典型文献
基于PSO-SVR预测模型的综采工作面周期来压研究
文献摘要：
为了准确预测综采工作面基本顶周期来压规律,采用灰度系统理论提取了影响综采工作面周期来压的八个显著因素.针对支持向量机(SVR)预测模型过分依赖主观选择的参数问题,建立了粒子群算法优化参数选择的支持向量机(P SO-SVR)预测模型.试验结果得出:P SO-SVR比SVR模型在周期来压强度和步距的均方误差分别降低为47.7％、74.3％,决定系数分别提升为45.7％、44.6％.为突显PSO-SVR模型性能的优越性,与应用最广泛的BP普通神经网络进行了对比试验,粒子群算法对标准支持向量机模型性能优化效果明显,较普通BP神经网络优势显著.可见,P SO-SVR对于多种因素影响的非线性耦合预测具有较高的精度和较强的泛化性.
文献关键词：
支持向量机;粒子群;神经网络;周期来压;灰度理论
中图分类号：
作者姓名：
吕文玉;王海金;伍永平;杜旭峰;贺雁鹏;贾栋栋
作者机构：
西安科技大学 能源学院, 陕西 西安 710054;西安科技大学 西部矿井开采及灾害防治教育部重点实验室, 陕西 西安 710054;陕西小保当煤业有限公司, 陕西 神木 719300
文献出处：
引用格式：
[1]吕文玉;王海金;伍永平;杜旭峰;贺雁鹏;贾栋栋-.基于PSO-SVR预测模型的综采工作面周期来压研究)[J].煤炭工程,2022(04):86-91
A类：
B类：
PSO,SVR,综采工作面,周期来压,准确预测,基本顶,系统理论,八个,参数问题,粒子群算法,算法优化,优化参数,参数选择,步距,均方误差,决定系数,模型性能,通神,支持向量机模型,性能优化,优化效果,网络优势,非线性耦合,泛化性,灰度理论
AB值：
0.302934
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
