基于混沌粒子群的AWLSSVM瓦斯预测研究 论文

为了提高矿井瓦斯浓度预测的准确性，研究团队提出了一种基于改进混沌粒子群算法的多变量自适应加权最小二乘支持向量机（AWLSSVM）瓦斯预测模型，成功实现了瓦斯浓度的多步预测。具体来说，首先对传统粒子群算法进行了深入分析，并提出了一种收敛速度更快、全局搜索能力更强的改进混沌粒子群算法。这种改进算法解决了加权最小二乘支持向量机（AWLSSVM）权值线性分布的缺点，结合离散点的分布特征，进一步优化了AWLSSVM模型。

为了验证该模型的有效性，研究团队通过混沌理论构建了模型的样本集，并进行了详尽的实例分析。结果显示，AWLSSVM单变量预测精度相对于最小二乘支持向量机提高了5.3%，相比于传统AWLSSVM，预测精度提高了6.7%。在多变量情况下，AWLSSVM相对于单变量AWLSSVM的五步预测精度分别提高了39.3%、49.6%、55.9%、59.7%、62.5%。