基于模糊信息粒化与马尔科夫修正的瓦斯浓度预测下载

weixin_39821620 2020-10-02 06:00:32

基于模糊信息粒化对原始数据进行处理,利用支持向量机(SVM)以及差分进化算法(DE)建立预测模型,根据马尔科夫链进行残差修正,预测瓦斯浓度变化趋势。通过实验表明,该方法相较于直接对粒化数据进行SVM预测有了较大的效果提升,此外,对原始数据进行了FIG处理,实现了降维,算法运行时间得到减少,算法效率得到提升。
相关下载链接：//download.csdn.net/download/weixin_38625143/12521210?utm_source=bbsseo

...全文

16 回复打赏收藏举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

相关推荐

基于模糊信息粒化对原始数据进行处理,利用支持向量机(SVM)以及差分进化算法(DE)建立预测模型,根据马尔科夫链进行残差修正,预测瓦斯浓度变化趋势。通过实验表明,该方法相较于直接对粒化数据进行SVM预测有了较大的效果提升,此外,对原始数据进行了FIG处理,实现了降维,算法运行时间得到减少,算法效率得到提升。

针对采用灰色神经网络预测瓦斯浓度时部分预测值精度不高的问题,提出用马尔科夫模型对三阶灰色神经网络模型预测结果进行修正的方法;介绍了灰色神经网络模型的建立和马尔科夫修正残差方法,并采用该方法对某煤矿不同时间、不同地点的瓦斯浓度进行分析预测。实际应用结果表明,经马尔科夫残差修正后的瓦斯浓度预测值与实测值的最大相对误差从14%减小到6%,修正后的瓦斯浓度变化曲线更接近实际瓦斯浓度变化趋势。

煤矿工作面瓦斯浓度异常是发生瓦斯事故的重要因素,瓦斯浓度的准确预测对煤矿瓦斯事故的预防有重大意义。为准确预测工作面瓦斯浓度,将灰色GM(1,1)模型与马尔科夫理论相结合,通过对灰色GM(1,1)模型预测结果的二次马尔科夫优化,挖掘出瓦斯浓度数列随机波动的信息,同时预测值的精调实现了对真实值的进一步逼近,大幅减小预测误差,且根据少量数据即可预测。结合现场数据,二次优化的灰色马尔科夫模型能准确预测瓦斯浓度,为瓦斯治理提供数据支撑。

针对现有模糊信息粒化方法构建的高层信息粒不能完全包含底层数据信息、预测时间范围受限等问题,提出了一种插值梯形模糊信息粒化方法来预测瓦斯浓度趋势。对原始瓦斯浓度时间序列进行离散化形成若干子序列,计算每个子序列窗口的最大值与最小值形成梯形上沿的边界,通过对每个子序列窗口数据进行插值计算,形成新的瓦斯浓度时间序列窗口,对新的瓦斯浓度时间序列窗口采用数据遍历寻优的方式计算梯形下沿的边界,进而形成瓦斯浓度粒化区间序列。针对现有评价方法无法准确评价信息粒化效果的问题,提出了一种基于权值的粒化评价方法,通过加权均方根误差对粒化效果进行整体评价。实验结果表明,通过该方法对信息进行粒化的效果明显优于现有模糊粒化方法,并且粒化效果不随粒化窗口的增大而减小,具有较高的稳定性与鲁棒性。

基于马尔科夫链修正的BP神经网络模型对高速路交通量的预测研究.pdf

发帖

下载资源悬赏专区

1.1w+

社区成员

1126.6w+

社区内容

CSDN 下载资源悬赏专区

其他技术论坛（原bbs）

社区管理员

加入社区

帖子事件

创建了帖子

2020-10-02 06:00

社区公告

暂无公告