计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2015年
1期
289-293
,共5页
非线性%动态训练样本集%最小二乘支持向量机%卡尔曼滤波%瓦斯涌出量
非線性%動態訓練樣本集%最小二乘支持嚮量機%卡爾曼濾波%瓦斯湧齣量
비선성%동태훈련양본집%최소이승지지향량궤%잡이만려파%와사용출량
nonlinear%dynamic training sample set%Least Square Support Vector Machine (LS-SVM)%Kalman filter%gas emission quantity
针对瓦斯涌出量的多影响因素预测问题,提出一种最小二乘支持向量机(LS-SVM)回归算法与卡尔曼滤波耦合的动态预测方法.该方法依据预测残差方差比检验策略确定自适应的动态训练样本集以取代固定的训练样本集.LS-SVM辨识网络对瓦斯涌出量的相关因素进行非线性映射并提取出最佳维数的状态向量以建立基于卡尔曼滤波最优估计的瓦斯涌出量预测模型.利用矿井监测到的各项历史数据进行实验.结果表明,该模型的预测平均相对误差为2.17％,平均相对变动值ARV为0.008 873,相比单一的神经网络或支持向量机预测模型,具有更高的预测精度与更强的泛化能力.
針對瓦斯湧齣量的多影響因素預測問題,提齣一種最小二乘支持嚮量機(LS-SVM)迴歸算法與卡爾曼濾波耦閤的動態預測方法.該方法依據預測殘差方差比檢驗策略確定自適應的動態訓練樣本集以取代固定的訓練樣本集.LS-SVM辨識網絡對瓦斯湧齣量的相關因素進行非線性映射併提取齣最佳維數的狀態嚮量以建立基于卡爾曼濾波最優估計的瓦斯湧齣量預測模型.利用礦井鑑測到的各項歷史數據進行實驗.結果錶明,該模型的預測平均相對誤差為2.17％,平均相對變動值ARV為0.008 873,相比單一的神經網絡或支持嚮量機預測模型,具有更高的預測精度與更彊的汎化能力.
침대와사용출량적다영향인소예측문제,제출일충최소이승지지향량궤(LS-SVM)회귀산법여잡이만려파우합적동태예측방법.해방법의거예측잔차방차비검험책략학정자괄응적동태훈련양본집이취대고정적훈련양본집.LS-SVM변식망락대와사용출량적상관인소진행비선성영사병제취출최가유수적상태향량이건립기우잡이만려파최우고계적와사용출량예측모형.이용광정감측도적각항역사수거진행실험.결과표명,해모형적예측평균상대오차위2.17％,평균상대변동치ARV위0.008 873,상비단일적신경망락혹지지향량궤예측모형,구유경고적예측정도여경강적범화능력.
