RS-LS-SVR 模型在煤与瓦斯突出预测的应用
作者:
基金项目:

国家自然科学基金(50874059)


RS-LS-SVR Model in Predication of the Coal and Gas Outburst
Author:
  • 摘要
  • | |
  • 访问统计
  • |
  • 参考文献 [6]
  • |
  • 相似文献 [20]
  • | | |
  • 文章评论
    摘要:

    在综合研究了各种算法的基础上,将粗集理论和最小二乘支持向量机算法结合,充分利用了粗集算法能够去除冗余信息,最小二乘支持向量机能够精确加快收敛速的优点。利用具体网络建立一个突出预测机制,并利用本预测机制对矿井瓦斯突出情况进行模拟预测。经过基于MATLAB工具箱的BP神经网络模型的实验对比表明,LS-SVR能加快收敛速度。实验结果表明,基于RS-LS-SVR网络的预测模型可靠,收敛速度快,预测精度高,效果良好。

    Abstract:

    Based on the comprehensive study of the various algorithms, with the rough set theory and the Least Squares Support Vector Regression, taking advantage of rough set method can remove redundant information, Least Squares Support Vector Regression can accurately accelerate the convergence speed advantages. Prominent use of a specific network prediction mechanism, and use this prediction of mine gas outburst mechanism to predict the situation. After based on the MATLAB neural network toolbox BP neural network method of experimental comparison shows that the LS-SVR can speed up the convergence rate. The experimental result reveals that Based on RS-LS-SVR neural network prediction model is reliable, fast convergence and high accuracy, good effect.

    参考文献
    1 曾黄麟.粗集理论及其应用.重庆:重庆大学出版社,1996.
    2 师旭超,韩阳.煤与瓦斯突出预测的支持向量机(SVM)模型.中国安全科学学报,2009,19(7):26-30.
    3 高隽.智能信息处理方法导论.北京:机械工业出版社,2004.
    4 Wu XH, Liu J, Liang YC, et al. Application of Support Vector Machine in Transformer Fault Diagnosis. Journal of Xi’an Jiaotong University, 2007,41(6):722-726.
    5 邓乃扬,田英杰.数据挖掘中的最优化方法—支持向量机.北京:科学出版社,2004.
    6 张德丰.MATLAB 神经网络应用设计.北京:机械工业出版社,2009.
    引证文献
    网友评论
    网友评论
    分享到微博
    发 布
引用本文

彭泓,高攀. RS-LS-SVR 模型在煤与瓦斯突出预测的应用.计算机系统应用,2012,21(1):65-68,35

复制
分享
文章指标
  • 点击次数:1865
  • 下载次数: 3082
  • HTML阅读次数: 0
  • 引用次数: 0
历史
  • 收稿日期:2011-05-13
  • 最后修改日期:2011-06-25
文章二维码
您是第11232484位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京海淀区中关村南四街4号 中科院软件园区 7号楼305房间,邮政编码:100190
电话:010-62661041 传真: Email:csa (a) iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号