煤矿综采工作面瓦斯浓度预测模型
来源期刊：工矿自动化2018年第12期
论文作者：李欢 贾佳 杨秀宇 宋春儒
文章页码：48 - 53
关键词：综采工作面;瓦斯浓度预测;蚁群算法;最小二乘支持向量机;k-means聚类分析;参数寻优;LS-SVM;ACO-LS-SVM;
摘 要：针对基于最小二乘支持向量机（LS-SVM）的瓦斯浓度预测方法进行参数优化时存在的易陷入局部最优解、搜索效率较低、易产生早熟收敛等问题,提出了一种基于改进蚁群算法-最小二乘支持向量机（ACO-LSSVM）的瓦斯浓度预测模型。首先,对采集的大量煤矿综采工作面瓦斯数据进行k-means聚类分析,以降低数据维数;然后,采用改进蚁群算法对LS-SVM的惩罚参数和核函数参数进行寻优,再代入LS-SVM模型中进行回归预测。仿真结果表明,当瓦斯体积分数绝对误差阈值分别为0.03%,0.04%,0.05%时,基于ACO-LS-SVM的瓦斯浓度预测模型的预测准确度都在95%左右,比SVM模型和LS-SVM模型表现更好。
李欢1，贾佳1，杨秀宇2，宋春儒3
1. 中国矿业大学信息与控制工程学院2. 山西中煤华晋能源有限责任公司王家岭分公司3. 同煤国电同忻煤矿有限公司
摘 要：针对基于最小二乘支持向量机（LS-SVM）的瓦斯浓度预测方法进行参数优化时存在的易陷入局部最优解、搜索效率较低、易产生早熟收敛等问题,提出了一种基于改进蚁群算法-最小二乘支持向量机（ACO-LSSVM）的瓦斯浓度预测模型。首先,对采集的大量煤矿综采工作面瓦斯数据进行k-means聚类分析,以降低数据维数;然后,采用改进蚁群算法对LS-SVM的惩罚参数和核函数参数进行寻优,再代入LS-SVM模型中进行回归预测。仿真结果表明,当瓦斯体积分数绝对误差阈值分别为0.03%,0.04%,0.05%时,基于ACO-LS-SVM的瓦斯浓度预测模型的预测准确度都在95%左右,比SVM模型和LS-SVM模型表现更好。
关键词：综采工作面;瓦斯浓度预测;蚁群算法;最小二乘支持向量机;k-means聚类分析;参数寻优;LS-SVM;ACO-LS-SVM;
