基于CIPSO-ENN耦合算法的瓦斯涌出量預測.pdf

1、針對瓦斯涌出量預測系統(tǒng)的時變性,非線性,復雜性,不確定性等特點,提出了混沌免疫粒子群算法(CIPSO)與Elman神經網絡的耦合算法(CIPSO-ENN),用于非線性動態(tài)模型參數辨識及瓦斯涌出量預測控制。論文首先提出利用Elman神經網絡進行瓦斯涌出量預測,經過對Elman神經網絡分析,對于該神經網絡收斂速度慢,易于早熟的缺點,提出利用粒子群算法對其進行改進。接下來分析了標準粒子群優(yōu)化算法(SPSO)運行機理,針對SPSO在求解多峰、高

2、維、非線性優(yōu)化問題時,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進行改進,提出了混沌克隆粒子群算法(CIPSO)。該算法在粒子群種群進化過程中,對粒子進行克隆、混沌變異、選擇以提高其收斂速度、搜索精度、全局搜索能力。數值仿真實驗表明,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反饋神經網絡融合,提出CIPSO-ENN耦合算法。該耦合算法利用CIPSO對E

3、lman網絡的權值與閾值進行尋優(yōu),然后基于該耦合算法,采用預測智能控制思想,建立基于CIPSO-ENN耦合算法的瓦斯涌出量預測系統(tǒng)模型,并利用礦井實際監(jiān)測到的各項歷史數據進行仿真,結果表明該模型和BP、Elman等神經網絡預測模型相比,其辨識收斂速度提高了8倍,辨識精度提高了接近2個數量級,預測精度提高了3倍,具有收斂速度快、收斂精度高、魯棒性強的特點。從數據本身出發(fā),利用CIPSO-ENN耦合算法建立預測控制模型,是一種很有效的方法,