基于蚁群粒子群混合算法与LS-SVM瓦斯涌出量预测.pdf

《基于蚁群粒子群混合算法与LS-SVM瓦斯涌出量预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第29卷第3期传感技术学报Vo1．29No．32016年3月CHINESEJOURNALOFSENSORSANDACTUATORSMat．2016PredictionofGasEmissionBasedonHybridAlgorithmofAntColonyParticleSwarmOptimizationandLS—SVMFUHua，YUXiang，LUWanjie(FacultyofElectricalandControlEngineering，LiaoningTechnicalUniversity，HuludaoLiaoning125105，China

2、)Abstract：Inordertopreventgasdisasterseffectivelyandpredictminegasemission，animprovedLS—SVMmodelbasedonantcolonyoptimizationmixingwithparticleswarinoptimizationwaspresented，whichwasusedtopredictnonlineardynamicgasemission．TheregularizationCandtheGaussiankernelparameterorofLS—SVMwer

3、eopti．mizedbythepredictionmodelofgasemissionbasedonhybridalgorithmofantcolonyparticleswarmoptimization．ThemodelwasvalidatedbyusingthehistoricaldatafromZhaogezhuangcoalmineinChina．Theresuhsshowthatboththemaximumandminimumrelativeerrorspredictedbythemodelare1．05％and0．28％respectively．

4、andtheaverageis0．75％．Comparedwithothers，themodelhashighergeneralizationabilityandpredictingprecision．Keywords：gasemission；nonlineardynamicprediction；antcolonyoptimization；particleswarInoptimization；leastsquare—supportvectormachineEEACC：7230doi：10．39690．issn．1004-1699．2016．03．012基于蚁

5、群粒子群混合算法与LS．SVM瓦斯涌出量预测付华，于翔，卢万杰(辽宁工程技术大学电气与控制工程学院，辽宁葫芦岛125105)摘要：为有效预防瓦斯灾害，以预测矿井瓦斯涌出量为研究目的，提出经改进的蚁群(ACO)粒子群(PSO)混合算法优化的最小二乘支持向量机(LS—SVM)，并用其预测非线性动态瓦斯涌出量。算法通过对LS—SVM的正则化参数C和高斯核参数叮进行寻优，建立了基于蚁群粒子群混合算法优化的瓦斯涌出量预测模型，并根据赵各庄矿矿井监测到的各项历史数据进行实例分析。实验结果表明：该预测模型预测的最大相对误差为1．05％，最小相对误差为0．28％，平均相对误

6、差为0．75％。较其他预测模型拥有更强的泛化能力和更高的预测精度。关键词：瓦斯涌出量；非线性动态预测；蚁群算法；粒子群算法；最小二乘支持向量机中图分类号：TP391；TP212文献标识码：A文章编号：lOO4—1699(2016)O3—0373—05瓦斯是影响煤矿安全生产的重要因素之一⋯。着各自的优缺点，例如：神经网络模型需要选择模准确预测瓦斯的涌出量，提前采取有效的防治手段型和参数，存在收敛速度慢等缺点；灰色理论预测是预防煤矿瓦斯灾害的关键所在旺。至今为止，国法当原始数据序列波动较大且信息过于分散时，其内外学者已经研究过多种煤矿瓦斯量涌出的预测预测精度将会

7、降低；聚类分析法中隶属度的确定受方法。目前所使用的瓦斯量涌出预测方法有：矿山人为因素影响较大等问题。且上述各种方法都不统计法、瓦斯地质数学模型法、分源预测法等线性能很好地解决实际问题中普遍存在的变量之间多预测方法b，以及卡尔曼滤波法、神经网络预测重相关性问题。法、灰色系统预测法、主成分回归分析法、聚类基于上述现状，提出了基于蚁群算法ACO(Ant分析法等非线性预测方法。但不同的预测模型有ColonyOptimization)与粒子群算法PSO(Particle项目来源：国家自然科学基金项目(51274118)；辽宁省教育厅基金项目(L2012119)；辽宁省

8、科技攻关项目(2011229011)收稿日期：201