暂无评论
选模型预测矿井瓦斯涌出量,曹明,王晓卿,将选模型运用到影响瓦斯涌出的因素选取中,以复决定系数作为衡量拟合方程优劣标准,运用SAS编制程序,得出了最优子集,运用Excel处�
组合方法预测煤矿瓦斯涌出量，白庆升，，结合主成分分析与神经网络的优点，提出了主成分分析与神经网络相结合的瓦斯涌出量预测模型。采用主成分分析法对原始输入变量进行
瓦斯涌出量是制定瓦斯防治措施的基本依据,为了制定合理的瓦斯防治措施,必须预测煤矿瓦斯涌出量。文章通过实验得出阜康西沟煤矿各煤层瓦斯吸附常数,现场实测了各煤层瓦斯压力,计算出各煤层瓦斯含量并预测矿井瓦斯
采用井下钻屑解吸法对大东庄煤矿4#煤层的瓦斯含量进行了实测,根据瓦斯含量测值和组分确定了4#煤层处于瓦斯风化带中的氮气带。依据煤层瓦斯风化带下限瓦斯涌出量指标对4#煤层相对瓦斯涌出量和绝对瓦斯涌出量进
传统瓦斯涌出量预测方法存在一定的局限性,预测精度不能满足要求。为了提高瓦斯涌出量预测精度,采用RBF神经网络对瓦斯涌出量相关数据进行建模。通过训练13组样本,对5组数据进行预测,分析了隐层神经元个数对
由于矿井瓦斯浓度的变化受多种因素共同影响,矿井瓦斯涌出量预测经常出现无法获得一部分变量的情况。针对该问题,提出了一种基于时间序列的矿井瓦斯涌出量预测方法,详细介绍了采用时间序列AR模型对矿井瓦斯涌出量
针对煤矿回采工作面瓦斯涌出的非线性特征,提出一种基于改进量子粒子群优化BP神经网络(IQPSO-BP)的瓦斯涌出量预测方法。鉴于量子粒子群算法的遍历能力有限,采用混沌序列来初始化量子的初始角位置。同时
为有效挖掘瓦斯涌出量监测数据隐含特征,预防瓦斯动力灾害,基于希尔伯特-黄变换(HHT)方法、布谷鸟搜索算法(CS)和极限学习机(ELM)基本理论,构建了瓦斯涌出量的HHT-CSELM动态预测模型。通过
为了对矿井深部瓦斯涌出量进行预测,介绍了灰色线性回归组合模型的建模方法,以某煤矿相对瓦斯涌出量统计数据为实例,利用灰色线性回归组合模型对其瓦斯涌出量进行预测,通过检验得出模型的精度等级为一级。结果表明
为了更加准确有效地预测瓦斯涌出量，提出采用主成分分析结合粒子群算法、极限学习机的瓦斯涌出量预测方法。极限学习机中隐含层节点数量及激活函数的类型由粒子群算法进行组合优化。这种方法在诸如基于粒子群优化的极
暂无评论