论文部分内容阅读
长久以来,我国煤矿灾害事故频繁发生。我国煤矿安全的主要威胁是瓦斯爆炸,科学准确地预测瓦斯爆炸风险等级是有效控制瓦斯爆炸事故的基础,因此有必要对瓦斯爆炸预测方法进行研究探讨,以提高瓦斯爆炸风险的预测精度和效率。为提高瓦斯爆炸风险预测的准确率和速度,本文构建了改进乌鸦算法的极限学习机(Improved Crow Search Algorithm-Extreme Learning Machine,ICSA-ELM)预测模型。针对乌鸦算法收敛速度慢且寻优具有盲目性的问题,从三个方面进行改进:在种群初始化上,引入Tent混沌种群初始化;在全局寻优上,借助花授粉算法的异化授粉策略加快CSA算法的收敛速度;在飞行长度上,根据迭代次数的增加,自适应的减少飞行长度的大小。在此基础上,通过改进乌鸦算法优化极限学习机的初始输入权值和阈值,实现改进乌鸦算法的极限学习机模型的构建。将ICSA-ELM模型应用到瓦斯爆炸风险预测中,针对瓦斯爆炸风险影响因素具有高维度、非线性等特点,首先运用核线性判别分析(Kernel Line discriminant Analysis,KLDA)对标有风险等级的瓦斯数据进行特征提取,采用KLDA算法、核主成分分析(KPCA)算法和未进行特征提取模型进行对比实验,测试结果表明KLDA算法对瓦斯爆炸风险数据的特征提取具有明显效果。其次将提取后的特征数据运用ICSA-ELM与CSA-ELM、PSOELM和ELM模型,及传统经典的SVM(Support Vector Machine)和BP(Back Propagation)预测模型进行对比实验,测试结果表明ICSA-ELM模型预测的准确率、一致性及运行效率均有明显的提高,在一定程度上证明本文方法在瓦斯爆炸风险预测中具有良好的预测性能。该论文有图19幅,表12个,参考文献51篇。