中国矿业大学信息与控制工程学院
纸质出版:2023
移动端阅览
唐守锋, 史可, 张晔. 基于LLE-FOA-SVR模型的煤矿突水预测[J]. 传感器与微系统, 2023,(4):148-151.
唐守锋, 史可, 张晔. 基于LLE-FOA-SVR模型的煤矿突水预测[J]. 传感器与微系统, 2023,(4):148-151. DOI: 10.13873/J.1000-9787(2023)04-0148-04.
DOI:
针对煤矿突水预测精度低、训练速度慢的问题,提出基于局部线性嵌入(LLE)—果蝇优化算法(FOA)—支持向量回归(SVR)的煤矿突水预测模型。首先,利用LLE在非线性数据特征提取方面的优势,提取煤矿突水影响因素原始数据的本质特征,形成重构因子,减少数据间的冗余信息和噪声。然后,利用FOA对SVR的参数进行迭代优化,并将最优参数代入SVR中,以解决传统SVR参数优化困难的问题。最后,结合实例并将LLE-FOA-SVR模型的预测结果与反向传播(BP)、SVR、LLE-SVR模型的预测结果进行对比。实验结果表明:该模型的预测精度高于其他3种模型,预测精度可达90%
且建模时间和运算时间更短。
基于PSO-SVM的电流放大器故障诊断研究[J]. 刘冬梅;霍龙龙;王浩然;刘志强;常加峰;刘良成.传感器与微系统,2021(08)
基于多通道输入CNN-SVM的齿轮箱故障诊断[J]. 卢占标;黄细霞;姬克;鲍佳松.传感器与微系统,2021(06)
榆神矿区煤矿防治水的几点思考[J]. 范立民;孙魁;李成;宁奎斌;冀瑞君.煤田地质与勘探,2021(01)
结合复小波域去噪和PSO-TSVM的群体异常行为检测[J]. 胡根生;吴玉林;梁栋.传感器与微系统,2020(05)
基于混合特征LLE融合与SVM的质量异常模式识别[J]. 梁晓莹;田光杰.组合机床与自动化加工技术,2020(03)
基于机器学习的煤矿突水预测方法[J]. 童柔;谢天保.计算机系统应用,2019(12)
基于FOA-SVR模型的矿井底板突水量预测应用研究[J]. 刘梦杰;朱希安;王占刚.中国矿业,2019(05)
基于PSO_SVM_AdaBoost的煤层底板突水预测研究[J]. 温廷新;于凤娥.计算机应用研究,2018(12)
我国煤矿主要灾害事故特点及防治对策[J]. 丁百川.煤炭科学技术,2017(05)
主成分logistic回归分析在底板突水预测中的应用[J]. 刘伟韬;廖尚辉;刘士亮;刘欢.辽宁工程技术大学学报(自然科学版),2015(08)
改进的CART算法在煤层底板突水预测中的应用[J]. 杜春蕾;张雪英;李凤莲.工矿自动化,2014(12)
基于PCA—ELM的煤矿突水预测方法研究[J]. 李培;陈颖;马小平;于得祥.工矿自动化,2013(09)
基于PCA-SVR的煤层底板突水量预测[J]. 刘北战;梁冰.煤田地质与勘探,2011(01)
“脆弱性指数法”在赵各庄矿底板突水评价中的应用[J]. 武强;杨柳;朱斌;李建民;洪益清;刘伯;戚春前;赵文德;马荣.中国煤炭地质,2009(06)
煤层底板突水预报人工神经网络系统的研究[J]. 靳德武,陈健鹏,王延福,曾艳京,王晓明,周崇军,郑纲.西安科技学院学报,2000(03)
用突水概率指数法预测采场底板突水[J]. 施龙青,韩进,宋扬,张伯平,张希平,卜昌森.中国矿业大学学报,1999(05)
A new Fruit Fly Optimization Algorithm: Taking the financial distress model as an example[J]. Pan Wen Tsao.Knowledge-Based Systems,2011
0
浏览量
202
下载量
CSCD
关联资源
相关文章
相关作者
相关机构