检索结果-内蒙古大学图书馆

武汉工程职业技术学院学报 2025年第1期37卷 29-34,59页

作者：高成盛武安徽理工大学经济与管理学院安徽淮南232001

针对煤矿瓦斯数据预测精度低的问题,提出了一种基于图卷积网络(GCN)和长短期记忆网络(LSTM)集成的时空神经网络模型,以提高瓦斯体积分数预测的准确性。通过GCN和LSTM构建时空块挖掘煤矿多源监测数据时空信息,提升模型识别数据趋势的能力... 详细信息

针对煤矿瓦斯数据预测精度低的问题,提出了一种基于图卷积网络(GCN)和长短期记忆网络(LSTM)集成的时空神经网络模型,以提高瓦斯体积分数预测的准确性。通过GCN和LSTM构建时空块挖掘煤矿多源监测数据时空信息,提升模型识别数据趋势的能力,生成更精确的预测结果。实验结果表明,所提方法在拟合效果上优于GRU和LSTM,在均方根误差(RMSE)、平均绝对误差(MAE)和确定系数(R^(2))上的表现分别为0.2266、0.1875和0.8206,均优于GRU和LSTM,进一步验证了该方法在煤矿瓦斯预测中的有效性。

关键词：图神经网络长短期记忆网络无监督学习煤矿瓦斯预测

来源：评论

学校读者我要写书评

暂无评论

构造性神经网络在煤矿瓦斯预测中的应用

引用

微计算机信息 2010年第31期26卷 121-122,89页

作者：张月琴朱宇太原理工大学计算机与软件学院山西太原市030024

在商空间粒度计算理论框架下,用构造性神经网络学习方法进行瓦斯浓度预测。采用商空间粒度计算理论,可以通过对问题进行宏观分析——研究不同粒度商空间之间的转换、运动、依存的关系,并对数据库中的原始特征信息进行粒度构建,采用多种... 详细信息

在商空间粒度计算理论框架下,用构造性神经网络学习方法进行瓦斯浓度预测。采用商空间粒度计算理论,可以通过对问题进行宏观分析——研究不同粒度商空间之间的转换、运动、依存的关系,并对数据库中的原始特征信息进行粒度构建,采用多种粒度,从不同的层次分析复杂的瓦斯数据信息使得学习样本的特征更加明显,以更好地满足机器学习的要求。构造性神经网络学习方法则可以从微观上对具有不同粒度结构的商空间进行数据挖掘。最后将该方法应用于瓦斯浓度预测,取得了较好的结果.这表明了基于商空间的构造性神经网络学习方法的可行性和应用前景。

关键词：商空间粒度计算构造性神经网络学习方法煤矿瓦斯预测

来源：评论

学校读者我要写书评

暂无评论

煤矿瓦斯预测知识获取模型的应用研究

引用

计算机工程 2009年第12期35卷 169-171页

作者：孙林嘉李茹屈元子山西大学计算机与信息技术学院太原030006 山西大学计算机智能与中文信息处理省部共建教育部重点实验室太原030006

将粗糙集与神经网络结合,提出由样本更新、粗糙集预处理、神经网络训练、规则提取4个模块组成的煤矿瓦斯预测知识获取模型,将其应用于实时数据进行实验,结果表明,该模型实时性好、可靠性及精度高,可以较好地解决煤矿瓦斯预测知识获取困... 详细信息

将粗糙集与神经网络结合,提出由样本更新、粗糙集预处理、神经网络训练、规则提取4个模块组成的煤矿瓦斯预测知识获取模型,将其应用于实时数据进行实验,结果表明,该模型实时性好、可靠性及精度高,可以较好地解决煤矿瓦斯预测知识获取困难的问题,为煤矿瓦斯预测专家系统知识库的建立奠定基础。

关键词：知识获取煤矿瓦斯预测粗糙集神经网络

来源：评论

学校读者我要写书评

暂无评论

基于粗糙集与神经网络的煤矿瓦斯预测知识获取方法研究

基于粗糙集与神经网络的煤矿瓦斯预测知识获取方法研究

引用

作者：孙林嘉山西大学

学位级别：硕士

瓦斯爆炸是我国煤矿生产中最常见的灾害事故,目前治理瓦斯爆炸的主要手段是瓦斯预测。专家系统具有适应性强、可靠性强、成本低、响应快等优点,并具有持久性、复合性和解释说明性等特性,这些优点和特性十分切合煤矿瓦斯预测的需要。但是... 详细信息

瓦斯爆炸是我国煤矿生产中最常见的灾害事故,目前治理瓦斯爆炸的主要手段是瓦斯预测。专家系统具有适应性强、可靠性强、成本低、响应快等优点,并具有持久性、复合性和解释说明性等特性,这些优点和特性十分切合煤矿瓦斯预测的需要。但是,知识获取是建立煤矿瓦斯预测专家系统的关键和瓶颈,并且极大的限制了煤矿瓦斯预测专家系统的开发和应用。为解决这一问题,本文开展了煤矿瓦斯预测知识获取方法的研究。本文将粗糙集和神经网络结合,提出一种由数据预处理、神经网络构造、神经网络训练、规则提取、验证以及录入六模块组成的煤矿瓦斯预测知识获取模型,详细介绍了模型的总体结构和主要功能,着重研究了模型的实现算法,并应用到煤矿瓦斯实时数据中,应用结果表明该模型实时性好、可靠性及精度高,在很大程度上解决了煤矿瓦斯预测知识获取困难的问题,为煤矿瓦斯预测专家系统知识库的建立奠定了良好的基础。本文的主要工作包括: 1.对粗糙集和神经网络两种智能技术作了分析和探讨,结合实际应用需要,将两种智能技术用于煤矿瓦斯预测知识获取中,提出基于粗糙集与神经网络的煤矿瓦斯预测知识获取模型。 2.提出了一种将粗糙集和神经网络结合在一起的知识获取算法,该算法使用粗糙集对神经网络的构造和学习所需的样本数据进行预处理,并在神经网络构造过程中动态调隐含层节点数,从而得到一个相对最佳的神经网络结构,然后对该网络进行训练,最后通过一种现存的规则抽取算法将隐式知识用规则的形式表示出来。 3.知识获取模型的实现及应用通过Visual Basic和Matlab实现知识获取模型,并应用到实时数据中,验证该模型的知识获取能力。

关键词：煤矿瓦斯预测知识获取神经网络粗糙集

来源：评论

学校读者我要写书评

暂无评论

基于瓦斯地质图的煤矿瓦斯预测预报系统设计与开发

引用

煤矿开采 2007年第4期12卷 4-6页

作者：郭军北京天地龙跃软件技术有限公司北京100013

介绍了以矿井瓦斯地质规律研究成果和瓦斯地质图为基础,以专业G IS成图系统为核心技术,融合煤矿监测监控系统,开发煤矿瓦斯预测预报系统的解决方案。系统以煤矿瓦斯地质空间信息和属性信息为主要管理内容,能够为煤矿瓦斯治理提供辅助决... 详细信息

介绍了以矿井瓦斯地质规律研究成果和瓦斯地质图为基础,以专业G IS成图系统为核心技术,融合煤矿监测监控系统,开发煤矿瓦斯预测预报系统的解决方案。系统以煤矿瓦斯地质空间信息和属性信息为主要管理内容,能够为煤矿瓦斯治理提供辅助决策依据。

关键词：瓦斯地质图煤矿瓦斯预测参数化成图辅助决策 GIS

来源：评论

学校读者我要写书评

暂无评论

构造性神经网络在瓦斯时间序列预测中的应用

构造性神经网络在瓦斯时间序列预测中的应用

引用

作者：朱宇太原理工大学

学位级别：硕士

近年来数据挖掘得到了快速的应用,但是面临海量、高维、不精确或动态的瓦斯数据时,利用传统的数据挖掘方法从数据中不能快速有效地获取知识。而粒计算和构造性神经网络在处理不完备、模糊、复杂、高维、海量数据时,有着自身独有的特点... 详细信息

近年来数据挖掘得到了快速的应用,但是面临海量、高维、不精确或动态的瓦斯数据时,利用传统的数据挖掘方法从数据中不能快速有效地获取知识。而粒计算和构造性神经网络在处理不完备、模糊、复杂、高维、海量数据时,有着自身独有的特点及优势,将粒计算理论和构造性神经网络学习方法应用到瓦斯数据挖掘中,本文主要在以下几个方面做了相应的工作: (1)针对高维海量数据挖掘所面临的问题,分析了粒计算的特点,综述了粒计算在数据挖掘各个领域的应用,包括粒计算在广义知识挖掘、分类、聚类、关联规则与其它类型知识挖掘中的应用,并总结了粒计算在数据挖掘方面应用的优势。 (2)针对传统神经网络在解决大规模问题时有极大困难的缺点,分析构造性神经网络在这方面的优势,重点讨论常用覆盖算法,针对常用覆盖算法是所有训练样本都是精确的,未考虑到所讨论的数据具有不精确的情况,本文提出一种改进的覆盖算法,并将该覆盖算法与时间序列结合,应用到煤矿瓦斯预测中。 (3)建立了瓦斯预测模型,该模型在商空间粒度理论框架下,用构造性神经网络学习方法进行瓦斯浓度预测。采用商空间粒度计算理论,对问题进行宏观分析,研究不同粒度商空间之间的转换、运动、依存的关系,并对数据库中的原始特征信息进行粒度构建,采用多种粒度,从不同的层次分析复杂的瓦斯数据信息使得学习样本的特征更加明显,以更好地满足机器学习的要求。构造性神经网络学习方法则可以从微观上对具有不同粒度结构的商空间进行数据挖掘。最后将该方法应用于瓦斯浓度预测,取得了较好的结果。这表明了基于商空间的构造性神经网络学习方法的可行性和良好的应用前景。

关键词：商空间粒度计算构造性神经网络煤矿瓦斯预测时间序列

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：