基于ASGSO-ENN算法的瓦斯涌出量動態(tài)預測研究.pdf_第1頁
已閱讀1頁,還剩71頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、礦井瓦斯涌出量系統(tǒng)是一個具有多參量、高度非線性、時變性、隨機性的復雜系統(tǒng),傳統(tǒng)的線性方法無法建立滿足工程精確要求的可靠預測模型。因此,提出一種將Elman動態(tài)反饋神經網絡(ENN,Elman Neural Network)與自適應步長螢火蟲算法(ASGSO,self-Adaptive Step Glowworm Swarm Optimization)相耦合的擬合算法實現對瓦斯涌出量非線性系統(tǒng)的有效辨識。
  Elman神經網絡由于

2、自身獨特的動態(tài)反饋環(huán)節(jié)及遞歸作用,具備了強大的時變數據處理能力及網絡穩(wěn)定性,因此更能直接表征本質非線性系統(tǒng)的動態(tài)特性。針對該網絡訓練過程中依然存在收斂速度慢、精度低、學習效率不高的問題,提出利用螢火蟲智能算法來對其進行優(yōu)化改進。通過分析了基本螢火蟲算法(GSO)的仿生學機理及優(yōu)化運行流程,可知螢火蟲算法(GSO)具有強大局部搜索性能且操作簡單、易于實現。為了強化基本螢火蟲算法(GSO)的全局尋優(yōu)性能,重新定義了基于相似度準則的目標鄰域集

3、,并以相似度門檻值的初始精確設置取代以往對初始感知半徑的粗略估計。在種群每次進化后,根據研究個體相對目標鄰域集內優(yōu)秀個體分布的疏密情況自適應地放縮移動步長,避免個體在極值點附近產生搜索振蕩。
  充分利用經改進后的ASGSO算法強大的全局多目標搜索能力對ENN的權值與閾值在求解空間中進行快速精確的在線搜索,并結合預測控制理論建立基于ASGSO-ENN耦合算法的瓦斯涌出量預測控制系統(tǒng)。利用井下實際采集到的各影響因素監(jiān)測數據進行預測實

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論