买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：昆明理工大学

摘要：本发明涉及矿井智能通风技术领域，具体为一种基于巷道断面传感器数据的平均风量预测方法及系统，该方法包括如下步骤：依据井下多类型巷道断面风速数据获得巷道平均风量数据样本；设置自适应调整惯性权重因子和学习因子异步改进模型；基于自适应调整惯性权重因子和学习因子异步改进模型对粒子群算法进行优化，并得到粒子群优化算法模型；根据粒子群优化算法模型构建支持向量机模型，利用支持向量机模型获得巷道断面平均风量预测模型；通过巷道平均风量数据样本对巷道断面平均风量预测模型进行训练，利用训练后预测模型预测巷道断面的平均风量。本发明基于巷道断面风量分布的影响因素参数及对应数据，实现巷道平均风量的智能化预测。

主权项：1.一种基于巷道断面传感器数据的平均风量预测方法，其特征在于，包括如下步骤：依据井下多类型巷道断面风速数据获得巷道平均风量数据样本；设置自适应调整惯性权重因子和学习因子异步改进模型；基于所述自适应调整惯性权重因子和所述学习因子异步改进模型对粒子群算法进行优化，并得到粒子群优化算法模型；根据所述粒子群优化算法模型构建支持向量机模型，利用所述支持向量机模型获得巷道断面平均风量预测模型；通过所述巷道平均风量数据样本对所述巷道断面平均风量预测模型进行训练，利用训练之后的巷道断面平均风量预测模型预测巷道断面的平均风量；所述设置自适应调整惯性权重因子和学习因子异步改进模型包括：所述自适应调整惯性权重因子，满足如下关系： 其中，表示粒子群自适应调整惯性权重因子，表示粒子群搜索迭代至最大次数时的惯性权重参数值，表示粒子群当前达到的搜索迭代次数，表示粒子群最大搜索迭代次数，表示粒子群初始惯性权重参数值；所述设置自适应调整惯性权重因子和学习因子异步改进模型包括：所述学习因子异步改进模型，满足如下关系： ， 其中，表示单个粒子的学习因子，表示的初始搜索设定值，表示粒子群当前达到的搜索迭代次数，表示结束搜索时的设定值，表示粒子群最大搜索迭代次数，表示粒子群群体学习因子，表示的初始搜索设定值，表示结束搜索时的设定值；所述基于所述自适应调整惯性权重因子和所述学习因子异步改进模型对粒子群算法进行优化，并得到粒子群优化算法模型包括：利用所述自适应调整惯性权重因子和所述学习因子异步改进模型对粒子群算法模型进行优化，并得到粒子群优化算法模型；所述粒子群优化算法模型，满足如下关系： ， 其中，表示经过次搜索迭代更新后第个粒子的收敛速度，表示粒子群自适应调整惯性权重因子，表示经过次搜索迭代更新后第个粒子的收敛速度，表示粒子的搜索迭代次数，表示单个粒子的学习因子，表示[0,1]范围内的第一随机数，表示第个粒子经过次搜索迭代更新后中最优的个体位置，表示粒子群群体学习因子，表示[0,1]范围内的第二随机数，表示粒子群经过次搜索迭代更新后最优的位置，表示第个粒子经过次搜索迭代更新后的位置，表示第个粒子经过次搜索迭代更新后的位置；所述根据所述粒子群优化算法模型构建支持向量机模型，利用所述支持向量机模型获得巷道断面平均风量预测模型包括：引入拉格朗日乘子；结合所述支持向量机模型和所述拉格朗日乘子获得巷道断面平均风量预测模型；所述巷道断面平均风量预测模型，满足如下关系： ，其中，表示引入拉格朗日乘子后的特征空间最优线性回归超平面最优目标函数，表示巷道平均风量数据样本集中的最新支持向量，表示法向量的位移项，表示用于等式约束和优化支持向量机模型的第1拉格朗日乘子，表示用于不等式约束和优化支持向量机模型的第拉格朗日乘子，表示巷道平均风量数据样本集中的第1支持向量，表示用于等式约束和优化支持向量机模型的第2拉格朗日乘子，表示用于不等式约束和优化支持向量机模型的第拉格朗日乘子，表示巷道平均风量数据样本集中的第2支持向量，表示用于定义最优线性超平面的非线性核函数，表示用于等式约束和优化支持向量机模型的第拉格朗日乘子，表示用于不等式约束和优化支持向量机模型的第拉格朗日乘子，表示巷道断面平均风量预测值，表示调节训练数据拟合程度和对噪声容忍程度的不敏感系数，表示转置后的巷道平均风量数据样本集中的最新支持向量，表示巷道平均风量数据样本集中的第n支持向量。

全文数据：

权利要求：

百度查询： 昆明理工大学 一种基于巷道断面传感器数据的平均风量预测方法及系统