基于RBF神经网络与蚁群算法的瓦斯预测模型研究-控制理论与控制工程专业论文.docxVIP

致 谢 在我的毕业论文完成之际，首先要对我的导师 赵国强教授表示由衷的感 谢， 在两年多的研究生生活中， 赵老师给予了我长辈般的关怀和鼓励。 在本论 文即将提交答辩之际， 我衷心地感谢在本论文研究期间给予指导、 帮助和支持 的各位师长、同学和朋友。 非常感谢我的导师为我选此课题并给予了我精心的指导 。他严谨务实的科 研作风， 渊博的理论知识， 丰富的实践经验和高尚的人格都将给我留下深远的 影响。 同时也感谢我的父母给予我的鼓励及实验室广大同学的大力帮助与支持！  摘 要 瓦斯灾害防治一直是煤矿安全工作的 重点，在我国煤矿的重大灾害事故中70% 以上是瓦斯事故。而且随着开采深度的增加，煤炭行业竞争日益激烈的环境下，瓦 斯事故呈不断上升的趋势，造成的后果也随之更加严重。 本文针对这一课题利用 RBF 神经网络的结构简单、学习速度快、拟合精度较高、 泛化能力较强和不易陷入局部极小等优点，尝试建立矿井瓦斯涌出量的径向基函数 神经网络预测模型，对矿井瓦斯涌出量与多种因素复杂的非线性关系进行函数 逼 近。利用蚁群优化理论对神经网络进行优化，以克服神经网络的缺点，采用了蚁群 优化算法对神经网络模型的权值与阈值进行优化。 本文采用足够的具有代表性的瓦斯检测数据作为样本。在无线传感瓦斯监测系 统为模型的基础上，对基于蚁群算法的 RBF 神经网络算法建立的瓦斯涌出量预测模 型进行瓦斯预测研究。并采用 MATLAB 进行仿真研究，结果表明预测效果良好。 关键词： RBF 神经网络；蚁群算法；瓦斯预测；无线传感网络；  Abstract Gas disaster prevention is always the important point of coal mine safety. More than 70% serious disasters and accidents of coal mine in our country are gas disasters. With the increase of mining depth and growing competition in coal industry, the number of gas disasters is showing a tendency of rising. And the result can be worse. There are many advantages of RBF neural network, such as simple structure, quick study, fit accuracy, better generalization capabilities, not easy to fall into local minima and so on. In this paper, the RBF neural network prediction mode of coal mine gas emission rate is attempted to establish, which is to do the approximation of function between coal mine gas emission rate and complicated non-linear relation of many factors. The ant colony optimization theory is used to optimize the neural network and overcome the shortcomings of the neural network. Besides that, weights and threshold value are optimized by the ant colony optimization algorithm. Enough representative dates of gas detector are used as examples in this paper. On the basis of wireless sensor gas detection system, the prediction model of coal mine gas emission rate is established by the RBF neural network algorithm, which is optimized by the ant colony algorithm. MATLAB is also used to do simulation research. The