一、BP网络模型在煤与瓦斯突出矿井分类中的应用（论文文献综述）
李杰[1]（2020）在《青龙煤矿煤自燃无线监测预警技术研究》文中研究说明作为制约煤炭安全生产的重大灾害之一,煤自燃始终是煤炭企业需要时时面对的问题。因此,采取科学有效的煤自燃预测预报技术,是保障煤矿安全生产的重要前提条件。传统的井下预测预报方法存在指标参数单一、铺设距离远、束管易堵塞漏气及光纤线路易损坏等缺点。针对以上存在问题,本文以青龙煤矿11811采空区为研究对象,采用煤自燃指标气体实验、GA-BP采空区温度预测模型建立、现场应用相结合的研究方法,对采空区煤自燃监测预警技术进行了系统研究,对实现采空区煤自燃灾害监测预警具有重要的意义。通过青龙煤矿16#、17#、18#煤层煤样程序升温实验,总结分析各气体随温度的变化规律,确定煤自燃监测预警气体及特征温度,划分煤层自然程度预警等级。选取井下监测预警气体指标浓度作为模型的输入层,输出目标为预测煤温。通过遗传算法优化BP神经网络,构建GA-BP采空区温度预测模型。通过对模型进行误差分析,优选最佳的采空区温度预测模型。构建集O2、CO、CH4、压差等传感器于一体的煤自燃无线监测预警装置、基站及系统,并开发了采空区监测预警软件,能够实现在线实时监测、煤自燃预警及历史数据趋势分析等功能。该系统应用于青龙煤矿11811采空区,通过现场监测数据与人工色谱误差分析,结果表明该系统可实现预期设置的各项指标,且数据能够及时、准确的传输至地面PC控制端,方便管理人员监测预警,实现了对采空区煤自燃灾害的提前预防预控。
高参天[2]（2019）在《基于SFES-PSO-BP算法的矿井突出预测系统研究》文中认为矿井突出影响因素众多,矿井突出预测系统呈现出非线性,很强的模糊性,相关模型不易确定和建立等特点,采用传统BP神经网络模型难以满足高精度的预测要求。针对矿井突出预测系统中矿井水和矿井瓦斯气体突出预测困难问题,为进一步提高矿井突出预测模型的效果和精度,提出一种基于 SFES-PSO-BP（Similarity-based Fitness Estimation Strategy-Particle Swarm Optimization-Back Propagation）算法的矿井突出预测方法。SFES-PSO-BP算法是在PSO-BP算法基础上,利用已知粒子信息得到适应度函数值的估值,在估值策略中,引入粒子间的相似度评价方法,增加适应度函数值估值的准确性,减少适应度函数值计算次数,提高算法性能等方面进行了改进。得到了收敛速度快、收敛精度高、鲁棒性强的非线性动态预测系统模型。将改进后的算法模型用于矿井突出预测系统中煤与瓦斯气体的突出和矿井水的突出预测,基于SFES-PSO-BP算法预测模型性能较基于PSO-BP和BP神经网络预测模型更优。本文的主要研究内容包括以下几点:首先,本文系统分析了 BP神经网络的运行机理,BP神经网络能较好地模拟矿井突出预测系统的复杂非线性关系,能解决传统物理、力学模型预测非线性问题不准确性问题,但BP神经网络自身存在算法收敛速度慢,易陷入局部极值,不能得到全局最优等缺陷,本文对BP神经网络的优化方法进行分析研究,以及对粒子群算法（PSO）优化BP神经网络的过程进行分析。其次,通过对粒子群算法（PSO）优化BP神经网络的过程进行分析、改进和升级,提出基于SFES-PSO-BP算法的矿井突出预测模型,设计思路如下:由于在训练初期,大部分粒子处于高度分散的运动状态,对PSO算法中的参数ω进行基于自适应权重法和对c1、c2进行基于异步变化的学习因子法进行改进,从而可以对粒子前期容易早熟以及收敛缓慢等问题得到一定的改善,得以保证粒子在训练前期不飞过最优解,保证粒子群在最短的时间快速缩小到一定的小范围内;针对PSO-BP算法模型在迭代后期的过拟合和最优值附近振荡等问题,本文对其进行了分析,在PSO算法优化BP神经网络参数的方法中,为了增加粒子群的多样性,防止陷入局部极值,减小粒子群计算时间的复杂度,本文引入基于粒子相似度的适应度估值策略,从而增强粒子的活性,提高其局部搜索能力和全局优化能力,提高算法的收敛精度和全局搜索能力,改善了其对矿井突出预测效果。最后,基于SFES-PSO-BP算法的矿井突出预测模型在矿井突水预测中应用,并与PSO-BP算法预测模型和BP神经网络预测模型进行仿真对比实验,结果表明基于SFES-PSO-BP算法的矿井突出预测模型具有更高的非线性拟合优度和预测精度。克服了 PSO-BP算法后期的过拟合和最优值附近振荡的问题,并在算法收敛速度,算法稳定性方面得到了很大的改善。
孙宇航[3]（2019）在《基于改进模糊支持向量机的煤与瓦斯突出预测》文中进行了进一步梳理煤与瓦斯突出是在煤矿开采过程中发生的一种地质灾害,破坏性极强。如果能及时对突出做出准确地预测,可以在灾害发生前做出相应的防护措施,最大限度的保障井下工作者的生命安全。目前在煤与瓦斯突出预测方面应用最多的是支持向量机算法,具有较强的泛化能力。但是经过实际应用检验该算法仍然存在一些缺点:1.抗噪性不强,在预测过程中容易受到错误样本的误导做出错误的判断;2.受参数影响较大,盲目的选取参数会影响算法的分类效果。在突出影响因素选取方面,由于煤与瓦斯突出受多种因素共同影响且相互之间存在高度非线性关系,本文采用灰色关联度理论结合矿井突出实测数据进行计算从8种影响因素中选出5种作为主要影响因素,降低了之后预测的计算难度。在突出预测方法上面,针对以上两条支持向量机的缺点,本文提出了粒子群优化模糊支持向量机这种新型的煤与瓦斯突出预测方法。该方法首先通过模糊隶属度函数计算每个样本的模糊隶属度,降低噪声点对分类结果的影响;其次使用粒子群算法对模糊支持向量机进行参数寻优,虽然与其他常用的参数优化算法比如遗传算法、最小二乘法相比更为简洁,操作简便,但是粒子群算法仍存在容易陷入局部最优的缺点,本文中为解决这一问题对粒子群算法进行了改进:首先在粒子群算法中引入随迭代次数非线性减小的惯性权重提高算法的寻优能力,其次利用模拟退火算法使得粒子群算法中的粒子以一定的概率强行跳出局部最优陷阱。改进后的粒子群算法很大的提升了寻优效率,克服了传统分类模型中参数选取的盲目性。最后构建基于粒子群算法的模糊支持向量机预测模型,该模型首先通过对实测数据赋予相应的隶属度,减小错误样本对模型预测能力的影响;然后利用粒子群算法寻找最优参数,把参数对预测模型的影响降到最低。本文选择了粒子群优化支持向量机模型、模糊支持向量机模型、BP神经网络模型与本文模型在工作性能上进行比较,实验证明粒子群优化模糊支持向量机模型训练速度快,并且分类精度最高。利用MATLAB软件结合矿井实测突出数据对本文提出的改进的模糊支持向量机预测模型进行仿真,输出结果证明该算法相较于其他传统预测方法,训练速度最快,能够在更短的时间内对是否发生突出做出更精准的判断。该方法有效解决了传统预测方法中存在的抗噪性差、训练速度慢以及预测精度低等问题,具有较强的实用性。该论文有图19幅,表12个,参考文献86篇。
邱微[4]（2019）在《基于KPCA与改进极限学习机的煤与瓦斯突出预测研究》文中指出煤与瓦斯的突出现象是目前煤矿开采过程中破坏性最强、危害性最严重的矿井安全事故之一,它的本质是一种极其复杂的矿井动力现象。如何对瓦斯灾害进行有效预测一直是煤矿安全领域中重要的研究课题。但目前鉴于煤与瓦斯突出机理本质尚未彻底清楚,且突出灾害本身受到多种复杂因素的综合作用和影响,是一个具有极强的非线性和复杂性的高维问题,采用传统的预测方法难以进行准确预测。因此,为了提高瓦斯灾害的预测精度和预测效率,本文在分析煤与瓦斯突出机理和影响因素的基础上,借鉴我国《防治煤与瓦斯突出规定》里描述的两种工作面和区域性突出预测方法及其预测指标体系的建立规则,从数据分析的角度深入分析各致突因素,提出了一种新的突出预测指标体系,建立了基于KPCA与IQGA-ELM的煤与瓦斯突出预测模型,并运用在矿井掘进工作面内的煤与瓦斯突出现象预测中。本文以准确、快速实现煤与瓦斯突出预测为目标,主要围绕以下几个方面进行工作:（1）总结目前应用较为广泛的各种煤与瓦斯突出机理假说,通过比较多种形式的煤与瓦斯突出预测方法,分析该领域的研究现状以及目前存在的不足之处,讨论了建立煤与瓦斯突出面域化预测模型的必要性和现实意义。（2）分析影响煤与瓦斯突出的各相关因素,建立面域化预测指标系统;提出采用核主成分分析方法对煤与瓦斯突出预测指标进行权重分析,并将其作为突出预测模型输入变量的选取原则。（3）通过对极限学习机原理的深入分析,针对其在学习训练过程中随机生成输入层权值及隐含层阈值的缺点,引入改进量子遗传算法对传统极限学习机网络进行改进,建立了基于IQGA算法优化的ELM煤与瓦斯突出预测模型。（4）对建立的基于KPCA与IQGA-ELM预测模型进行实例验证。采用开滦钱家营煤矿数据进行预测实验,预测结果验证了该预测模型的准确性。并将其与其他模型进行预测性能比较,凸显了该模型的良好预测性能。该论文有图18幅,表15个,参考文献60篇。
陈光桓[5]（2019）在《晋煤胡底矿抽采残余瓦斯赋存规律及预测》文中进行了进一步梳理煤层原煤瓦斯的赋存规律已经得到较深入的研究,但抽采后煤层中残余瓦斯赋存规律的研究较为欠缺。胡底煤矿瓦斯含量较高,抽采后残余瓦斯分布具有区域差异性,影响煤矿的安全生产,针对胡底煤矿抽采后残余瓦斯含量分布研究有其实际生产指导意义。本文以胡底煤矿3号煤层为研究对象,在系统整理分析胡底煤矿相关资料的基础上,井下采集新鲜煤样进行压汞实验、等温吸附实验及微观节理的观测,研究矿区内煤储层物性特征;通过矿井内瓦斯含量实测值绘制图件,分析矿井瓦斯瓦斯赋存特征,进而探讨影响其分布的地质因素;基于原煤瓦斯赋存影响因素,针对矿井内1303工作面,定量分析残余瓦斯含量的地质控因;以1303工作面内,原煤瓦斯含量、构造曲率值、埋深、煤厚以及对应的残余瓦斯含量值作为训练样本,利用Matlab软件建立用于残余瓦斯含量预测的BP神经网络,并对1305工作面进行预测。3号煤属高煤化度无烟煤;孔隙以大孔和可见孔最为发育,中孔不甚发育,小孔和微孔所占比例相当;等温吸附曲线属于下降型和平衡型,煤层吸附能力处于稍差-中等水平;微观裂隙优势走向为NWW、NNW、NEE和NNE。胡底煤矿属于高瓦斯矿井;原煤瓦斯含量呈现出“东高西低”的特征,不同构造类型以及顶底板岩性的差异会影响瓦斯的赋存,埋深、煤厚和煤阶一般和原煤瓦斯含量呈正相关关系;单因素分析时会出现异常情况,这是因为瓦斯赋存是多方面因素综合影响的结果。1303工作面残余瓦斯分布存在“东高西低”的特征,工作面的南部,主要影响因素为原煤瓦斯含量、埋深和煤层厚度;在工作面的北部,主要影响因素为构造曲率;构造曲率和煤层厚度与残余瓦斯含量呈负线性相关关系,原煤瓦斯含量、埋藏深度与残余瓦斯含量呈正相关关系。通过预测,1305工作面残余瓦斯含量分布表现出“北高南低”的特征,在工作面的南部,残余瓦斯含量可以降低到5 m3/t以下,而在工作面的北部,残余瓦斯含量值大多大于7 m3/t。论文含图47幅,表32个,参考文献101篇。
申琢[6]（2019）在《煤矿瓦斯安全风险识别与评价研究》文中研究指明煤矿企业中瓦斯灾害事故是制约矿井安全高效生产的重要因素之一。系统地分析各种诱发瓦斯灾害事故的原因,实现瓦斯灾害事故的早期科学预警,是解决煤矿井下安全生产重要课题之一。科学预测与度量煤矿瓦斯安全风险度,为煤矿安全风险性的客观、科学、正确评价与评估提供理论基础。所以开展煤矿瓦斯安全风险方面的研究工作,不仅可提高煤矿企业管理者防控灾害的意识和安全生产管理水平,对于降低煤矿企业安全风险、提高矿井防灾抗灾能力以及丰富瓦斯灾害防治理论都具有重要的现实意义和理论价值。论文采用文献研究、理论研究、现场调研、算法改进、实证分析等方法开展煤矿瓦斯安全风险研究,从煤矿事故致因机理入手,针对瓦斯灾害事故防治方面存在的不足,须深入研究灾害致因因素识别、安全风险度预估、安全风险评价等三个科学问题。文中采用关联规则理论,利用数据挖掘技术,对煤矿瓦斯安全风险致因因素进行识别研究;采用马尔科夫链模型对矿井瓦斯安全风险度进行预测分析;通过算法优选,改进了狼群算法,并结合BP神经网络,构建了煤矿瓦斯安全性评价模型,切实提高了评价客观性和准确性。同时,将煤矿瓦斯安全风险度预测模型和安全评价模型进行实证分析,进一步论证其科学性与准确性。论文研究的主要结论如下:（1）通过对煤矿瓦斯安全风险因素识别、瓦斯安全事故致因机理、瓦斯安全风险评价方法等研究进行文献综述,阐释了煤矿瓦斯安全事故致因机理,分析了在瓦斯安全风险因素识别、安全风险度预估及安全评价方面存在的准确性不高、考虑因素不全面等问题,为进一步开展瓦斯灾害防治研究提供了新思路。（2）基于煤矿灾害防治理论、安全评价理论等,针对目前瓦斯灾害事故治理技术措施中存在的不足,提出煤矿瓦斯安全风险因素识别准确性和完备性、瓦斯安全风险度量和预测正确性以及瓦斯安全风险评价准确性等方面还有需要进一步完善和深入研究的问题,这也是降低瓦斯安全风险和防止瓦斯灾害事故发生所面临的理论瓶颈与技术难题。（3）以72个瓦斯灾害案例85个致因因素为基础,构建了煤矿瓦斯安全风险致因因素模型,建立了瓦斯安全风险网络模型,同时采用关联规则理论建立了相应致因因素关系模型,筛选出对煤矿瓦斯安全风险具有重要影响的30个评价指标,形成了导致煤矿瓦斯安全风险的主要风险因素集,为下一步进行煤矿瓦斯安全风险度预测和安全评价提供了基础指标体系。（4）根据我国的煤矿瓦斯灾害情况,统计分析10年的瓦斯灾害事故数据,以煤与瓦斯突出为例,建立了煤矿瓦斯灾害风险度预测评估方法,采用马尔科夫链预测模型对煤与瓦斯突出事故的发生概率以及风险损失进行评估预测,评估结果符合现场实际情况,证实了马尔科夫链模型在煤矿瓦斯灾害预测方面的适用性和优势,为具有变参数的多因素灾害事故安全风险度预测提供了借鉴和参考。（5）通过算法的对比分析论证了 WPA在全局搜索、函数寻优等方面的优势,并具有良好的鲁棒特性。应用BP神经网络与狼群算法等相关理论,利用信念学习模型优化狼群算法,并与BP神经网络结合,设计出模型的计算流程,多个样本实证了 IWPA-BP模型对函数拟合的可行性,将改进模型应用到煤矿瓦斯安全风险评价中,模型测试的结果证实仿真归类与专家归类结果一致,证明了所构建的安全风险评价模型在煤矿瓦斯安全风险评价中的可靠性。（6）为进一步印证煤矿瓦斯安全风险预测模型和安全评价模型的正确性和可靠性,基于现场实际确定出影响李雅庄煤矿瓦斯安全的主要因素,并对李雅庄煤矿瓦斯安全风险度和安全性进行实证分析,证实了马尔科夫链预测模型与IWPA-BP神经网络安全评价模型在煤矿瓦斯安全风险机理分析及评价方面的科学性和客观性,为同类矿井的风险控制提供了思路和方法,研究成果在矿山企业具有推广应用前景。论文通过系统研究煤矿瓦斯安全风险问题,在瓦斯安全风险因素识别、安全风险度预测与分析、安全性评价方面取得了创新性成果,具体如下:（1）利用风险致因理论和关联规则,构建了煤矿瓦斯安全风险致因因素网络模型和关系模型,确定出煤矿瓦斯安全风险致因主要因素集,为煤矿瓦斯安全风险度预测和安全评价提供了指标体系。（2）借鉴煤矿安全风险评估方法理念,采用马尔科夫链模型对煤与瓦斯突出安全事故的发生概率及风险损失进行评估,并建立了相应的评估方法,可对瓦斯安全风险度进行了量化度量与预测。（3）基于BP神经网络与狼群算法等相关理论,利用信念学习模型改进了狼群算法,结合BP神经网络,构建了 IWPA-BP神经网络的煤矿瓦斯安全风险评价模型,在煤矿瓦斯安全风险科学评价方面提高了效率和准确性。
陈中汉[7]（2019）在《基于关联规则与智能算法的煤与瓦斯突出危险性评价研究》文中研究表明煤与瓦斯突出这种灾害属于复杂性质的灾害,常发生于煤矿井下,对我国煤矿安全生产存在着巨大威胁。从煤与瓦斯突出的孕育、发生、发展,直到结束通常存在一定的规律性,而究其本质,这些规律是由灾害发生地点本身和周边的瓦斯地质条件决定的,从这个角度来讲,瓦斯地质条件也影响着煤与瓦斯突出灾害的分布和危险性等级。瓦斯地质条件所蕴含的信息量非常巨大,如何从庞大的瓦斯地质信息库中找出主要的信息,并对这些主要信息进行优化处理,得出该地质信息所反映的煤与瓦斯突出灾害危险性的大小就显得至关重要,也可以此提高矿井的安全保障水平。通过现场实验、现场调查、研究实验以及理论分析等研究方法,论文中讲述了关于关联规则与智能信息的煤与瓦斯突出危险性评价手段。最开始开展了矿区的调查,地球物理资料的搜集以及瓦斯地质研究等一系列工作,矿井的地质结构出现褶皱,断裂等情况,构造煤发育又有很多的特征。对收集到的资料进行综合整理和分析,总结概括出研究区影响煤与瓦斯突出的瓦斯地质因素。同时利用数学地质方法提取了研究区煤与瓦斯突出的瓦斯地质数据特征,在分析比较经典关联规则Apriori算法和FP-growth算法的基础上,提出了新的关联规则挖掘算法——Class-FP-growth计算方法,并根据这个研究出对煤矿区域的瓦斯与地质因素关联规则,以及研究区突出强度关联规则等。此外,对煤与瓦斯突出信息处理的智能算法进行研究,采用和声搜索（Harmony Search,简称HS）智能算法对BP神经网络智能算法进行优化,利用遗传计算方法（Genetic Algorithm,简称GA）优化极限学习机计算方法（Extreme Learning Machine,简称ELM）的智能计算方法,分别提出了基于HS-BP智能算法和GA-ELM智能算法的煤与瓦斯突出危险性评价方法,并对这两种方法进行了仿真实验。最后在研究区选择了用于试验的工作面,提取了相应的工作面瓦斯地质数据,形成了 Bayes信息融合评价的HS-BP证据体和GA-BP证据体,通过Bayes融合形成了试验工作面更为有效的煤与瓦斯突出危险性评价方法,为煤与瓦斯突出危险性评价提供了新的技术支持。论文的研究内容主要分为以下几个方面:（1）研究区煤与瓦斯突出影响因素分析在对研究区构造背景和矿井瓦斯地质特征研究基础上,统计分析了研究区寺家庄矿20次煤与瓦斯突出的突出强度、地质条件和瓦斯条件等影响因素;以寺家庄矿和新景矿为例,探讨了煤层瓦斯压力、瓦斯浓度和瓦斯吸附特性等瓦斯参数对研究区煤与瓦斯突出的影响,其中通过压汞实验测试了新景矿5个不同类型煤样的孔容、比表面积、中值孔径、比表面积中值孔径和孔隙度等参数,并分析了其对瓦斯吸附特性的影响;同时利用研究区一矿、二矿、五矿和新景矿26组钻孔数据和寺家庄矿4组煤体结构参数,分析了煤层埋深、煤层厚度及煤体结构对煤与瓦斯突出危险性的影响,并利用新景矿煤层底板等高线和煤厚等值线数据分析了不同地质构造对煤与瓦斯突出的控制作用;在此基础上,形成了寺家庄矿20组煤与瓦斯突出的瓦斯数据和地质数据,包括瓦斯压力、瓦斯浓度、煤层埋深、煤层厚度、煤体破坏类型和地质构造6个因素,其中地质构造的量化通过综合考虑构造组合、断层数量和断层落差确定。（2）煤与瓦斯突出关联规则挖掘理论及算法研究在阐明突出危险性评价可行性条件下,用关联规则对突出因素进行挖掘,与传统的关联规则计算方法Apriori和FP-gro wth进行了对比,并分析两者的优缺点,Apriori算法在频繁项集数据量很大的时候,不仅产生大量的候选项集,而且重复扫描数据库,造成运行效率较低;FP-growth算法不产生候选项集,降低了运算复杂度,但把不同的类别属性作为不同的节点构造在FP-tree里面,等到有很大的挖掘数量信息时,也将增加空间开销。针对两种算法的不足,提出了新的关联规则挖掘算法——Class-FP-growth关联规则挖掘算法,该算法不仅克服了 Apriori算法处理大量频繁项集数据库的不足,而且减少了用FP-growth算法造成的冗余分支,并基于此建立了基于Class-FP-growth算法的煤与瓦斯突出危险性评价关联规则挖掘模型,选择Webdosc、Aucho Docs和Accidents共3个数据库对算法进行仿真测试,比较分析最小支持度为0.01%、0.1%,1%、10%、20%、30%、40%、50%、60%、70%和 80%时的 FP-growth 算法和 Class-FP-growth 算法的性能,证明了 Class-FP-growth算法在挖掘数据库较大时或者约束条件严格时要比FP-growth 算法具有一定 的优势,并将该模型应用于研究区寺家庄矿 20 次煤与瓦斯突出危险性等级数据分析,得出了研究区寺家庄矿支持度为30%的煤与瓦斯突出评价因素关联规则,以及不同突出强度关联规则。（3）煤与瓦斯突出危险性评价HS-BP神经网络智能算法研究在研究煤与瓦斯突出危险性评价BP神经网络算法的结构和基本原理的基础上,分析了 BP神经网络训练时间长,容易训练瘫痪以及陷入局部最小值的问题,然而HS算法相比于传统的优化算法其有参数设置少,随机搜索不需衍生信息,比对效率高,容易信息共享等优点。为了克服BP神经网络上的不足,根据其神经网络自身的特点,运用HS算法对BP神经网络进行一定的改进,从而使其得到优化,改良其原先的缓慢收敛,使其在自身局部最小值问题上达到了目标要求,并选取单峰Sphere函数、Rosenbrock函数和多峰Griewank函数3个测试数值优化算法性能的标准基准测试函数,来验证HS-BP算法的正确性和有效性,在经过200次独立实验后,HS-BP算法的最优适应度函数值的平均值、平均标准差优于PSO-BP神经网络算法、GA-BP神经网络算法和BP神经网络算法,也由此说明了 HS-BP模型具有更好的评价精度和泛化能力。与此同时,利用HS-BP神经网络算法对其目标值进行对比,得到的结果0.000125,在一定程度上比利用HS-BP、PSO-BP、GA-BP和BP求得的0.0086、0.0072和0.0364更加精准,结果表明和声搜索算法改进BP网络在用于煤与瓦斯突出危险性评价时,在一定程度上具有科学性和优越性。（4）煤与瓦斯突出危险性评价GA-ELM智能算法研究阐述了 ELM算法的基本原理,并将其与SLFN算法和BP算法进行比较,指出ELM算法所用激活函数可以使用不连续的函数,只需要对隐藏神经元的数量进行设置,将计算方法的训练时间进行降低,可以避免SLFN容易出现梯度下降和陷入局部的极值问题,泛化能力强。但是在ELM算法实施的过程中容易出现输入值矩阵和隐含层偏差随机性影响ELM的问题,因此引入遗传算法（GA）对其进行优化,提出了一种煤与瓦斯突出危险性评价新方法。并分别用GA-ELM算法、ELM算法和BP算法对寺家庄矿煤与瓦斯突出样本数据做了危险性评价模型分析,将评价结果相互对比,对比结果显示采用ELM算法评价准确率为60%,采用BP算法评价准确率为60%,而GA-ELM算法准确率为80%,GA-ELM算法具有较高的准确率。因此遗传算法（GA）与极限学习机（ELM）相结合的模型评价精度较高,对煤与瓦斯突出问题的评价效果具有较强的准确性。（5）在关联规则和智能算法的基础上对煤与瓦斯在突出危险性评价进行现场应用根据研究区域瓦斯地质因素的不同和矿井的实际情况,构建了煤与瓦斯突出危险性评价研究方面的15组数据信息样本,提取了相应的工作面瓦斯地质数据,形成了Bayes信息融合评价的HS-BP证据体和GA-ELM证据体,通过Bayes融合形成了试验工作面更为有效的煤与瓦斯突出危险性评价方法,并在煤与瓦斯突出数据关联规则与智能算法优化技术研究基础上,提出了煤与瓦斯突出危险性评价过程,在进行煤与瓦斯的危险性评价时,将HS-BP神经网络算法、GA-ELM算法、关联规则与智能计算方法和试验实际的结果进行比对,结果表明基于关联规则与智能算法优化的煤与瓦斯突出危险性评价准确性较高,达93.33%,为煤与瓦斯突出危险性评价提供了新的技术支撑。
窦新宇[8]（2013）在《基于改进BP网络在煤与瓦斯突出中的应用》文中研究指明煤与瓦斯突出是一种复杂的地质灾害。针对传统预测方法存在的不足,本文提出了以突出前兆的9种非线性特征值为输入量,基于改进BP网络的煤与瓦斯突出预测模型,不仅可以智能化定量分析煤与瓦斯突出危险,而且自适应学习提高了网络收敛速度。Matlab实验结果表明,改进BP网络的模型预测精度高,收敛速度快,效果良好。
任浩源[9]（2012）在《BP神经网络在煤与瓦斯突出危险性预测中的应用研究》文中指出煤矿安全是当前煤矿生产工作的重要任务之一，然而煤与瓦斯突出是威胁煤矿安全生产最为严重的自然灾害之一。鉴于目前突出灾害日益严重的现实状况，煤与瓦斯突出的预测研究对保障煤矿的安全生产显得更加重要。本文结合综合假说为理论基础，研究了煤与瓦斯突出的一般规律及其影响因素，并应用BP神经网络的知识对煤与瓦斯突出的危险性预测进行了研究。论文阐述了煤与瓦斯突出危险性预测的必要性和意义，分析了当前的研究现状及存在问题，并以综合假说的突出机理为基础，确定了基于BP神经网络的煤与瓦斯突出危险性预测的研究方案和技术路线。论文研究了煤与瓦斯突出的一般规律，并以综合假说为理论基础，分析了煤与瓦斯突出危险性的影响因素，建立了煤与瓦斯突出危险性的评价指标体系。论文分析以地应力、瓦斯参数和煤体物理力学性质等控制和影响突出的各种因素，应用灰色关联分析的理论和知识，确定了煤与瓦斯突出危险性预测的主控因素。论文建立了基于BP神经网络的煤与瓦斯突出危险性预测的数学模型，并通过数学软件MATLAB将其实现，以具体煤矿为例进行了区域突出危险程度的评价。该方法简单易行，具有一定的实用性和可操作性。
胡广青,姜波,吴胡[10]（2011）在《基于灰色关联-遗传神经网络的煤与瓦斯突出预测模型》文中研究说明在综合分析影响煤与瓦斯突出的各种评价指标的基础上,基于人工神经网络极强的非线性逼真能力,建立了煤与瓦斯突出强度预测的遗传神经网络模型。模型采用灰色关联理论完成了评价指标的优化,并利用遗传算法对BP网络初始权值和阈值的确定进行了优化。以重庆南桐矿区砚石台矿为例,对煤与瓦斯突出强度进行了预测,结果表明,采用本模型的预测结果与矿井实际突出状况一致,模型可靠,具有一定的理论与实际意义。
二、BP网络模型在煤与瓦斯突出矿井分类中的应用（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、BP网络模型在煤与瓦斯突出矿井分类中的应用（论文提纲范文）
（1）青龙煤矿煤自燃无线监测预警技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 煤自燃预测技术 |
| 1.2.2 煤自燃监测技术 |
| 1.2.3 神经网络在矿井内的应用 |
| 1.2.4 多源信息融合研究现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 青龙煤矿主采煤层煤自燃指标气体研究 |
| 2.1 煤自燃程序升温实验 |
| 2.1.1 实验原理 |
| 2.1.2 实验煤样制备 |
| 2.1.3 实验装置 |
| 2.1.4 实验条件 |
| 2.2 气体产生规律及耗氧特性 |
| 2.2.1 气体浓度分析 |
| 2.2.2 气体产生速率 |
| 2.2.3 耗氧速率分析 |
| 2.3 煤自燃指标气体的确定 |
| 2.3.1 指标气体选取条件 |
| 2.3.2 指标气体确定 |
| 2.4 .煤层自燃程度预警等级划分 |
| 2.5 本章小结 |
| 3 基于GA-BP神经网络的采空区温度预测模型 |
| 3.1 数据预处理 |
| 3.1.1 数据来源 |
| 3.1.2 原始特征变量异常值的处理 |
| 3.1.3 实验数据的归一化处理 |
| 3.1.4 模型检验指标研究 |
| 3.2 基于BP神经网络煤自燃预测模型 |
| 3.2.1 BP神经网络算法原理 |
| 3.2.2 BP神经网络温度预测模型的建立 |
| 3.2.3 结果分析 |
| 3.3 基于GA-BP神经网络温度预测模型 |
| 3.3.1 遗传算法(GA) |
| 3.3.2 GA-BP模型构建 |
| 3.3.3 结果分析 |
| 3.4 预测模型的对比分析 |
| 3.5 本章小结 |
| 4 采空区煤自燃无线监测预警技术及系统 |
| 4.1 采空区煤自燃无线监测系统构架及模块组成 |
| 4.1.1 系统构架的建立 |
| 4.1.2 系统功能模块组成 |
| 4.2 采空区煤自燃无线监测硬件 |
| 4.2.1 煤自燃无线监测装置 |
| 4.2.2 煤自燃无线监测基站 |
| 4.3 预警软件功能实现 |
| 4.3.1 系统管理 |
| 4.3.2 基站测点设置 |
| 4.3.3 信息监测 |
| 4.4 本章小结 |
| 5 煤自燃监测预警系统应用 |
| 5.1 矿井概况 |
| 5.2 系统布置 |
| 5.2.1 布置方法 |
| 5.2.2 测点布置 |
| 5.3 工业应用 |
| 5.3.1 试验流程 |
| 5.3.2 监测系统的运行 |
| 5.3.3 监测结果 |
| 5.4 应用效果分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 主要结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（2）基于SFES-PSO-BP算法的矿井突出预测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 本文组织结构 |
| 第二章 课题相关研究技术 |
| 2.1 引言 |
| 2.2 矿井突出预测系统相关概述 |
| 2.2.1 我国矿井突出预测系统特点 |
| 2.2.2 系统危险源介绍 |
| 2.2.3 矿井突出影响指标介绍 |
| 2.3 BP神经网络相关概述 |
| 2.3.1 网络结构介绍 |
| 2.3.2 学习规则介绍 |
| 2.3.3 BP神经网络介绍 |
| 2.4 BP神经网络在矿井突出预测中的应用介绍 |
| 2.4.1 网络模型设计 |
| 2.4.2 仿真实验安排 |
| 2.5 PSO算法相关概述 |
| 2.5.1 算法原理介绍 |
| 2.5.2 算法实现分析 |
| 2.6 本章小结 |
| 第三章 PSO-BP算法介绍及其问题分析 |
| 3.1 引言 |
| 3.2 算法介绍 |
| 3.2.1 算法描述 |
| 3.2.2 算法步骤 |
| 3.3 实验设计 |
| 3.3.1 实验数据和参数设置 |
| 3.3.2 实验结果分析 |
| 3.4 问题形成原因分析 |
| 3.5 本章小结 |
| 第四章 SFES-PSO-BP算法设计及其相关应用 |
| 4.1 引言 |
| 4.2 设计思路的介绍 |
| 4.3 SFES-PSO-BP算法的设计 |
| 4.4 SFES-PSO-BP算法的实现 |
| 4.5 实验设计 |
| 4.5.1 试验环境 |
| 4.5.2 实验样本 |
| 4.5.3 实验参数 |
| 4.5.4 实验结果分析 |
| 4.6 本章小结 |
| 第五章 基于SFES-PSO-BP算法的矿井突出预测模型在矿井突水预测中的应用 |
| 5.1 引言 |
| 5.2 预测模型搭建 |
| 5.2.1 矿井突水影响指标选择 |
| 5.2.2 矿井突水预测模型结构建立 |
| 5.3 实验设计 |
| 5.3.1 实验样本选择 |
| 5.3.2 实验环境设置 |
| 5.3.3 实验结果分析 |
| 5.4 本章小结 |
| 总结 |
| 参考文献 |
| 致谢 |
（3）基于改进模糊支持向量机的煤与瓦斯突出预测（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景 |
| 1.2 课题研究意义 |
| 1.3 国内外研究现状 |
| 1.4 本文研究内容和论文结构 |
| 2 基于统计学理论的支持向量机 |
| 2.1 机器学习与统计学习理论 |
| 2.2 支持向量机理论 |
| 2.3 模糊支持向量机 |
| 2.4 本章小结 |
| 3 基于灰色理论的煤与瓦斯突出预测指标的选取 |
| 3.1 煤与瓦斯突出发生的原因 |
| 3.2 煤与瓦斯突出强度分类 |
| 3.3 煤与瓦斯突出的定律 |
| 3.4 煤与瓦斯突出影响因素分析 |
| 3.5 基于灰色关联度分析的突出预测指标选取 |
| 3.6 本章小结 |
| 4 粒子群算法的改进及与模糊支持向量机的结合 |
| 4.1 标准粒子群算法 |
| 4.2 改进的粒子群算法 |
| 4.3 结合改进粒子群算法的模糊支持向量机 |
| 4.4 本章小结 |
| 5 基于粒子群优化模糊支持向量机的煤与瓦斯突出预测 |
| 5.1 改进模糊支持向量机仿真流程 |
| 5.2 PSO-FSVM与 FSVM预测结果的比较 |
| 5.3 PSO-FSVM与 PSO-SVM预测结果的比较 |
| 5.4 PSO-FSVM与 BP神级网络预测结果的比较 |
| 5.5 训练指标分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 本文总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介 |
| 学位论文数据集 |
（4）基于KPCA与改进极限学习机的煤与瓦斯突出预测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题研究的背景及其意义 |
| 1.2 煤与瓦斯突出预测方法研究现状 |
| 1.3 本文研究内容及结构安排 |
| 2 煤与瓦斯突出机理及影响因素 |
| 2.1 煤与瓦斯突出机理研究现状 |
| 2.2 煤与瓦斯突出发展过程及一般规律 |
| 2.3 煤与瓦斯突出影响因素 |
| 2.4 煤与瓦斯预测指标的选取 |
| 2.5 本章小结 |
| 3 煤与瓦斯突出预测指标系统的核主成分分析 |
| 3.1 核主成分分析相关理论 |
| 3.2 基于核主成分分析的特征提取 |
| 3.3 核主成分分析的适应性分析 |
| 3.4 本章小结 |
| 4 基于KPCA与 IQGA算法优化的ELM煤与瓦斯突出预测模型 |
| 4.1 极限学习机神经网络基本理论 |
| 4.2 量子遗传算法优化的极限学习机 |
| 4.3 基于KPCA与 IQGA-ELM煤与瓦斯突出预测模型的建立 |
| 4.4 本章小结 |
| 5 预测模型在钱家营矿的实例应用 |
| 5.1 矿井概况 |
| 5.2 面域化预测指标的测定方法 |
| 5.3 钱家营矿煤与瓦斯突出预测实例分析 |
| 5.4 工程应用 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（5）晋煤胡底矿抽采残余瓦斯赋存规律及预测（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.3 存在问题 |
| 1.4 研究方案 |
| 1.5 论文工作量 |
| 2 矿井地质条件 |
| 2.1 自然地理 |
| 2.2 地层 |
| 2.3 构造 |
| 2.4 煤层 |
| 3 主采煤层物性特征及原煤瓦斯赋存地质控因 |
| 3.1 煤储层物性特征 |
| 3.2 原煤瓦斯赋存特征 |
| 3.3 原煤瓦斯赋存影响因素 |
| 3.4 小结 |
| 4 抽采残余瓦斯赋存规律及影响因素 |
| 4.1 1303工作面瓦斯抽采工程 |
| 4.2 抽采残余瓦斯赋存特征 |
| 4.3 残余瓦斯赋存影响因素 |
| 4.4 小结 |
| 5 残余瓦斯赋存规律预测 |
| 5.1 人工神经网络 |
| 5.2 1305工作面残余瓦斯预测 |
| 5.3 小结 |
| 6 结论 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（6）煤矿瓦斯安全风险识别与评价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 论文主要研究内容与论文结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构 |
| 1.3.3 研究方法及技术路线 |
| 1.4 本章小结 |
| 2 文献综述 |
| 2.1 煤矿瓦斯安全风险因素识别研究 |
| 2.1.1 瓦斯安全风险因素识别研究进展 |
| 2.1.2 瓦斯安全风险因素识别研究评论 |
| 2.2 煤矿安全事故致因机理研究 |
| 2.2.1 风险分析方法 |
| 2.2.2 煤矿安全事故致因机理研究进展 |
| 2.3 煤矿瓦斯安全风险评价方法研究 |
| 2.3.1 煤矿瓦斯安全风险评价研究进展 |
| 2.3.2 煤矿瓦斯安全风险评价研究评论 |
| 2.4 本章小结 |
| 3 煤矿瓦斯安全风险机理分析 |
| 3.1 煤矿瓦斯安全风险物理机理研究 |
| 3.2 煤矿瓦斯风险事故致因机理研究 |
| 3.3 煤矿瓦斯安全风险治理研究 |
| 3.4 煤矿瓦斯安全风险治理基本问题 |
| 3.5 本章小结 |
| 4 煤矿瓦斯安全风险致因因素识别 |
| 4.1 煤矿瓦斯安全风险致因因素网络模型构建 |
| 4.1.1 煤矿瓦斯安全风险致因因素网络模型构建 |
| 4.1.2 瓦斯安全事故致因网络模型分析 |
| 4.2 煤矿瓦斯安全风险致因因素的关联规则挖掘 |
| 4.2.1 关联规则挖掘相关理论 |
| 4.2.2 Apriori算法的挖掘流程 |
| 4.2.3 煤矿瓦斯安全风险致因关联规则挖掘 |
| 4.2.4 基于社会网络的煤矿瓦斯安全风险致因关联规则挖掘模型 |
| 4.3 煤矿瓦斯安全风险评价指标体系 |
| 4.4 本章小结 |
| 5 基于马尔科夫链模型的煤矿瓦斯安全风险度预测研究 |
| 5.1 煤矿瓦斯灾害分级及风险度评价规则定义 |
| 5.2 马尔科夫链模型的建立 |
| 5.2.1 马尔科夫链模型应用于煤矿瓦斯灾害预估的可行性研究 |
| 5.2.2 马尔科夫链理论简介及应用 |
| 5.2.3 马尔科夫链模型状态转移概率矩阵求解方法确定 |
| 5.2.4 状态转移概率矩阵求解与修正 |
| 5.3 基于马尔科夫链的煤矿瓦斯灾害预测 |
| 5.3.1 我国煤矿瓦斯灾害综述 |
| 5.3.2 基于马尔科夫链的煤与瓦斯突出概率预测 |
| 5.4 基于马尔科夫链的煤与瓦斯突出风险度预测分析 |
| 5.5 本章小结 |
| 6 基于IWPA-BP神经网络的煤矿瓦斯安全风险评价 |
| 6.1 神经网络用于煤矿瓦斯安全风险评价的可行性 |
| 6.1.1 传统安全评价方法存在的缺点 |
| 6.1.2 神经网络的特点 |
| 6.1.3 BP神经网络用于煤矿瓦斯安全风险评价的可行性 |
| 6.2 算法的优选 |
| 6.3 改进狼群算法优化BP神经网络 |
| 6.3.1 基于信念学习模型改进WPA |
| 6.3.2 IWPA优化BP神经网络 |
| 6.4 IWPA-BP神经网络模型拟合函数验证 |
| 6.5 基于IWPA-BP神经网络模型瓦斯风险评价 |
| 6.6 本章小结 |
| 7 煤矿瓦斯安全风险度预测与安全评价模型的实证分析 |
| 7.1 李雅庄煤矿概况 |
| 7.1.1 矿井位置与交通 |
| 7.1.2 瓦斯涌出情况 |
| 7.1.3 矿井开拓开采情况 |
| 7.1.4 矿井通风系统现状 |
| 7.2 组合模型在李雅庄煤矿瓦斯灾害评价中的应用 |
| 7.2.1 样本的采集与处理 |
| 7.2.2 IWPA-BP模型训练及结果分析 |
| 7.2.3 马尔科夫链模型训练及结果分析 |
| 7.3 李雅庄煤矿瓦斯安全风险治理技术 |
| 7.4 李雅庄煤矿瓦斯风险改进措施实践检验 |
| 7.5 本章小结 |
| 8 结论与展望 |
| 8.1 主要结论 |
| 8.2 创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）基于关联规则与智能算法的煤与瓦斯突出危险性评价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状及存在问题 |
| 1.2.1 煤与瓦斯突出危险性评价研究现状 |
| 1.2.2 关联规则挖掘方法研究现状 |
| 1.2.3 智能算法研究现状 |
| 1.2.4 主要存在问题 |
| 1.3 研究内容及研究方法 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究方法 |
| 1.4 技术路线 |
| 1.5 本章小结 |
| 2 研究区煤与瓦斯突出影响因素分析 |
| 2.1 研究区瓦斯地质条件 |
| 2.1.1 区域构造背景及演化 |
| 2.1.2 研究区瓦斯地质特征 |
| 2.1.3 研究区煤与瓦斯突出特征 |
| 2.2 影响煤与瓦斯突出的瓦斯因素 |
| 2.2.1 煤层瓦斯压力 |
| 2.2.2 瓦斯浓度 |
| 2.2.3 瓦斯吸附特性 |
| 2.3 影响煤与瓦斯突出的地质因素 |
| 2.3.1 煤层埋深 |
| 2.3.2 煤层厚度 |
| 2.3.3 煤体破坏类型 |
| 2.3.4 地质构造 |
| 2.4 煤与瓦斯突出数据特征提取和分析 |
| 2.4.1 地质数据特征提取 |
| 2.4.2 瓦斯数据特征提取 |
| 2.5 本章小结 |
| 3 煤与瓦斯突出关联规则挖掘理论及算法研究 |
| 3.1 关联规则的概念、挖掘步骤和分类 |
| 3.1.1 关联规则的基本概念 |
| 3.1.2 关联规则的挖掘步骤 |
| 3.1.3 关联规则的分类 |
| 3.1.4 关联规则的有效性和实用性 |
| 3.2 经典关联规则算法分析 |
| 3.2.1 Apriori算法 |
| 3.2.2 FP-growth算法 |
| 3.2.3 Apriori与FP-growth算法对比 |
| 3.3 Class-FP-growth算法 |
| 3.3.1 Class-FP-growth算法思想 |
| 3.3.2 Class-FP-growth算法描述及其实现 |
| 3.3.3 Class-FP-growth算法分析 |
| 3.3.4 Class-FP-growth算法仿真测试 |
| 3.4 研究区煤与瓦斯突出评价因素关联规则挖掘 |
| 3.4.1 支持度为30%的关联规则 |
| 3.4.2 突出强度关联规则 |
| 3.5 本章小结 |
| 4 煤与瓦斯突出危险性评价HS-BP神经网络智能算法研究 |
| 4.1 BP神经网络 |
| 4.1.1 人工神经网络介绍 |
| 4.1.2 BP神经网络结构 |
| 4.1.3 BP算法的基本原理 |
| 4.1.4 BP算法的不足 |
| 4.2 HS算法分析 |
| 4.2.1 HS算法概述 |
| 4.2.2 HS算法流程 |
| 4.2.3 参数对HS算法的影响 |
| 4.3 HS-BP算法 |
| 4.3.1 HS-BP算法基本思想 |
| 4.3.2 HS-BP算法描述及其实现 |
| 4.3.3 HS-BP算法与其他改进算法对比 |
| 4.4 本章小结 |
| 5 煤与瓦斯突出危险性评价GA-ELM智能算法研究 |
| 5.1 ELM智能算法分析 |
| 5.1.1 单隐层前馈神经网络 |
| 5.1.2 ELM智能算法定理及算法 |
| 5.1.3 ELM智能算法与SLFN、BP算法对比分析 |
| 5.2 遗传算法优化ELM智能算法 |
| 5.2.1 遗传算法基本原理 |
| 5.2.2 遗传算法关键问题 |
| 5.3 GA-ELM评价模型在突出危险性评价中的应用 |
| 5.3.1 煤与瓦斯突出样本数据提取 |
| 5.3.2 GA-ELM评价模型参数 |
| 5.3.3 GA-ELM评价效果分析 |
| 5.3.4 GA-ELM算法与其他算法对比分析 |
| 5.4 本章小结 |
| 6 基于关联规则与智能算法的煤与瓦斯突出危险性评价现场应用 |
| 6.1 煤与瓦斯突出评价数据 |
| 6.1.1 试验工作面瓦斯地质条件 |
| 6.1.2 煤与瓦斯突出主控因素 |
| 6.1.3 试验工作面评价数据 |
| 6.2 基于关联规则与智能算法的煤与瓦斯突出危险性评价过程 |
| 6.2.1 HS-BP评价证据体 |
| 6.2.2 GA-ELM评价证据体 |
| 6.2.3 Bayes信息融合评价结果 |
| 6.3 基于关联规则与智能算法的煤与瓦斯突出危险性评价结果分析 |
| 6.3.1 评价结果 |
| 6.3.2 评价结果现场验证 |
| 6.3.3 评价准确性分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）基于改进BP网络在煤与瓦斯突出中的应用（论文提纲范文）
| 0 引言 |
| 1 煤与瓦斯突出预测原理 |
| 2 改进BP网络原理 |
| 2.1 BP网络原理 |
| 2.2 改进BP网络算法 |
| 3 改进BP网络的煤与瓦斯突出预测模型 |
| 3.1 输入输出参数的确定 |
| 3.2 改进BP网络训练与测试 |
| 3.3 煤与瓦斯突出的预测步骤 |
| 4 仿真研究 |
| 5 结论 |
（9）BP神经网络在煤与瓦斯突出危险性预测中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 煤与瓦斯突出概况 |
| 1.1.1 世界各国煤与瓦斯突出概况 |
| 1.1.2 我国煤与瓦斯突出概况 |
| 1.2 煤与瓦斯突出机理研究进展 |
| 1.2.1 煤与瓦斯突出的一般规律 |
| 1.2.2 国外研究进展 |
| 1.2.3 国内研究进展 |
| 1.3 煤与瓦斯突出预测方法的研究概况 |
| 1.3.1 国内外研究进展 |
| 1.3.2 煤与瓦斯突出预测中存在的问题 |
| 1.4 本文的研究内容及技术路线 |
| 1.4.1 本文的研究内容 |
| 1.4.2 本文的技术路线 |
| 2 煤与瓦斯突出危险性预测的影响因素分析 |
| 2.1 煤与瓦斯突出影响因素分析 |
| 2.1.1 地应力因素 |
| 2.1.2 地质构造 |
| 2.1.3 煤体结构及物理学性质 |
| 2.1.4 瓦斯参数 |
| 2.1.5 煤层厚度及其变化 |
| 2.1.6 其他影响因素 |
| 2.2 煤与瓦斯突出动力现象分类及危险程度划分 |
| 2.2.1 按动力现象的力学特征分类 |
| 2.2.2 按动力现象程度分类 |
| 2.2.3 煤与瓦斯突出危险程度的划分 |
| 2.2.4 煤与瓦斯突出危险性程度分类参考标准 |
| 2.3 本章小结 |
| 3 煤与瓦斯突出危险性评价指标的建立 |
| 3.1 煤与瓦斯突出危险性预测指标的建立原则 |
| 3.2 煤与瓦斯突出危险性评价指标的选取与建立 |
| 3.3 基于灰色关联分析的煤与瓦斯突出危险性评价 |
| 3.3.1 灰色关联分析的基本原理 |
| 3.3.2 灰色关联分析的基本概念 |
| 3.3.3 灰色关联度的计算 |
| 3.3.4 计算灰色关联度 |
| 3.3.5 灰色关联分析和排序 |
| 3.4 本章小结 |
| 4 神经网络在煤与瓦斯突出危险性预测中的应用 |
| 4.1 神经元网络的概念与特点 |
| 4.2 神经元网络的结构 |
| 4.2.1 神经元模型 |
| 4.2.2 神经元网络模型的分类及学习规则 |
| 4.3 BP 算法 |
| 4.4 煤与瓦斯突出危险性神经网络预测模型的网络结构设计 |
| 4.4.1 网络层数 |
| 4.4.2 每层神经元个数 |
| 4.4.3 初始值的选择 |
| 4.4.4 学习速率 |
| 4.4.5 期望误差 |
| 4.5 煤与瓦斯突出神经网络危险性预测模型的程序设计 |
| 4.5.1 程序设计流程 |
| 4.5.2 MATLAB 简介 |
| 4.6 本章小结 |
| 5 实例应用 |
| 5.1 矿井概况 |
| 5.1.1 地质构造 |
| 5.1.2 煤层煤质 |
| 5.1.3 矿井开拓与通风方式 |
| 5.1.4 瓦斯情况 |
| 5.1.5 煤层钻孔突出危险性预测参数 |
| 5.2 单项指标评价煤与瓦斯突出危险性 |
| 5.3 综合指标评价煤与瓦斯突出危险性 |
| 5.4 BP 神经网络预测煤与瓦斯突出危险性 |
| 5.4.1 网络结构属性 |
| 5.4.2 程序编写 |
| 5.4.3 煤与瓦斯突出训练结果输出 |
| 5.4.4 危险性预测 |
| 5.5 本章小结 |
| 6 结论 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）基于灰色关联-遗传神经网络的煤与瓦斯突出预测模型（论文提纲范文）
| 1 预测模型基本原理 |
| 1.1 灰色关联理论 |
| 1.2 遗传算法与BP算法 |
| 1.2.1 编解码函数 |
| 1.2.2 目标函数与适应值函数 |
| 1.2.3 初始权值赋值与网络训练 |
| 2 预测模型的建立与应用 |
| 2.1 评价指标优选 |
| 2.2 输入与输出参数 |
| 2.3 初始权值确定 |
| 2.4 遗传神经网络训练 |
| 2.5 结果分析 |
| 3 结论 |
四、BP网络模型在煤与瓦斯突出矿井分类中的应用（论文参考文献）
- [1]青龙煤矿煤自燃无线监测预警技术研究[D]. 李杰. 西安科技大学, 2020(01)
- [2]基于SFES-PSO-BP算法的矿井突出预测系统研究[D]. 高参天. 厦门理工学院, 2019(02)
- [3]基于改进模糊支持向量机的煤与瓦斯突出预测[D]. 孙宇航. 中国矿业大学, 2019(04)
- [4]基于KPCA与改进极限学习机的煤与瓦斯突出预测研究[D]. 邱微. 辽宁工程技术大学, 2019(07)
- [5]晋煤胡底矿抽采残余瓦斯赋存规律及预测[D]. 陈光桓. 中国矿业大学, 2019(01)
- [6]煤矿瓦斯安全风险识别与评价研究[D]. 申琢. 中国矿业大学(北京), 2019(08)
- [7]基于关联规则与智能算法的煤与瓦斯突出危险性评价研究[D]. 陈中汉. 中国矿业大学(北京), 2019(08)
- [8]基于改进BP网络在煤与瓦斯突出中的应用[J]. 窦新宇. 制造业自动化, 2013(05)
- [9]BP神经网络在煤与瓦斯突出危险性预测中的应用研究[D]. 任浩源. 西安科技大学, 2012(02)
- [10]基于灰色关联-遗传神经网络的煤与瓦斯突出预测模型[J]. 胡广青,姜波,吴胡. 中国煤炭地质, 2011(09)