基于CIPSO-ENN耦合算法的瓦斯涌出量預(yù)測.pdf

1、針對瓦斯涌出量預(yù)測系統(tǒng)的時(shí)變性,非線性,復(fù)雜性,不確定性等特點(diǎn),提出了混沌免疫粒子群算法(CIPSO)與Elman神經(jīng)網(wǎng)絡(luò)的耦合算法(CIPSO-ENN),用于非線性動(dòng)態(tài)模型參數(shù)辨識及瓦斯涌出量預(yù)測控制。論文首先提出利用Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行瓦斯涌出量預(yù)測,經(jīng)過對Elman神經(jīng)網(wǎng)絡(luò)分析,對于該神經(jīng)網(wǎng)絡(luò)收斂速度慢,易于早熟的缺點(diǎn),提出利用粒子群算法對其進(jìn)行改進(jìn)。接下來分析了標(biāo)準(zhǔn)粒子群優(yōu)化算法(SPSO)運(yùn)行機(jī)理,針對SPSO在求解多峰、高

2、維、非線性優(yōu)化問題時(shí),容易陷入早熟和局部優(yōu)化的缺陷,論文引入了混沌理論和克隆選擇理論,對SPSO進(jìn)行改進(jìn),提出了混沌克隆粒子群算法(CIPSO)。該算法在粒子群種群進(jìn)化過程中,對粒子進(jìn)行克隆、混沌變異、選擇以提高其收斂速度、搜索精度、全局搜索能力。數(shù)值仿真實(shí)驗(yàn)表明,相對于SPSO,該算法的收斂速度和精度以及穩(wěn)定性都有明顯改善。之后,將CIPSO算法與Elman反饋神經(jīng)網(wǎng)絡(luò)融合,提出CIPSO-ENN耦合算法。該耦合算法利用CIPSO對E

3、lman網(wǎng)絡(luò)的權(quán)值與閾值進(jìn)行尋優(yōu),然后基于該耦合算法,采用預(yù)測智能控制思想,建立基于CIPSO-ENN耦合算法的瓦斯涌出量預(yù)測系統(tǒng)模型,并利用礦井實(shí)際監(jiān)測到的各項(xiàng)歷史數(shù)據(jù)進(jìn)行仿真,結(jié)果表明該模型和BP、Elman等神經(jīng)網(wǎng)絡(luò)預(yù)測模型相比,其辨識收斂速度提高了8倍,辨識精度提高了接近2個(gè)數(shù)量級,預(yù)測精度提高了3倍,具有收斂速度快、收斂精度高、魯棒性強(qiáng)的特點(diǎn)。從數(shù)據(jù)本身出發(fā),利用CIPSO-ENN耦合算法建立預(yù)測控制模型,是一種很有效的方法,