基于PSO-SVR预测模型的综采工作面周期来压研究
-
184
-
87
-
作者
吕文玉王海金伍永平杜旭峰贺雁鹏贾栋栋
-
单位
西安科技大学能源学院西安科技大学西部矿井开采及灾害防治教育部重点实验室陕西小保当煤业有限公司
-
摘要
为了准确预测综采工作面基本顶周期来压规律，采用灰度系统理论提取了影响综采工作面周期来压的八个显著因素。针对支持向量机（SVR）预测模型过分依赖主观选择的参数问题，建立了粒子群算法优化参数选择的支持向量机（PSO-SVR）预测模型。试验结果得出：PSO-SVR比SVR模型在周期来压强度和步距的均方误差分别降低为47.7%、74.3%,决定系数分别提升为45.7%、44.6%。为突显PSO-SVR模型性能的优越性，与应用最广泛的BP普通神经网络进行了对比试验，粒子群算法对标准支持向量机模型性能优化效果明显，较普通BP神经网络优势显著。可见，PSO-SVR对于多种因素影响的非线性耦合预测具有较高的精度和较强的泛化性。
-
关键词
支持向量机粒子群神经网络周期来压灰度理论
-
基金项目(Foundation)
国家自然科学基金（51974226,52174127,51634007）；陕西省煤矿水害防治技术重点实验室开放基金项目（2020SKMS02）；
-
文章目录
1 粒子群优化的支持向量机模型
1.1 支持向量机
1.2 粒子群优化支持向量机参数的算法
2 不同因素对周期来压的影响程度
3 PSO-SVR的周期来压预测
3.1 预测模型数据预处理
3.2 PSO-SVR在综采面周期来压中的预测
3.3 BP神经网络的对比实验
4 预测结果分析
5 结 论
-
相关文章
煤炭工程 
2022年第04期 
