基于PSO-SVR预测模型的综采工作面周期来压研究

• 作者: 吕文玉 王海金 伍永平 杜旭峰 贺雁鹏 贾栋栋
• 来源期刊: 煤炭工程
• 学科: 工学
• 关键词: 支持向量机 粒子群 神经网络 周期来压 灰度理论
• 年，卷（期）: 2022,（4）
• 所属期刊栏目: 研究探讨|Research and Discussion
• 页码范围: 86-91
• 页数: 6页
• 分类号: TD323
• 语种: 中文
• DOI: 10.11799/ce202204016

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.