煤礦瓦斯監(jiān)測數(shù)據(jù)發(fā)展趨勢的智能預(yù)測方法研究.pdf

1、為了明確煤礦井下瓦斯?jié)舛?、瓦斯涌出量、煤與瓦斯突出等預(yù)測器的輸入主因素、降低其樣本的復(fù)雜度并簡化樣本空間，為了確定預(yù)測器輸入變量的不確定性對預(yù)測結(jié)果的影響，以及在其相關(guān)影響因素作用程度發(fā)生改變的情形下還能夠進(jìn)行準(zhǔn)確的預(yù)測，本文開展了下列工作：
　　 為了識別瓦斯?jié)舛取⑼咚褂砍隽康阮A(yù)測器的輸入主因素，提出一種與預(yù)測精度相關(guān)的預(yù)測器輸入主因素的遴選算法。在一定顯著水平下對增添或刪除若干因素前后預(yù)測器的預(yù)測殘差進(jìn)行F 檢驗(yàn)，用以確定具

2、有改進(jìn)作用的增添或刪除操作。遍歷增添和刪除的所有情形后，即可確定能獲得預(yù)測器在該地質(zhì)、環(huán)境等條件下的最佳輸入主因素，即預(yù)測性能最大改進(jìn)的主因素輸入組合，針對煤礦井下瓦斯?jié)舛?、瓦斯涌出量等時間序列往往呈現(xiàn)出較強(qiáng)的隨機(jī)性和復(fù)雜性的情形，提出一種基于小波變換的瓦斯?jié)舛?、瓦斯涌出量等時間序列的預(yù)測方法。通過小波分解降低時間序列的復(fù)雜度，將小波分解后各個分量轉(zhuǎn)化為具有歷史特征的新樣本分別進(jìn)行預(yù)測，所得到結(jié)果進(jìn)行綜合作為最終預(yù)測結(jié)果。用時間序列分解

3、到小波函數(shù)空間（或尺度函數(shù)空間）上的能量作為尺度能量，依據(jù)尺度能量與滿足預(yù)測精度的最大誤差能量的比值關(guān)系提出了小波最佳分解級數(shù)的計算方法。基于粒子群優(yōu)化算法計算得到了預(yù)測模型的優(yōu)化參數(shù)。針對煤礦井下瓦斯分布具有模糊性和不確定性等特點(diǎn)，提出基于模糊C-均值聚類（FCM）的瓦斯?jié)舛?、瓦斯涌出量等預(yù)測方法，對樣本數(shù)據(jù)進(jìn)行FCM 聚類分析，依據(jù)所得到的不同類別分別建立預(yù)測模型，并對樣本空間的參數(shù)、預(yù)測器的參數(shù)和FCM的參數(shù)采用基于蟻群算法并以預(yù)

4、測差殘的F 檢驗(yàn)值作為適應(yīng)值的方法進(jìn)行了優(yōu)化。為了確定瓦斯?jié)舛?、瓦斯涌出量等預(yù)測器輸入變量的不確定性對于預(yù)測結(jié)果的影響，提出基于抽樣盲數(shù)的估計方法，解決了相關(guān)因素任意概率分布特性的處理問題。提出相關(guān)因素的不確定性在預(yù)測過程中的傳遞算法、高階抽樣盲數(shù)降階的計算方法以及輸入因素不確定性下預(yù)測器輸出結(jié)果的概率分布和置信區(qū)間的計算方法。為了在瓦斯?jié)舛?、瓦斯涌出量等的相關(guān)影響因素作用程度發(fā)生改變的情形下，還能夠進(jìn)行準(zhǔn)確預(yù)測，提出了基于虛擬狀態(tài)變量

5、的、系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)可以自適應(yīng)的預(yù)測方法。用能夠反映待預(yù)測對象的輸入變量在模式識別網(wǎng)絡(luò)輸出空間上的特征響應(yīng)作為虛擬狀態(tài)變量?；谔摂M狀態(tài)變量建立預(yù)測模型，對待預(yù)測對象進(jìn)行預(yù)測。通過預(yù)測誤差建立反饋機(jī)制，以此對模式識別網(wǎng)絡(luò)的結(jié)構(gòu)朝著符合待預(yù)測對象(如瓦斯涌出量)變化的方向進(jìn)行調(diào)整，從而得到適合的虛擬狀態(tài)變量，以適應(yīng)相關(guān)影響因素作用程度的改變?；诒疚牡难芯砍晒?，將上述方法應(yīng)用于一些實(shí)例，對煤礦井下瓦斯?jié)舛取⑼咚褂砍隽亢兔号c瓦斯突出等進(jìn)行預(yù)測，