典型文献
基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型
文献摘要：
为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补(MICE_SVM)的鲸鱼优化算法(WOA)-极限学习机(ELM)预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE_SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比.研究结果表明:MICE_SVM插补前、后的有突出数据预测准确率分别为83.02％,90.41％,MICE_SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94％,96.25％,96.48％,较优化前分别提高了5.79％,5.84％,5.55％,数据插补后WOA-ELM为最佳预测模型.
文献关键词：
煤与瓦斯突出预测;缺失数据;链式支持向量机多重插补(MICE_SVM)方法;鲸鱼优化算法(WOA);极限学习机(ELM)
中图分类号：
作者姓名：
温廷新;苏焕博
作者机构：
辽宁工程技术大学 工商管理学院,辽宁 葫芦岛125105
文献出处：
引用格式：
[1]温廷新;苏焕博-.基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型)[J].中国安全生产科学技术,2022(07):68-74
A类：
B类：
多重插补,WOA,ELM,煤与瓦斯突出预测,缺失数据,预测准确率,MICE,鲸鱼优化算法,极限学习机,淮南,集矿,矿区,影响指标,模型特征,出事,事故数据,缺失值,输入层,权值,隐含层,效果对比,数据预测,数据插补
AB值：
0.191796
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。
