2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩64頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

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,

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論