学位论文 > 优秀研究生学位论文题录展示

基于CIPSO-ENN耦合算法的瓦斯涌出量预测

作　者: 乔德浩
导　师: 付华
学　校: 辽宁工程技术大学
专　业: 检测技术与自动化装置
关键词: 粒子群算法非线性系统瓦斯涌出量预测控制 CIPSO-ENN耦合算法
分类号: O242.1
类　型: 硕士论文
年　份: 2011年
下　载: 46次
引　用: 0次
阅　读: 论文下载

内容摘要

针对瓦斯涌出量预测系统的时变性,非线性,复杂性,不确定性等特点,提出了混沌免疫粒子群算法(CIPSO)与Elman神经网络的耦合算法(CIPSO-ENN),用于非线性动态模型参数辨识及瓦斯涌出量预测控制。论文首先提出利用Elman神经网络进行瓦斯涌出量预测,经过对Elman神经网络分析,对于该神经网络收敛速度慢,易于早熟的缺点,提出利用粒子群算法对其进行改进。接下来分析了标准粒子群优化算法(SPSO)运行机理,针对SPSO在求解多峰、高维、非线性优化问题时,容易陷入早熟和局部优化的缺陷,论文引入了混沌理论和克隆选择理论,对SPSO进行改进,提出了混沌克隆粒子群算法(CIPSO)。该算法在粒子群种群进化过程中,对粒子进行克隆、混沌变异、选择以提高其收敛速度、搜索精度、全局搜索能力。数值仿真实验表明,相对于SPSO,该算法的收敛速度和精度以及稳定性都有明显改善。之后,将CIPSO算法与Elman反馈神经网络融合,提出CIPSO-ENN耦合算法。该耦合算法利用CIPSO对Elman网络的权值与阈值进行寻优,然后基于该耦合算法,采用预测智能控制思想,建立基于CIPSO-ENN耦合算法的瓦斯涌出量预测系统模型,并利用矿井实际监测到的各项历史数据进行仿真,结果表明该模型和BP、Elman等神经网络预测模型相比,其辨识收敛速度提高了8倍,辨识精度提高了接近2个数量级,预测精度提高了3倍,具有收敛速度快、收敛精度高、鲁棒性强的特点。从数据本身出发,利用CIPSO-ENN耦合算法建立预测控制模型,是一种很有效的方法,可以推广到其他领域。

全文目录

致谢  5-6
摘要  6-7
Abstract  7-11
1 绪论  11-17
  1.1 课题研究意义  11
  1.2 瓦斯涌出量预测研究现状  11-13
  1.3 智能算法研究现状  13-15
  1.4 论文主要内容  15
  1.5 本文主要工作  15-17
2 用于瓦斯涌出量系统辨识的Elman 神经网络  17-26
  2.1 引言  17
  2.2 Elman 神经网络算法的原理  17-25
    2.2.1 神经网络拓扑结构  17-18
    2.2.2 Elman 神经网络拓扑结构  18-19
    2.2.3 Elman 神经网络算法数学描述  19-21
    2.2.4 Elman 神经网络阈值与权值修正量计算  21-25
  2.3 Elman 神经网络性能分析  25
  2.4 小结  25-26
3 标准粒子群优化算法及收敛性分析  26-33
  3.1 引言  26-27
  3.2 粒子群算法的数学机理  27-28
  3.3 搜索算子对算法的影响分析  28-29
  3.4 参数对算法的影响分析  29-30
  3.5 惯性权重w 的影响分析  30-31
  3.6 标准PSO 算法流程  31
  3.7 粒子群算法面临的一些问题  31-32
  3.8 小结  32-33
4 混沌克隆粒子群算法及仿真分析  33-44
  4.1 引言  33
  4.2 标准粒子群算法改进——混沌免疫粒子群优化算法(CIPSO)  33-38
    4.2.1 混沌克隆选择粒子群算法原理  34-36
    4.2.2 CIPSO 算法局部收敛性论证  36-37
    4.2.3 CIPSO 算法全局收敛性论证  37
    4.2.4 CIPSO 算法步流程  37-38
  4.3 CIPSO 数值仿真实验及分析  38-43
    4.3.1 测试函数分析  40-41
    4.3.2 评价标准  41
    4.3.3 仿真实验及分析  41-43
  4.4 小结  43-44
5 CIPSO-ENN 耦合算法及性能仿真分析  44-49
  5.1 引言  44
  5.2 Elman 神经网络改进——CIPSO-ENN 耦合算法  44-48
    5.2.1 CIPSO-ENN 耦合算法原理  45-46
    5.2.2 CIPSO-ENN 算法流程  46
    5.2.3 CIPSO-ENN 耦合算法的数值仿真实验  46-48
  5.3 小结  48-49
6 基于CIPSO-ENN 耦合算法的瓦斯涌出量预测控制  49-62
  6.1 引言  49
  6.2 瓦斯涌出量的影响因素  49-50
    6.2.1 瓦斯涌出量定义  49
    6.2.2 瓦斯涌出量主要影响因素  49-50
  6.3 瓦斯涌出量辨识系统  50-52
    6.3.1 瓦斯涌出量辨识系统结构模型  50
    6.3.2 瓦斯涌出量辨识系统数学描述  50-52
  6.4 瓦斯涌出量预测控制系统  52-55
    6.4.1 瓦斯涌出量预测控制结构模型  52-54
    6.4.2 预测控制步骤流程  54-55
  6.5 瓦斯涌出量预测仿真及分析  55-61
    6.5.1 CIPSO-ENNPM 结构参数及结构模型  55
    6.5.2 Elman 神经网络结构参数  55
    6.5.3 CIPSO 算法的初始参数选取  55
    6.5.4 瓦斯涌出量监测样本的组成及数据处理  55-57
    6.5.5 数据的归一化及反归一化处理  57
    6.5.6 瓦斯涌出量预测仿真结果及分析  57-61
  6.6 小结  61-62
7 总结与展望  62-65
  7.1 全文总结  62-63
  7.2 展望  63-65
参考文献  65-67
作者简历  67-68
学位论文数据集  68-69

基于CIPSO-ENN耦合算法的瓦斯涌出量预测

内容摘要

全文目录

相似论文