基于预处理的IFOA-ELM煤与瓦斯突出预测模型

为快速准确地预测煤与瓦斯突出危险性,提出一种基于预处理的改进果蝇优化算法(IFOA)-极限学习机(ELM)的预测模型。首先预处理平顶山八矿的部分实测数据,采用灰色关联分析(GRA)法与熵权法(EWM)结合的灰色关联熵分析(GREA)法剔除影响程度较小的因素,应用主成分分析法(PCA)进一步约简因素;构建煤与瓦斯突出危险性预测模型,基于果蝇优化算法(FOA),引入自适应步长更新策略及群体适应度方差策略设计IFOA;利用IFOA优选ELM输入层权值及隐含层阈值,对预处理样本数据进行训练、预测并对比其他模型预测效果。结果表明:基于预处理的IFOA-ELM模型预测结果与实际结果完全拟合,预测效果显著优于未预处理的模型;基于预处理的IFOA-ELM模型的分类准确率和召回率均为100%,显著高于其他对比模型。     

基于优化Bagging-LSSVM模型的冲击地压预测

为准确预测冲击地压危险性,提出一种优化Bagging算法动态集成的最小二乘支持向量机(LSSVM)的预测模型。在设计和优化Bagging-LSSVM模型流程的基础上,引入经典分类数据集,验证模型的可行性,并通过试验得出实现模型最优分类条件下的基分类模型数的最小值。综合考虑冲击地压的主要影响因素,确定其评判指标;以重庆砚石台煤矿的35组实测数据为试验样本,利用核主成分分析(KPCA)消除指标间的相关性,对比分析样本数据处理前后应用模型的预测效果;比较优化Bagging-LSSVM模型、优化Bagging-SVM模型和LSSVN模型预测冲击地压危险性的准确率。结果表明:经KPCA处理后的样本相较于原始样本,其应用于优化Bagging-LSSVM模型的预测准确率更高,耗时更少;且优化Bagging-LSSVM模型预测冲击地压危险性的准确率高于其他模型。     

基于GA-ELM的冲击地压危险性预测研究

为提高冲击地压预测的效率和准确率,在分析冲击地压影响因素的基础上,提出了一种将遗传算法(GA)与极限学习机(ELM)相结合的冲击地压预测的新方法。为了避免ELM受输入权值矩阵和隐含层偏差随机性的影响,算法采用GA对ELM的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM冲击地压预测模型。利用某矿冲击地压统计数据对该模型进行了实例分析,将ELM、SVM和BP算法预测结果与该模型进行了对比分析。结果表明:GA-ELM模型具有较高的预测精度,可以相对准确、有效地对冲击地压发生的可能性进行预测。     

基于网格搜索和ELM的冲击地压危险等级预测

为提高冲击地压危险等级预测模型的泛化性能及预测精度,采用网格搜索法结合十折交叉验证法对极限学习机(ELM)中的隐含层神经元个数及激活函数的类型进行组合优化,进而建立冲击地压危险等级预测模型;选取重庆砚石台煤矿36组实测数据进行试验,对影响因素数据进行标准化处理,选择其中26组样本对模型进行训练,采用该模型对后10组样本中冲击地压危险等级进行预测,并与其他方法作对比。结果显示:经过十折交叉验证,用该模型得到的正确识别率为84.615%,高于朴素贝叶斯及Adaboost M1的76.92%、61.54%,采用该模型对测试样本集中冲击地压危险等级进行预测,预测准确率为90%,高于朴素贝叶斯及Adaboost M1预测准确率80%。     

基于CFOA-GRNN的冲击地压危险等级预测

针对冲击地压影响因素模糊、非线性等特性,选用一种混沌果蝇优化算法改进的广义回归神经网络(CFOA-GRNN),通过引入混沌扰动因子,增加网络的参数搜寻能力,建立冲击地压危险等级预测模型。模型选取煤层厚度、埋深等10个主要影响因素。以砚台煤矿的35个样本数据对模型进行学习、训练和预测,并将预测结果与传统预测模型的结果进行比较;同时采用敏感性分析法,评价各主要因素对模型精度的影响。结果表明煤层倾角影响最大,其次为卸压方式。研究表明,所构建的CFOA-GRNN模型正确率为92.8%,明显优于传统预测模型。     

基于NRS-ACPSO-SVM的冲击地压危险性预测模型

为快速、准确地预测冲击地压危险性,提出基于NRS-ACPSO-SVM的冲击地压危险性预测模型。首先,在综合分析冲击地压危险性影响因素的基础上,以重庆砚石台煤矿为例,选取煤层厚度、倾角、埋深等10个影响因素作为冲击地压危险性的特征指标;然后,基于邻域粗糙集(NRS)理论对特征指标进行降维,提取出影响冲击地压危险性的关键属性构成约简集;最后,为避免支持向量机(SVM)模型受惩罚因子C和核函数参数σ随机性影响,采用自适应混沌粒子群算法(ACPSO)优化SVM模型参数,将约简集作为ACPSO-SVM模型的输入进行训练,利用训练好的ACPSO-SVM模型预测样本,并对比其他模型的预测结果。研究表明:NRS能有效地约简属性,简化模型结构,模型预测精度与运行效率均有明显提高;利用ACPSO优化SVM模型能避免结果陷入局部极值,提高收敛速度及预测精度,用该模型可有效地预测冲击地压危险性等级,其预测错误率为0。     

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型*

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补（MICE_SVM）的鲸鱼优化算法（WOA）-极限学习机（ELM）预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE_SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明:MICE_SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE_SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。     

预测冲击地压危险性等级R型因子Fisher判别

为提高小样本预测冲击地压危险性等级精度,提出一种R型因子分析Fisher判别的预测模型。以砚石台煤矿为例,利用R型因子分析处理冲击地压危险性评价指标,提取原有指标特征信息,用少量主因子代替原有评价指标,定性分析冲击地压危险性等级;采用Fisher判别法分析R型因子分析处理结果,确定评价集与不同危险等级冲击地压的距离,并回判训练集,提高判断矩阵精确度;再根据判断矩阵预测冲击地压危险性等级。结果表明:该模型可弱化指标间的相互影响,明显提高小样本预测准确度。     

基于PSO-ELM-Boosting模型的底板破坏深度预测

为准确预测煤层底板采动破坏深度,在分析底板破坏深度主要影响因素的基础上确定评判指标;以经粒子群优化算法(PSO)优化输入权值和隐层阈值的极限学习机(ELM)为基预测器,以Boosting算法为集成学习框架,构建基于PSO-ELM-Boosting的底板破坏深度强预测模型;比较不同ELM隐层节点与基预测器个数组合对模型预测精度的影响,2次筛选确定二者的最优组合,并控制样本权值避免发生"权值扩充"现象;选取64组底板破坏深度实测数据为试验样本,对比分析PSO-ELM-Boosting模型与其他集成学习模型的预测准确率。结果表明:PSO-ELM-Boosting模型具有更好的平均绝对误差百分比(4.54%)、均方误差(0.429 2 m~2)和拟合优度(0.956 5),验证了PSOELM-Boosting模型的有效性。     

煤矿冲击地压预测的PCA-GRNN方法

为更合理有效地解决煤矿开采引起的冲击地压危险性预测问题,以忻州窑煤矿冲击地压事故为工程背景,采用一种数据降维算法—主成分分析法(PCA),对广义回归神经网络(GRNN)的输入样本进行信息压缩,构建冲击地压危险性预测的PCA-GRNN模型。通过PCA法提取影响冲击地压强度的煤层厚度、倾角等9个因素,得到冲击地压危险性影响因素的前4个主成分因子表达式,并构建BPNN,GRNN和PCA-BP等另外3种模型,验证PCA-GRNN法预测冲击地压危险性的智能性和泛化能力。结果表明,所建PCA-GRNN模型平均训练误差为3.5%,平均预测误差为3.6%,有很好的预测能力和泛化能力。     

基于FA-BAS-ELM的海洋油气管道外腐蚀速率预测

为提高海洋油气管道外腐蚀速率预测的精度和效率,建立基于因子分析(FA)和天牛须搜索算法(BAS)的极限学习机(ELM)腐蚀速率预测模型。利用FA对影响因素数据集进行降维处理,确定预测模型的输入变量;建立ELM预测模型,并采用BAS对ELM模型的参数进行优化,避免参数取值随机性对模型预测性能的影响;以实海挂片试验为例,通过建模仿真评价模型的预测性能,并与其他模型进行对比分析。结果表明：FA-BAS-ELM预测模型的平均绝对误差(MAPE)仅为1.92%,决定系数R²高达0.994 9,相比于其他模型,该模型具有更优的预测性能。     

基于GA-ELM浆体管道输送临界流速预测模型研究

针对浆体管道输送临界流速预测难度大、精确度低等技术难题,提出了基于极限学习机(ELM)的临界流速预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为适应度函数,利用遗传算法(GA)对ELM模型参数进行优化,应用优化得到的ELM模型对预测集进行预测。以某矿山为例,模型参数优化结果如下:隐含层节点数L为400,输入权值ai、偏置向量bi最优组合下预测结果适应度为0.0201。采用优化的ELM模型对预测集进行预测,预测结果的最大相对误差x=3.96%,平均相对误差y=1.58%,对比BP神经网络(x=12.95%)和SVM模型(x=3.19%),表明ELM模型更加精确、高效。     

基于SKPCA与NEAT算法的煤与瓦斯突出危险性预测

针对煤与瓦斯突出预测精度不足的问题,为了减少突出灾害的危害,提出了基于稀疏核主成分分析法(SKPCA)与增强拓扑神经进化算法(NEAT)的煤与瓦斯突出危险性预测方法.通过核主成分分析法对突出非线性数据进行降维,然后对主成分数据进行稀疏化,减少原始数据中不重要元素对降维后主成分的影响.搭建增强拓扑神经进化网络(NEAT)预测模型,采用进化算法同时优化神经网络的权值和拓扑结构,得到最佳神经网络预测模型.将处理后的主成分数据输入模型预测突出危险指数,结果表明,该方法危险等级预测准确度达到98％,SKPCA-NEAT模型在煤与瓦斯突出预测上相比PCA和BP神经网络具有优势.     

RS-PSO-ELM下腐蚀管道失效压力预测

为提高腐蚀管道失效压力的预测精度并简化其计算过程,提出基于粗糙集(RS)和粒子群算法(PSO)融合极限学习机(ELM)的腐蚀管道失效压力预测模型。通过属性约简提取影响失效压力的关键因素,选用PSO优化ELM的输入权值和隐含层偏差,将归一化的核心指标数据代入计算。结果表明:该模型预测结果与实际值基本一致,与单一ELM模型相比,预测结果的均方差(MSE)降至0.255;与其他蚀管道失效压力评价模型相比,该模型预测结果的绝对误差平均值降至0.32。     

基于优化IGA-ELM模型的爆破振动特征参量预测研究

为有效预测露天矿爆破振动特征参量,建立基于组合赋权的免疫遗传算法(IGA)优化极限学习机(ELM)预测模型。建立该模型之前,根据爆破振动影响因素确定输入层参数,根据爆破安全规程判据确定输出层参数;然后,应用调和平均数概念整合模糊层次分析法(FAHP)所得主观权重和熵权法所得客观权重,量化输入层参数权重;其次,针对现有ELM输入层权值、隐含层偏差的选择问题,引入IGA对其进行优化选择,并通过逐步增减法探究ELM隐含层最优节点数。该模型曾被应用于某露天矿。研究结果表明:用所构建优化IGA-ELM模型能够更准确地预测露天矿爆破振动特征参量,且所得均方误差、决定系数、仿真误差明显优于其他模型。     

基于PCA-ELM的地震死亡人数评估

地震往往会在短时间内造成巨大的人员伤亡和财产损失,为了震后救援工作能够快速高效的展开,建立了主成分分析(Principal Components Analysis,PCA)和极限学习机(Extreme Learning Machine,ELM)相结合的地震死亡人数预测模型。综合考虑影响地震死亡人数的多种因素,选取震级、震源深度、震中烈度、抗震设防烈度、人口密度、发生时间和预报水平7项主要因素作为评价指标。首先,利用主成分分析对原始变量进行降维处理,并计算出主成分得分,作为ELM的输入;其次,对构建的ELM地震死亡人数预测模型进行训练;最后,对选取的32组地震样本进行算例仿真,并与未经PCA处理的ELM算法和BP神经网络算法进行对比。结果表明,基于主成分分析的极限学习机算法对地震死亡人数预测具有较高的预测精度,验证效果良好。     

降雨型滑坡灾害的约简和逻辑回归预测模型

为实现秦巴山区域降雨诱发的滑坡灾害预警,收集处理不同时段滑坡灾害发生点最近区域站大量降雨数据,形成降雨特征滑坡灾害样本数据集;定义降雨型滑坡灾害知识表达系统,利用知识约简和预测结果反馈方法,选取影响滑坡灾害的降雨特征,进而确定发生滑坡灾害的诱发因子;改进逻辑回归方法,提高模型泛化能力,建立约简逻辑回归预测模型,并与不确定朴素贝叶斯模型和遗传神经网络模型对比。结果表明:约简逻辑回归预测模型能有效处理海量高维降雨数据,且预测准确率较高。     

基于CSABC-ELM的采煤工作面瓦斯涌出量预测

为了提高煤矿工作面瓦斯涌出量的预测精度,研究一种将极端学习机(ELM)与利用混沌搜索策略改进的人工蜂群(CSABC)算法相结合的预测方法。改进后的人工蜂群算法有效解决了ABC算法易陷入局部最优、后期收敛慢等缺陷,利用CSABC优化ELM的输入层和隐含层参数,避免了随机产生ELM参数所造成的误差,建立基于CSABC-ELM的瓦斯涌出量预测模型。利用实际煤矿监测数据对该模型进行试验分析,并与ABC-ELM,ELM和BP神经网络的预测结果进行比较。结果表明,CSABC-ELM预测误差更小,精度更高,泛化性能也更强,能有效地对煤矿瓦斯涌出量进行预测。     

基于LLE-ELM的矿井瓦斯涌出量预测方法研究

基于局部线性嵌入(Locally Linear Embedding,LLE)算法和极限学习机(Extreme Learning Machine,ELM)神经网络建立矿井瓦斯涌出量预测模型,该预测模型运用LLE算法对矿井瓦斯涌出量影响因素样本进行数据挖掘,得到降维后的有效因子,再将这些有效因子作为ELM神经网络的输入层进行训练和预测。利用某矿井的实测数据进行实例分析,结果表明该预测模型预测速度快,精度高,能够用于矿井瓦斯涌出量预测。     

不均衡数据下的采空区煤自燃PCA-AdaBoost预测模型

为提高不均衡数据下采空区自然发火预测准确率,选取O_2浓度等作为指标,利用主成分分析法(PCA)提取指标的主成分,并将主成分作为自适应增强算法(AdaBoost)输入参数,发火情况作为AdaBoost算法输出参数,建立不均衡数据下采空区自然发火PCA-AdaBoost预测模型;以张家口宣东2号矿为例,选取20组实测数据作为训练样本,用于训练模型;利用受试者工作特征曲线下的面积进行评价预测效果;利用训练好的模型预测15组测试样本,并将结果与粒子群优化支持向量机(PSO-SVM)模型进行比较。结果表明:在不均衡数据集条件下,利用PCA提取的算例的3个主成分包含原始6个指标的86.831%信息,降低了指标相关性,实现了降维;温度和CH_4浓度对发火影响更大;所建模型的预测结果与实际情况吻合,其在预测精度和收敛速度方面优于PSO-SVM模型。