基于粒子群支持向量机的矿井瓦斯预测与研究

《基于粒子群支持向量机的矿井瓦斯预测与研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、西安科技大学硕士学位论文基于粒子群支持向量机的矿井瓦斯预测与研究专业名称：控制理论与控制工程作者姓名：王璐指导教师：侯媛彬论文题目：基于粒子群支持向量机的矿井瓦斯预测与研究专业：控制理论与控制工程硕士生：王璐(签名)指导教师：侯媛彬(签名)摘要近年来我国的煤矿安全事故虽然有所下降，但同国外相比还是有一定的差距，瓦斯灾害依旧困扰着我国煤矿系统，尤其是瓦斯爆炸和突出事故的发生，严重威胁着井下工作人员的生命安全，对井下设备也极为不利。瓦斯涌出量对于煤矿安全生产的影响是无法忽视的，因此加强对瓦斯涌出量的预测与控制，

2、掌握其瓦斯的涌出规律对加强我国煤矿的安全性有很大的帮助，同时对于提高煤矿生产的质量及效益也具有很大的意义。本文系统的分析了瓦斯涌出量的各种影响因素对涌出大小的影响，得到了几种最主要的影响因素，通过对不同预测方法的分析比较，选择支持向量机预测方法来对瓦斯涌出量的大小进行建模研究。支持向量机参数的选择决定了其学习能力及泛化能力，在多个参数中盲目搜索选择参数花费的时间太大，并且不一定为最优，因此采用粒子群算法来实现对支持向量机模型参数的寻优。粒子群算法具有操作简单，算法搜索效率较高等优点，该算法不要求优化函数连续可微，对各种领域方法的通用

3、性较强，能够更好的解决多变量、非线性等的模型问题。本文提出了基于粒子群优化支持向量机的瓦斯涌出量预测算法，该算法采用粒子群对支持向量机的影响参数进行优化，利用优化后的模型进行预测仿真。采用传感器、单片机和上位机搭建真实的模拟煤矿瓦斯气体采集系统，并将该算法应用于系统的瓦斯浓度预测。仿真及实验测试的结果表明，采用粒子群算法能够高效的找到参数的最优值，根据此最优参数建立的支持向量机模型对于瓦斯涌出量预测问题能够得到有效的结果，该方法可为矿井瓦斯的监测及预测提供一定的理论参考。关键词：瓦斯涌出量；支持向量机；核函数；粒子群算法；井下瓦斯监

4、测系统研究类型：应用研究Subject:PredictionandStudyofCoalMineGasMonitoringBasedonPSO-SVMSpecialty:ControlEngineeringandControltheoryName:WangLu(signature)Instructor:HouYuanbin(signature)ABSTRACTAlthoughthecoalmineaccidentshasdeclinedrecently,therearestillsomegapscomparedwithforeign

5、countriesandgascoalminedisasterstillhauntoursystem,especiallygasexplosionaccidentswhichhighlightaseriousthreattothesafetyofmineworkersaswellasundergroundequipment.Thispapersystematicallyanalyzestheinfluenceofvariousfactorsontheemissionofgasemissionincludingitsvolumeand

6、size,whichareseveralmostimportantfactors,comparesdifferentforecastingmethods,andchoosessupportvectormachinepredictionmethodforgasemissionsizemodelingstudy.LearningabilityandgeneralizationabilityofSVMisdeterminedbyitsparameterselection，parameterselectedinanumberofparame

7、tersintheblindsearchtakestoomuchtime,andnotnecessarilyforthebest,soparticleswarmalgorithmisusedtoachievetheSVMparameteroptimization.PSOalgorithmissimple,andhighlyefficient,andofadvantagetothesearchalgorithm,thealgorithmdoesnotrequiretheoptimizationfunctioncontinuouslyd

8、ifferentiable,thevariousmethodsofuniversalstrongfield.Thisalgorithmisbetterinsolvingmultivariable,nonlinearproblems.A