Print

多层DAE协同LSSVM的瓦斯突出预测模型

论文摘要

为准确预测瓦斯突出,提出多层去噪自编码器（Multi-layer DAE）搭载最小二乘支持向量机（LSSVM）的瓦斯突出预测模型。多层DAE网络提取瓦斯突出原始数据的有效特征,并链接LSSVM进行突出分类。因突出影响因子边界存在一定的模糊性,从时间角度考虑将其分为动、静态影响因子,并依此对多层DAE网络按照交叉熵规则设计新的代价函数。利用收集的100组真实样本数据,多次实验确定最稳定的模型结构参数。对比分析PCA-LSSVM、LLE-LSSVM、BP神经网络模型,结果表明,该模型有更优越的特征提取能力和预测性能,更适用与瓦斯突出预测问题。

论文目录

  • 0 引 言
  • 1 预测模型设计
  •   1.1 动静态约束下多层DAE网络的特征提取
  •     1.1.1 多层DAE
  •     1.1.2 多层DAE网络参数更新
  •   1.2 多层DAE协同LSSVM预测模型
  • 2 瓦斯突出影响因子选取
  • 3 确定模型结构参数
  •   3.1 确定模型网络层数
  •   3.2 确定模型最优隐层节点数
  •   3.3 确定模型加噪概率和正则参数
  • 4 模型预测对比
  •   4.1 DAE与多层DAE特征提取能力对比
  •   4.2 不同模型预测效果比较
  • 5 结 语

    • 文章来源

    类型: 期刊论文

    作者: 付华,梁漪

    关键词: 瓦斯突出,突出影响因子,去噪自编码器,最小二乘支持向量机,交叉熵

    来源: 计算机应用与软件 2019年08期

    年度: 2019

    分类: 信息科技,工程科技Ⅰ辑

    专业: 矿业工程,安全科学与灾害防治,自动化技术

    单位: 辽宁工程技术大学电气与控制工程学院

    基金: 国家自然科学基金项目(71371091,51274118),辽宁省教育厅科学技术研究项目(LJ2017QL021)

    分类号: TP18;TD713

    页码: 214-219

    总页数: 6

    文件大小: 556K

    下载量: 152

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/adb2744718262936a99dda60.html