基于P CA和P SO-ELM的煤与瓦斯突出软测量研究.pdf

基于P CA和P SO-ELM的煤与瓦斯突出软测量研究.pdf

ID:51447781

大小:432.87 KB

页数:6页

时间:2020-03-24

基于P CA和P SO-ELM的煤与瓦斯突出软测量研究.pdf_第1页
基于P CA和P SO-ELM的煤与瓦斯突出软测量研究.pdf_第2页
基于P CA和P SO-ELM的煤与瓦斯突出软测量研究.pdf_第3页
基于P CA和P SO-ELM的煤与瓦斯突出软测量研究.pdf_第4页
基于P CA和P SO-ELM的煤与瓦斯突出软测量研究.pdf_第5页
资源描述:

《基于P CA和P SO-ELM的煤与瓦斯突出软测量研究.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27卷第l2期传感技术学报Vo1.27No.122014年l2月CHINESEJOURNALOFSENSORSANDACTUATORSDec.2014ResearchontheSoftSensorofCoalandGasOutburstBasedonPCAandPSO.ELMHua,ⅣGXinrui,ⅣGZhijun。,ⅣGYuhong,Naiwei,Yaosong(1.SchoolofElectricalandControlEngineering,LiaoningTechnicalUniversity,HuludaoLiaoning12

2、5105,China;2.SchoolofInnovation,LiaoningTechnicalUniversity,FuxinLiaoning123000,China)Abstract:Inordertosolvetheproblemsofloweficiencyandaccuracyofthecoalandgasoutburstprediction,inthepaper,primarycomponentanalysis(PCA)combinedwithimprovedextremelearningmachine(PSO-ELM)met

3、hodforpredictionofthecoalandgasoutburstisproposed.Accordingtoacoalminegeologydynamicdivisionmethod,prominentinfluencedrelevantdataisacquiredbythebasicworkofdivisionsofactivefaultsandrockmassstresscalculation.Throughtheprimarycomponentanalyzemethodtoreducethedimensionoftheo

4、riginaldata,eliminatethelinearcorrelationvolume.Usingparticleswarmoptimization(PSO)tooptimizetheinputweightsandhiddenlayerthresholdofextremelearningmachine(ELM),establishPSO-ELMpredictionmodel,treattheextractiveprincipalcomponentsastheinputofthepredictionmodel,theoutbursti

5、ntensityofcoalandgasasthemodeloutput.Theresultsshowthatthemethodhashi【ghaccuracyoftheprediction,simplificationofthemodelstructureandstronggeneralizationperformance.Keywords:coalandgasoutburst;soft-sensor;principlecomponentanalysis;particleswarmoptimization;extremelearningm

6、achineEEACC:7230doi:10.3969/j.issn.1004—1699.2014.12.023基于PCA和PSO—ELM的煤与瓦斯突出软测量研究冰付华,王馨蕊,王志军,王雨虹,屠乃威,徐耀松(1.辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛125105;2.辽宁工程技术大学创新学院,辽宁阜新123000)摘要:针对煤与瓦斯突出预测效率和准确率不高这一问题,提出将主成分分析(PCA)法与改进的极端学习机(PSO.ELM)相结合的方法对煤与瓦斯突出进行预测。根据某煤矿地质动力区划方法,在划分活动断裂,岩体应力计算等工作基础上

7、获取影响突出的相关数据;通过主成分分析法对原始数据进行降维处理,消除变量间的线性相关性;利用粒子群算法(PSO)对极端学习机(ELM)的输人权值和隐层阈值进行优化,建立PSO—ELM预测模型,将提取的主成分作为该模型的输入,煤与瓦斯突出强度作为模型输出。实验结果表明,该方法的预测精度高、结构简化,具有较强的泛化性能力强。关键词:煤与瓦斯突出;软测量;主成分分析;粒子群优化算法;极端学习机中图分类号:TP39;TP183;TP212文献标识码:A文章编号:1004-1699(2014)12-1710一O6煤与瓦斯突出是发生在煤矿井下的特殊动力

8、现科学技术相结合,根据煤矿历史数据进行数学驱动象¨。能在较短时间内向采场空间或巷道喷出大建模。迄今为止,国内诸多专家学者运用数学方法量的碎煤和瓦斯,可埋藏矿工,摧毁巷道设施,造成

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。