基于时空序列选择性集成的瓦斯浓度预测方法研究

基于时空序列选择性集成的瓦斯浓度预测方法研究

ID:35066001

大小:3.33 MB

页数:73页

时间:2019-03-17

基于时空序列选择性集成的瓦斯浓度预测方法研究_第1页
基于时空序列选择性集成的瓦斯浓度预测方法研究_第2页
基于时空序列选择性集成的瓦斯浓度预测方法研究_第3页
基于时空序列选择性集成的瓦斯浓度预测方法研究_第4页
基于时空序列选择性集成的瓦斯浓度预测方法研究_第5页
资源描述:

《基于时空序列选择性集成的瓦斯浓度预测方法研究》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、硕士学位论文基于时空序列选择性集成的瓦斯浓度预测方法研究TheResearchofGasConcentrationPredictionMethodBasedontheSelectiveIntegrationofSpace-timeSeries作者:张晓晓导师:钱建生教授中国矿业大学二○一六年五月中图分类号TP391.4学校代码10290UDC密级公开中国矿业大学硕士学位论文基于时空序列选择性集成的瓦斯浓度预测方法研究TheResearchofGasConcentrationPredictionMethodBasedontheSel

2、ectiveIntegrationofSpace-timeSeries作者张晓晓导师钱建生教授申请学位工学硕士培养单位信电学院学科专业信息与通信工程研究方向信息处理答辩委员会主席华钢评阅人二○一六年五月论文审阅认定书研究生张晓晓在规定的学习年限内,按照研究生培养方案的要求,完成了研究生课程的学习,成绩合格;在我的指导下完成本学位论文,经审阅,论文中的观点、数据、表述和结构为我所认同,论文撰写格式符合学校的相关规定,同意将本论文作为学位申请论文送专家评审。导师签字:年月日致谢时光飞逝,初到矿大的情景还历历在目,现在却要毕业了,感慨颇

3、多。三年时间似乎很短,以至于不想离去。在这里,我收获了友情和爱情,让我感受到家的温暖,从未孤单;在这里,见证了我从天真、莽撞到成熟、稳重的蜕变;在这里,我由一个本科生变成一个硕士研究生,不只对专业知识有了更为深刻的理解,还学会了如何为人处世,使我能够更好的适应社会。研究生毕业也意味着我学校生活的结束,但这不是我学生生涯的终点。在以后的工作中,我会更加努力学习,努力工作,不让大家失望。感谢我的父母,在这三年里对我的关心与支持。三年里不仅给我提供经济支持,还像朋友一样,给我精神上的帮助,让我可以安心无压力的读书。正是因为他们的无私奉献

4、,才有现在快乐幸福的我。忠心感谢导师钱建生教授三年里对我的关心、支持与细心教诲。钱老师丰富的阅历以及对科技前沿敏锐的洞察能力,潜移默化的影响着我,让我收益颇丰。钱老师不仅在学术上给予我耐心指导,在实践环节更是给我提供了良好的平台,给了我很多理论付诸于实践的机会,为我以后工作打下了坚实的基础。感谢郭星歌老师三年甚至三年半时间的教诲,从来矿大的那一刻起,郭老师可谓是亦师亦友,不仅在学业上给予了很多指导,在生活等其他方面也给了我很多帮助。感谢吴响师兄的无私帮助,不管是再忙,都耐心解答我的疑问,有了他的帮助,我的论文才得以顺利的完成。感谢

5、已经毕业的吴娇娇师姐的帮助,更加感谢实验室陈艳霞、周琳琳、蔡浩、徐珂珂、施加卫的支持和帮助,感谢他们陪我一起走过这三年。感谢我的舍友,徐欣、左康薇、刘璐、韩稳、周琳琳、陈宇阳,谢谢她们的陪伴!感谢其他帮助过我师弟、师妹和好朋友,谢谢!最后,衷心感谢为评阅本论文而在辛勤忙碌的各位专家和学者,他们所提的宝贵意见和诚恳批评使我受益匪浅。摘要瓦斯灾害是煤矿安全生产中最常出现的灾害之一。目前,我国瓦斯事故总量较大,而且伤亡严重、经济损失大。因此,提高瓦斯浓度预测精度对有效避免瓦斯灾害的发生具有重要意义。本文从时空角度出发,挖掘时空序列数据特

6、性,研究时空序列模型的建模方法。基于时空建模思想,以传统神经网络为基础,通过引入时间和空间延迟算子,构建了时空神经网络模型;在学习算法方面,对极限学习机(ELM)算法进行扩展,得到时空神经网络的学习算法(STELM)。由于该时空神经网络模型将空间关联性作为输入权重,使得学习算法仅需要确定时间延迟算子边界值和空间延迟算子边界值两个参数,从而简化了时空建模的复杂性。为进一步提高预测性能,引入选择性集成学习方法,利用L1范数正则化稀疏加权集成多个STELM学习器,给出了正则化约束下的STELM建模方法(SERSTELM),并将其应用于瓦

7、斯浓度预测研究中。结合实际煤矿瓦斯浓度监测数据,设计了基于SERSTELM的瓦斯浓度预测方案,包括:数据采集、数据预处理、基模型的生成、模型选择以及瓦斯预测五个步骤。最后,将STELM学习算法与BP、SVM、ELM算法进行仿真实验及对比分析,结果表明STELM具有更高的预测精度;将采用STELM为基模型的选择性集成模型SERSTELM与ELM、STELM、SERELM模型进行仿真实验及对比分析,结果表明本文设计的SERSTELM模型具有更好的预测性能。该论文有图20幅,表7个,参考文献98篇。关键词:时空神经网络;SERSTELM

8、算法;选择性集成;正则化;瓦斯浓度预测IAbstractGasdisasterisoneofthemostcommonhiddendangersincoalminesafetyproductionprocess.Atpresent,thetotal

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。