导读:本文包含了涌出量预测论文开题报告文献综述及选题提纲参考文献，主要关键词:瓦斯涌出量预测,因子分析法,因子选取,BP神经网络
涌出量预测论文文献综述
徐刚,王磊,金洪伟,刘沛东[1]（2019）在《因子分析法与BP神经网络耦合模型对回采工作面瓦斯涌出量预测》一文中研究指出针对工作面瓦斯涌出量的影响因素众多且难以筛选的问题,提出了基于因子分析法与BP神经网络的工作面瓦斯涌出量预测方法。首先运用因子分析法对矿井瓦斯涌出量的影响因素降维处理,并筛选出3个主因子作为BP神经网络的输入端神经元,然后构建出基于BP神经网络的工作面瓦斯涌出量预测模型,并进行网络训练,最后对预测模型的可靠性进行检验。结果表明:因子分析处理后变量作用在影响因子上的权重得到了重新分配,并且变量的维数得以减少,错综复杂的变量关系被优化成3个主因子之间的线性组合关系,使得BP神经网络模型预测的瓦斯涌出量结果更合理,精度更高;工作面瓦斯涌出量预测值与实测值的相对误差均在5%以下,平均相对误差为3.25%,误差波动范围小,稳定性较好,为复杂因素影响下的工作面瓦斯涌出量预测提供了一条新的思路。(本文来源于《西安科技大学学报》期刊2019年06期）
程波,颜文学,杨亮,何显能[2]（2019）在《煤矿瓦斯涌出量预测方法的研究》一文中研究指出瓦斯涌出量预测是煤矿编制瓦斯抽采规划与通风方案的基础。评述了现行瓦斯涌出量预测方法的标准,重点就近年来发展形成的基于煤层瓦斯流动理论、数学地质模型与趋势预测的涌出量预测方法理论进行了系统的梳理;从目前的算例来分析,该理论在定性层面上能够捕捉到各主要因素对煤矿瓦斯涌出量的影响,但这些预测结果定量上尚需进一步开展大规模的现场验证。目前,随着煤层瓦斯运移机理研究的逐步深入,还需要在煤层瓦斯流动特征与动态数据趋势预测相结合的求解算法方面开展更加深入的研究。(本文来源于《中国煤炭》期刊2019年11期）
刘鹏,魏卉子,景江波,仰彦妍[3]（2019）在《基于增强CART回归算法的煤矿瓦斯涌出量预测技术》一文中研究指出预测采煤工作面的瓦斯涌出量属于机器学习中的回归问题,主流方法包括CART和支持向量机等。CART决策树回归算法具有抽取规则简单、准确度高、可解释性强的优势,但是算法稳定性差,容易过拟合,同时每个叶节点的输出部分均为定值,难以动态的模拟真实数据的变化规律。支持向量机具有较好的鲁棒性,能够通过求解最小结构化风险来提高模型泛化能力,但是算法复杂度高,面对高维数据算法建模效率低下。结合支持向量机提出一种增强CART回归算法,最主要的改进是在每个叶节点的输出部分使用支持向量机建模。试验结果表明,与主流瓦斯涌出预测算法相比,增强CART回归算法能够有效提高采煤工作面瓦斯涌出量的预测精度。(本文来源于《煤炭科学技术》期刊2019年11期）
李素亮[4]（2019）在《前和煤业3~#煤层瓦斯赋存规律研究及涌出量预测》一文中研究指出根据前和煤业的3~#煤层实测的瓦斯含量,获得了煤层的瓦斯赋存规律。根据矿井等级鉴定的瓦斯涌出量实测值和预测值,计算得到了预测修正系数,提高预测准确性,预测了未采区域的瓦斯涌出量,为煤矿防治瓦斯提供了参考依据。(本文来源于《山东煤炭科技》期刊2019年10期）
孟刚[5]（2019）在《邹庄煤矿采空区CO涌出量预测模拟研究》一文中研究指出为准确预测采空区CO涌出量,采用现场测试分析、数值模拟相结合的方法,以邹庄煤矿3103工作面采空区为研究对象,建立了CO涌出量预测数学模型,通过对工作面采空区漏风流场的数值模拟,得到采空区遗煤自燃漏风量,并以此对现场采空区中CO涌出量进行预测,结果表明,预测结果基本符合现场实际情况。(本文来源于《山东煤炭科技》期刊2019年10期）
马晟翔,李希建[6]（2019）在《改进的BP神经网络煤矿瓦斯涌出量预测模型》一文中研究指出为提高煤矿绝对瓦斯涌出量预测的可行性与准确性,将因子分析法与BP神经网络方法相结合,提出一种改进的BP神经网络预测方法。使用因子分析法对13个煤矿绝对瓦斯涌出量影响因素的原始数据进行降维数据处理,得到3个公共因子;以3个公共因子代替原有13个煤矿绝对瓦斯涌出量影响因素作为BP神经网络的输入层参数,建立因子分析法与BP神经网络法相结合的煤矿绝对瓦斯涌出量预测模型。选取实例数据对改进的BP神经网络预测方法进行验证,最终验证结果:15组训练样本预测值与实际值的相对平均误差为1.39%,证明训练完成的改进BP神经网络模型具有良好的拟合效果;5个预测样本的相对误差均小于2.25%,证明改进的BP神经网络预测模型具有良好的预测准确性。(本文来源于《矿业研究与开发》期刊2019年10期）
唐一举[7]（2019）在《改进的卡尔曼滤波预测采煤工作面瓦斯涌出量》一文中研究指出为了准确可靠预测工作面的瓦斯涌出量,本文以卡尔曼滤波为基础,结合人工神经网络,设计虚拟中间状态变量并得出对应预测模型。其间通过Matlab使预测模型实现目的,并用此方法对某矿采煤工作面瓦斯涌出量进行预测。结果表明,建立的预测方法具有较好的预测性能,其平均误差为3.35%,结果正确可靠。(本文来源于《河南科技》期刊2019年29期）
李鑫灵,袁梅,敖选俊,隆能增,张平[8]（2019）在《PCA-SVM模型在煤层瓦斯涌出量预测中的应用》一文中研究指出针对煤层瓦斯涌出量影响因素众多且各因素间呈复杂非线性的特点,文章利用主成分分析法(PCA)和支持向量机(SVM)的理论基础,构建了PCA-SVM的煤层瓦斯涌出量预测模型,该模型利用SPSS20.0软件中的主成分分析模块对影响煤层瓦斯涌出量的12个因素进行降维,提取其中3个最能反映原始数据本质特征的主成分因子,再将主成分因子的前25组数据作为训练集,后10组数据作为测试集,借助MATLAB中的LIBSVM工具箱进行支持向量机预测,最后将PCA-SVM、SVM及使用较为广泛的多元线性回归3种方法的瓦斯涌出量预测结果进行对比,预测结果表明PCA-SVM模型在预测精度、稳定性方面都优于其他两种预测方法,更适合煤层瓦斯涌出量的预测。(本文来源于《工业安全与环保》期刊2019年10期）
杨键,孙章应,李炳玉[9]（2019）在《基于LS-SVM预测掘进工作面瓦斯涌出量》一文中研究指出针对影响掘进工作面瓦斯涌出量的主要因素,采用最小二乘支持向量机(LS-SVM)方法,对掘进工作面瓦斯涌出量的影响因素进行分析,构建掘进工作面预测模型,并在Matlab中编制预测软件。通过对训练样本进行训练,得到数学模型较好的参数值。该方法具有计算速度快、预测准确性高、操作简单等优点,满足掘进工作面瓦斯涌出预测的要求。(本文来源于《山东煤炭科技》期刊2019年09期）
徐琦,蒋勤,傅丹华,宗俊,金京[10]（2019）在《瓦斯涌出量的人工神经网络预测的研究》一文中研究指出基于反向传播神经网络、径向基函数神经网络和广义回归神经网络对采煤工作面瓦斯涌出量进行预测,比较和分析了瓦斯涌出量的预测值和实测值,并选定精度评价体系对预测结果进行评定。结果表明:反向传播神经网络、广义回归神经网络和径向基函数神经网络都能够较好的预测瓦斯涌出量,其中径向基函数神经网络的预测更精准。径向基函数神经网络的后验差检验比值c=0.07,小误差概率P=1.0,预测误差精度达到1级。(本文来源于《宁波工程学院学报》期刊2019年03期）
涌出量预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
瓦斯涌出量预测是煤矿编制瓦斯抽采规划与通风方案的基础。评述了现行瓦斯涌出量预测方法的标准,重点就近年来发展形成的基于煤层瓦斯流动理论、数学地质模型与趋势预测的涌出量预测方法理论进行了系统的梳理;从目前的算例来分析,该理论在定性层面上能够捕捉到各主要因素对煤矿瓦斯涌出量的影响,但这些预测结果定量上尚需进一步开展大规模的现场验证。目前,随着煤层瓦斯运移机理研究的逐步深入,还需要在煤层瓦斯流动特征与动态数据趋势预测相结合的求解算法方面开展更加深入的研究。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
涌出量预测论文参考文献
[1].徐刚,王磊,金洪伟,刘沛东.因子分析法与BP神经网络耦合模型对回采工作面瓦斯涌出量预测[J].西安科技大学学报.2019
[2].程波,颜文学,杨亮,何显能.煤矿瓦斯涌出量预测方法的研究[J].中国煤炭.2019
[3].刘鹏,魏卉子,景江波,仰彦妍.基于增强CART回归算法的煤矿瓦斯涌出量预测技术[J].煤炭科学技术.2019
[4].李素亮.前和煤业3~#煤层瓦斯赋存规律研究及涌出量预测[J].山东煤炭科技.2019
[5].孟刚.邹庄煤矿采空区CO涌出量预测模拟研究[J].山东煤炭科技.2019
[6].马晟翔,李希建.改进的BP神经网络煤矿瓦斯涌出量预测模型[J].矿业研究与开发.2019
[7].唐一举.改进的卡尔曼滤波预测采煤工作面瓦斯涌出量[J].河南科技.2019
[8].李鑫灵,袁梅,敖选俊,隆能增,张平.PCA-SVM模型在煤层瓦斯涌出量预测中的应用[J].工业安全与环保.2019
[9].杨键,孙章应,李炳玉.基于LS-SVM预测掘进工作面瓦斯涌出量[J].山东煤炭科技.2019
[10].徐琦,蒋勤,傅丹华,宗俊,金京.瓦斯涌出量的人工神经网络预测的研究[J].宁波工程学院学报.2019