分源法瓦斯涌出量预测工作探讨

为分析矿井瓦斯涌出的非线性关系、指标间复杂联系和准确预测瓦斯涌出量,基于主成分分析和灰色关联理论在克服指标的共线性、相关性对瓦斯涌出量影响,兼顾二者关联性之上,确定主要指标,建立瓦斯涌出量预测的距离模

针对煤矿瓦斯涌出量影响因素多、非线性、复杂性等特点,提出了学习向量量化神经网络(LVQ)与GA-BP神经网络相结合的方法。通过LVQ对诸多影响因素进行分类并选出主要影响因素,再用遗传算法(GA)优化B

为了更准确地预测矿井瓦斯涌出量,提出了采用一类小波神经网络对井下瓦斯涌出量进行预测技术,小波神经网络为紧致型结构,小波采用Daubechies小波。为了提高小波神经网络的泛化能力,将遗传算法应用到小波

针对矿井瓦斯涌出量监测数据波动性大、规律性差和建模难的问题,提出了先用经验模态分解技术将原始监测数据分解成若干个频率不等且有一定规律性的特征信息序列,再分别对每个特征信息序列建模,最后将所建模型线性组

矿井产能提升后,矿井瓦斯涌出量必然增加,为了避免瓦斯灾害的发生,为防治瓦斯,必须了解产能提升后矿井的最大瓦斯涌出量。根据实测的霍尔辛赫煤矿3~#煤层瓦斯含量,对矿井地勘瓦斯含量进行修正,拟合出该矿3~

针对瓦斯涌出量的多影响因素预测问题,提出将扩展卡尔曼滤波算法与Elman神经网络有机结合并应用于瓦斯涌出非线性系统的动态辨识.带有整定因子的EKF滤波器通过实时对网络的权值、阈值进行全局寻优,建立基于

为了提高瓦斯涌出量预测的精度和预测模型的泛化能力,提出了一种基于蚁群算法(ACO)优化支持向量机(SVM)参数的瓦斯涌出量预测方法。在SVM所建立预测模型中各个参数的取值区间内,采用蚁群优化算法计算预

将基于小波神经网络的多传感器数据融合算法应用到煤矿瓦斯涌出量的预测系统中。实验结果表明:该预测系统可以及时、有效地预测瓦斯涌出量。

为有效分析和准确预测工作面绝对瓦斯涌出量，基于快速独立分量分析(FastICA)和改进的极限向量机(BA-ELM)基本原理，建立FastICA-BA-ELM多尺度时变预测模型进行工作面瓦斯涌出量的预测

瓦斯涌出量大小受煤层埋深、开采方式、煤层倾角、瓦斯含量等多种地质因素的影响,其中一些因素影响是已知,另一些因素影响是未知。可以把采煤工作面瓦斯涌出看成一个灰色系统,煤层瓦斯的涌出是受多因素影响的。结合