煤自燃极限参数的支持向量机预测模型

被引:23
作者
孟倩 [1 ]
王洪权 [2 ,3 ]
王永胜 [2 ]
周延 [2 ]
机构
[1] 徐州师范大学计算科学与技术学院
[2] 中国矿业大学安全工程学院
[3] 不详
关键词
煤自燃极限参数; 支持向量机; 人工神经网络; 预测模型;
D O I
10.13225/j.cnki.jccs.2009.11.019
中图分类号
TD752.1 [];
学科分类号
摘要
建立了基于支持向量机(Support Vector Machine,SVM)的煤自燃极限参数预测模型;经过与多项式函数及Sigmoid核函数的对比,选用径向基函数作为SVM核函数;提出了一种SVM参数优化的变步长搜索方法,先在一个大区域根据训练样本均方差的值改变参数搜索步长,找到一个性能好的小区域,在这个小区域中应用网格搜索法找到最优参数,可提高参数搜索速度.实验表明,与人工神经网络模型相比,在样本有限的情况下,基于支持向量机的煤自燃极限参数预测模型预测精度更高、速度更快,说明支持向量机技术在煤自燃极限参数预测中具有实用价值.
引用
收藏
页码:1489 / 1493
页数:5
相关论文
共 9 条
[1]   基于支持向量机的露天矿边坡地表变形预测 [J].
李凤明 ;
李宏艳 ;
孙维吉 .
煤炭学报, 2008, (05) :492-495
[2]   煤炭需求量预测的支持向量机模型 [J].
贾存良 ;
吴海山 ;
巩敦卫 .
中国矿业大学学报, 2007, (01) :107-110
[3]   基于支持向量机的大型电厂锅炉飞灰含碳量建模 [J].
王春林 ;
周昊 ;
周樟华 ;
凌忠钱 ;
李国能 ;
岑可法 .
中国电机工程学报, 2005, (20) :72-76
[4]   支持向量机在模式识别中的核函数特性分析 [J].
李盼池 ;
许少华 .
计算机工程与设计, 2005, (02) :302-304
[5]   一种新的基于神经网络的高精度电力系统谐波分析算法 [J].
王小华 ;
何怡刚 .
电网技术, 2005, (03) :72-75
[6]   煤自燃极限参数的神经网络预测方法 [J].
徐精彩 ;
王华 .
煤炭学报, 2002, (04) :366-370
[7]   煤自燃极限参数研究 [J].
徐精彩 ;
文虎 ;
邓军 ;
张辛亥 .
火灾科学, 2000, (02) :14-18
[8]  
数据挖掘中的新方法[M]. 科学出版社 , 邓乃扬,田英杰著, 2004
[9]   SUPPORT-VECTOR NETWORKS [J].
CORTES, C ;
VAPNIK, V .
MACHINE LEARNING, 1995, 20 (03) :273-297