合优化方法进行验证性测试.实验结果表明:相对于传统参数优化方法,联合优化方法大幅度提高混沌时间序列的预测精度,为混沌时间序列预测提供一种新的思路.     

基于支持向量机的混沌时间序列预测

支持向量机（SVM）是一种基于结构风险最小化原理的学习技术,是一种具有很好泛化性能的回归方法.针对混沌时间序列特点,提出混沌时间序列预测的支持向量机建模的思路、特点及关键参数的选取.对模型进行了实例研究,结果表明该模型能较好地处理混沌时间序列,具有较高的泛化能力和很好的预测精度.     

基于Python的瓦斯浓度ARIMA预测模型构建及其应用

针对矿井瓦斯浓度预测研究现状,提出一种基于Python的瓦斯浓度时间序列预测方法。该方法采集、处理了矿井瓦斯浓度历史数据,形成适用于数据挖掘的平稳时间序列;基于该序列,调用Python自带的ARIMA模块函数,构建瓦斯浓度预测模型;利用建立的预测模型对瓦斯浓度进行预测,并对比分析瓦斯浓度历史数据与预测数据的误差大小,进行模型预测效果评价;最后,利用满足精度要求的预测模型,预测瓦斯浓度变化趋势。以贵州某矿为例,采集2018年3月5日至2018年3月7日的瓦斯数据作为样本数据,并调用Python的ARIMA模块建立预测模型,开展瓦斯浓度预测研究。结果表明,该方法实现了瓦斯浓度预测的可视化,并使瓦斯浓度预测均方根误差低为234%,预测精度较高,可为降低矿井瓦斯事故提供一定的技术支撑。     

船舶电力负荷预测混沌时间序列分析法

为提高船舶电力系统安全稳定性,提出对船舶电力负荷时间序列进行预测.首先分析船舶电力负荷是否为混沌时间序列,利用相空间重构对船舶电力负荷时间序列的最大Lyapunov指数进行了定量计算,由计算结果发现船舶电力负荷具有混沌特性.在此基础上,提出了船舶电力负荷预测模型,该模型将混沌局域预测与灰关联相结合,并将相点间的关联性大小经过加权的方式作用于船舶电力负荷预测模型.实际船舶电力系统的计算分析表明,灰关联加权局域预测模型具有较高的预测精度,是一种有效的用于船舶电力负荷混沌时间序列的预测模型.     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机(SVM)混沌时间序列预测精度的方法.对于模型参数估计,引入混沌粒子群优化算法(CPSO)实现全局寻优,利用支持向量回归实现非线性系统的建模和预测.对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测.     

混沌时间序列及其在能源系统中的应用

混沌经济时间序列的预测方法研究是混沌经济非线性动力系统的重要内容，笔者利用混沌动力学原理，通过混沌时间序列的相空间重构，运用局域预测方法，建立了预测模型，并用其确立的混沌动力学模型对1991年至1999年全国能源的生产、消费时间序列进行了预测，而且把此预测结果与实际值进行了比较，结果证明误差较小，同时还将此预测结果与常规方法建立的预测模型的预测结果相比，结果表明混沌时间序列建立的模型其短期预测效果更好。     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.     

混沌预测在井下瓦斯浓度监测的应用

为了改进矿井瓦斯的实时监测,基于混沌时间序列预测的重构相空间理论,利用瓦斯浓度的时间序列,不直接考虑与瓦斯浓度相关的随机因素,而对瓦斯浓度的历史数据进行分析,建立数学模型(Lyapunov指数模型),并进行预测.实验结果表明:将混沌预测应用到井下瓦斯浓度监测方面是一种切实可行的新思路、新方法,能更有效的保证井下人员和设备的安全.     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机（SVM）混沌时间序列预测精度的方法。对于模型参数估计,引入混沌粒子群优化算法（CPSO）实现全局寻优,利用支持向量回归实现非线性系统的建模和预测。对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测。