科技视界
科技視界
과기시계
Science&Technology Vision
2014年
16期
49-50
,共2页
瓦斯涌出量%RBF%遗传算法%优化%预测
瓦斯湧齣量%RBF%遺傳算法%優化%預測
와사용출량%RBF%유전산법%우화%예측
RBF网络待定参数较多,难以确定出最佳值,因此利用RBF神经网络预测瓦斯涌出量具有一定的局限性。本文采用遗传算法优化、简化RBF网络结构及参数,建立GA-RBF预测模型对瓦斯涌出量进行预测。该模型利用遗传算法的选择、变换、变异等运算,再按照优胜劣汰的原则保留网络参数的最优值。仿真实验表明,GA-RBF预测精度优于传统的RBF预测模型,训练速度也有明显提高。
RBF網絡待定參數較多,難以確定齣最佳值,因此利用RBF神經網絡預測瓦斯湧齣量具有一定的跼限性。本文採用遺傳算法優化、簡化RBF網絡結構及參數,建立GA-RBF預測模型對瓦斯湧齣量進行預測。該模型利用遺傳算法的選擇、變換、變異等運算,再按照優勝劣汰的原則保留網絡參數的最優值。倣真實驗錶明,GA-RBF預測精度優于傳統的RBF預測模型,訓練速度也有明顯提高。
RBF망락대정삼수교다,난이학정출최가치,인차이용RBF신경망락예측와사용출량구유일정적국한성。본문채용유전산법우화、간화RBF망락결구급삼수,건립GA-RBF예측모형대와사용출량진행예측。해모형이용유전산법적선택、변환、변이등운산,재안조우성렬태적원칙보류망락삼수적최우치。방진실험표명,GA-RBF예측정도우우전통적RBF예측모형,훈련속도야유명현제고。