基于LVQGABP神经网络的煤矿瓦斯涌出量预测

为了提高瓦斯涌出量预测精度，针对瓦斯涌出量影响因素的多重相关性、复杂性等问题，结合主成分分析法和分源预测理论，对开采层、邻近层、采空区的瓦斯涌出量数据分别进行主成分分析降维，得到预测指标。针对极限学习

为解决瓦斯涌出量预测过程中存在的预测指标过多而导致预测精度降低的问题,构建因子分析与BP神经网络相结合的瓦斯涌出量预测模型。采用SPSS因子分析法对瓦斯涌出量影响因素进行了分析降维,并对BP神经网络模

根据相关分析法的原理与方法,利用SPSS软件分析工作面瓦斯涌出量与各个影响因素的相关性,建立工作面瓦斯涌出量关于各因素之间的线性回归方程。通过计算各实测点与回归方程的剩余标准差来验证预测精度,从而实现

基于多元线性回归分析法预测矿井瓦斯涌出量，蔡武，袁莎莎，将偏回归平方和理论运用到影响某矿瓦斯涌出量预测指标的选取中，确定了影响该矿瓦斯涌出量的主要影响因素，根据这些主要影响因素

为了提高煤矿瓦斯涌出量的预测精度，针对煤矿瓦斯涌出量的训练样本选择问题，提出一种基于合理遗忘训练样本的煤矿瓦斯涌出量预测模型。首先通过引入遗忘因子既考虑了历史数据的影响，又突出了新数据的作用，然后最小

针对瓦斯涌出局部性、随机性、模糊性等特点,提出一种新的量子粒子群优化、支持向量核构造量子粒子群算法和向量回归模型,并且运用一种新型的智能量子粒子群优化算法优选模型参数。实验结果表明,所提出的量子粒子群

为确保某煤矿5号煤层15111工作面的安全生产,采用DGC直接瓦斯含量测定方法测定煤层瓦斯含量。计算了15111工作面瓦斯涌出量,包括开采层瓦斯涌出量、邻近层瓦斯涌出量、回采工作面相对瓦斯涌出量和绝对

针对BP神经网络在煤层瓦斯含量预测中的局限性,如收敛速度慢和可靠性差等缺点,根据煤层瓦斯含量与其影响因素之间相互作用和耦合的特点,建立了粒子群算法和BP神经网络相结合的煤层瓦斯预测模型.在采用BP网络

将免疫算法与神经网络理论相结合,提出免疫神经网络预测模型以预测采煤工作面瓦斯浓度,并对如何处理时间序列的数据模式问题进行研究.引入延迟单元,将原始输入样本转换为具有延迟特征的新样本,采用延迟算子的输出

为提高预测模型的可靠性,实现对煤层未采区域瓦斯含量的精确预测,以山阳煤矿5~#煤层为研究对象,进行未采区瓦斯含量的预测。运用瓦斯地质学和多元线性回归分析法,得出基岩厚度、煤层厚度和埋深是影响该矿瓦斯赋