首页|基于PSO-BPNN的煤自燃危险性预测模型

基于PSO-BPNN的煤自燃危险性预测模型

扫码查看
原文链接
  • 万方数据
为提高采空区遗煤自燃危险性预测的准确性,采用粒子群优化算法(PSO)改进反向传播神经网络(BPNN)的连接权重和阈值,构建一种将PSO算法与BPNN相耦合的煤自燃预测模型(PSO-BPNN模型),并从不同方面对比分析PSO-BPNN模型与BPNN模型和支持向量回归机(SVR)模型的预测结果.研究表明:优化后的平均相对误差、平均绝对误差和均方根误差相较于BPNN模型分别降低了 9.35％、0.170 7和0.205 6,判定系数增大了 0.116 9;比SVR模型分别降低了 5.41％、0.115 2和0.171 5,判定系数增大了 0.089 1.证明PSO-BPNN模型具有更高的预测精准性.
Prediction model of coal spontaneous combustion risk based on PSO-BPNN

coal spontaneous combustionparticle swarm optimization(PSO)back propagation neural network(BPNN)support vector regression(SVR)prediction modelgoaf

汪伟、梁然、祁云、贾宝山、武泽伟

展开 >

山西大同大学煤炭工程学院,山西大同037000

辽宁工程技术大学安全科学与工程学院,辽宁阜新123000

矿山热动力灾害与防治教育部重点实验室(辽宁工程技术大学),辽宁葫芦岛125000

煤自燃 粒子群优化算法(PSO) 反向传播神经网络(BPNN) 支持向量回归机(SVR) 预测模型 采空区

山西省基础研究计划(自由探索类)青年项目山西省高等学校科技创新计划山西省高等学校科技创新计划国家重点研发计划山西大同大学博士科研启动项目山西大同大学博士科研启动项目

2022030212223002022L4492022L4482018YFC08079002020-B-082020-B-18

2023

10.16265/j.cnki.issn1003-3033.2023.07.2235

中国安全科学学报
中国职业安全健康协会

中国安全科学学报

CSTPCDCSCD北大核心
影响因子：1.548
ISSN：1003-3033
年,卷(期)：2023.33(7)
  • 2
  • 8