基于CIPSO-ENN耦合算法的瓦斯涌出量預(yù)測(cè).pdf

1、針對(duì)瓦斯涌出量預(yù)測(cè)系統(tǒng)的時(shí)變性,非線(xiàn)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(xiàn)性動(dòng)態(tài)模型參數(shù)辨識(shí)及瓦斯涌出量預(yù)測(cè)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(cè),經(jīng)過(guò)對(duì)Elman神經(jīng)網(wǎng)絡(luò)分析,對(duì)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(duì)其進(jìn)行改進(jìn)。接下來(lái)分析了標(biāo)準(zhǔn)粒子群優(yōu)化算法(SPSO)運(yùn)行機(jī)理,針對(duì)SPSO在求解多峰、高

2、維、非線(xiàn)性?xún)?yōu)化問(wèn)題時(shí),容易陷入早熟和局部?jī)?yōu)化的缺陷,論文引入了混沌理論和克隆選擇理論,對(duì)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(guò)程中,對(duì)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(duì)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(duì)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(cè)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(cè)系統(tǒng)模型,并利用礦井實(shí)際監(jiān)測(cè)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(cè)模型相比,其辨識(shí)收斂速度提高了8倍,辨識(shí)精度提高了接近2個(gè)數(shù)量級(jí),預(yù)測(cè)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(cè)控制模型,是一種很有效的方法,