公共文化服务平台

共 8 条记录，以下是 1-8

全选清除导出

排序方式：

PCA-GA-SVM的回采工作面瓦斯涌出量预测被引量：13: 2015年; 为预测回采工作面瓦斯涌出量,采用主成分分析(PCA)与遗传算法(GA)优化支持向量机(SVM)相耦合的方法,在样本数据的筛选上汲取主成分分析数据降维的优点,使选择的数据样本简洁且更具代表性;充分利用支持向量机训练速度快、能够获得全局最优解且具有良好泛华性能的特点,将遗传算法与其相结合,寻找最优的惩罚参数c和核函数参数g;建立基于PCA-GA-SVM的回采工作面瓦斯涌出量预测模型,并在实际中得到成功应用.研究结果表明:该预测模型预测的最大相对误差为16.15%,最小相对误差为2.43%,平均相对误差为13.25%,相比其他预测模型有更强的泛化能力和更高的预测精度.; 张强贾宝山董晓雷李宗翔; 关键词：主成分分析瓦斯涌出量数据降维回采工作面

粗糙集-改进神经网络落煤瓦斯涌出量预测被引量：7: 2014年; 为对井下落煤瓦斯涌出量进行预测,采用粗糙集与改进神经网络相结合的方法,在样本数据的筛选上吸取粗糙集数据约简的优点,使选择的数据样本简洁且更具代表性;充分利用BP神经网络的非线性拟合能力,将遗传算法与其相结合,避免BP网络陷入局部最优.利用编写的程序确定隐含层节点数,相比以往经验公式取值更具优势.最后在任家庄煤矿成功应用.研究结果表明:利用粗糙集与改进神经网络相结合模型进行预测,结果准确可靠,克服了以往BP模型的不足.该模型对井下落煤瓦斯涌出量预测具有一定参考价值.; 董晓雷贾进章樊程程赫祥林; 关键词：粗糙集数据约简涌出量

PCA-GA-ELM煤矿瓦斯涌出量预测被引量：11: 2015年; 为对井下瓦斯涌出量进行预测,采用主成分分析与改进极限学习机相结合的方法,在样本数据的筛选上吸取主成分分析数据降维的优点;充分利用极限学习机训练速度快、能够获得全局最优解且具有良好的泛华性能的特点,将遗传算法与其相结合,选择最优的输入权值矩阵和隐含层偏差,避免随机产生所造成的误差.利用编写程序确定隐含层神经元个数,比依靠经验更为准确,在实际中得到成功应用.研究结果表明:运用PCA-GA-ELM预测模型最大相对误差为19.58%,最小相对误差为0.8%,平均相对误差为6.0551%.从预测模拟结果可以看出,利用主成分分析与改进极限学习机相结合模型进行预测,结果准确可靠,克服了以往模型的不足.; 洪林赫祥林董晓雷杨志博; 关键词：矿业安全涌出量数据降维

基于GA-SVM的煤层瓦斯涌出里量预测技术研究: 为了对煤层瓦斯涌出量进行预测,提出将支持向量机(SVM)与遗传算法(GA)相耦合。利用GA寻找SVM最优的惩罚参数c和核函数参数g,并结合SVM具有训练速度快且具有良好泛华性能的特点,建立基于GA-SVM的煤层瓦斯涌出量...; 董晓雷; 关键词：安全工程支持向量机瓦斯涌出量遗传算法神经网络; 文献传递

基于模糊综合评价-集值统计法的煤矿外因火灾危险性分析被引量：18: 2015年; 在煤矿火灾事故中,内因火灾的发生率远高于外因火灾,因此大多安全评价是针对煤矿内因火灾的评价,对于外因火灾的评价相对较少;但外因火灾造成的后果远高于内因火灾,做好外因火灾的安全评价同样重要。采用2级模糊综合评价与集值统计法相结合的模型对煤矿外因火灾进行评价,建立煤矿外因火灾的安全评价指标体系,采用集值统计法确定评价指标的权重,并对得出的权重进行可靠性分析,用加权平均模型确定外因火灾危险性总的相对隶属度,求出模糊特征向量,根据总得分确定外因火灾的危险性等级,并将其应用于实际,与传统的计算方法相对比。; 贾进章董晓雷; 关键词：安全工程集值统计外因火灾可靠性分析

基于SVM耦合遗传算法的回采工作面瓦斯涌出量预测被引量：25: 2016年; 为了对回采工作面瓦斯涌出量进行预测,提出将支持向量机(SVM)与遗传算法(GA)相耦合。利用GA寻找SVM最优的惩罚参数c和核函数参数g,并结合SVM训练速度快且具有良好泛化性能的特点,建立了基于SVM耦合遗传算法的回采工作面瓦斯涌出量预测模型。煤层深度、煤层厚度、煤层倾角、开采层原始瓦斯量、煤层间距、采高、临近层瓦斯含量、临近层厚度、层间岩性、工作面长度、推进速度、采出率、日产量对瓦斯涌出量的影响是复杂的、非线性的,因而将其作为预测的影响参数。将瓦斯涌出量作为目标参数。分别将影响参数和目标参数作为GA-SVM的输入值和输出值进行训练,训练后的预测输出和期望输出之间的误差绝对值作为GA的适应度函数值进行参数优化。结果表明,该预测模型预测的最大相对误差为5.878 2%,最小相对误差为0.923 0%,平均相对误差为2.180 9%,相比耦合前及其他预测模型有更强的泛化能力和更高的预测精度。; 董晓雷贾进章白洋樊程程; 关键词：瓦斯涌出量遗传算法适应度函数

基于GA-SVM的煤层瓦斯涌出量预测技术研究: 为了对煤层瓦斯涌出量进行预测，提出将支持向量机（SVM）与遗传算法(GA)相耦合。利用GA寻找SVM最优的惩罚参数c和核函数参数g，并结合SVM具有训练速度快且具有良好泛华性能的特点，建立基于GA-SVM的煤层瓦斯涌出量...; 董晓雷; 关键词：煤矿开采支持向量机瓦斯涌出量; 文献传递

基于RS-GA-ELM的矿井瓦斯涌出量预测: 2014年; 为了对煤矿井下瓦斯涌出量进行预测,采用粗糙集与改进极限学习机相结合的方法,在样本数据的筛选上吸取粗糙集数据约简的优点,充分利用极限学习机训练速度快、具有良好泛化性能的特点,并结合遗传算法选择最优的输入权值矩阵和隐含层偏差,避免随机产生所造成的误差。利用编写程序确定隐含层神经元个数,比依靠经验更为准确。在实际应用中选取煤层瓦斯含量、煤层埋藏深度、煤层厚度、煤层间距、工作面日产量五个因素作为预测的影响参数。研究结果表明:该预测模型预测的最大相对误差为5.6871%,最小相对误差为0,平均相对误差为2.5827%,相比改进前的预测模型具有更强的泛化能力和更高的预测精度。; 侯东毅董晓雷; 关键词：极限学习机瓦斯涌出量数据约简

全选清除导出

共1页<1>

董晓雷