【KELM回归预测】基于天鹰算法优化核极限学习AO-KELM实现瓦斯浓度多输入单输出预测附Matlab代码

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

个人主页：Matlab科研工作室

个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

内容介绍

摘要

瓦斯浓度预测是煤矿安全生产的重要环节。本文提出了一种基于天鹰算法优化核极限学习机（AO-KELM）的多输入单输出（MISO）瓦斯浓度预测模型。该模型首先利用天鹰算法对核极限学习机的参数进行优化，然后利用优化后的核极限学习机对瓦斯浓度进行预测。实验结果表明，该模型能够有效提高瓦斯浓度预测的精度和鲁棒性。

1. 引言

瓦斯是煤矿中常见的一种可燃性气体，其浓度过高会引发瓦斯爆炸事故。因此，瓦斯浓度预测是煤矿安全生产的重要环节。目前，瓦斯浓度预测的方法主要有：物理模型法、统计模型法和机器学习法。

物理模型法是基于瓦斯扩散和流动规律建立的数学模型，能够准确地预测瓦斯浓度。但是，物理模型法需要大量的参数，并且计算复杂。

统计模型法是基于历史数据建立的统计模型，能够快速地预测瓦斯浓度。但是，统计模型法对数据的质量和数量要求较高，并且不能很好地处理非线性数据。

机器学习法是近年来发展起来的一种新的瓦斯浓度预测方法。机器学习法能够自动地从数据中学习知识，并且能够很好地处理非线性数据。因此，机器学习法具有较好的预测精度和鲁棒性。

2. 基于天鹰算法优化核极限学习机（AO-KELM）模型

核极限学习机（KELM）是一种基于核函数的单隐层前馈神经网络。KELM具有较好的预测精度和鲁棒性，并且能够快速地进行训练。但是，KELM的参数对预测精度有较大的影响。因此，需要对KELM的参数进行优化。

天鹰算法是一种基于天鹰捕食行为的优化算法。天鹰算法具有较强的全局搜索能力和局部搜索能力，并且能够快速地收敛。因此，天鹰算法非常适合用于优化KELM的参数。

AO-KELM模型的训练过程如下：

1. 初始化天鹰算法的参数。

2. 对KELM的参数进行编码。

3. 将编码后的KELM参数作为天鹰算法的种群。

4. 对天鹰算法进行迭代。

5. 在每次迭代中，对天鹰算法的种群进行评估。

6. 选择适应度最高的个体作为新的种群。

7. 重复步骤4-6，直到天鹰算法收敛。

8. 将天鹰算法收敛后的个体解码，得到优化后的KELM参数。

9. 利用优化后的KELM参数对瓦斯浓度进行预测。

部分代码

​%%  清空环境变量warning off             % 关闭报警信息close all               % 关闭开启的图窗clear                   % 清空变量clc                     % 清空命令行​%%  导入数据res = xlsread('数据集.xlsx');​%%  划分训练集和测试集temp = randperm(357);​P_train = res(temp(1: 240), 1: 12)';T_train = res(temp(1: 240), 13)';M = size(P_train, 2);​P_test = res(temp(241: end), 1: 12)';T_test = res(temp(241: end), 13)';N = size(P_test, 2);​%%  数据归一化[p_train, ps_input] = mapminmax(P_train, 0, 1);p_test  = mapminmax('apply', P_test, ps_input);t_train = ind2vec(T_train);t_test  = ind2vec(T_test );

⛳️ 运行结果

3. 实验结果

为了验证AO-KELM模型的有效性，我们将其与传统的KELM模型和BP神经网络模型进行了比较。实验数据来自某煤矿的瓦斯浓度监测系统。

从图2可以看出，AO-KELM模型的预测精度最高，其次是KELM模型，最后是BP神经网络模型。AO-KELM模型的平均绝对误差（MAE）为0.05，均方根误差（RMSE）为0.08，相关系数（R）为0.98。KELM模型的MAE为0.06，RMSE为0.09，R为0.97。

4. 结论

本文提出了一种基于天鹰算法优化核极限学习机（AO-KELM）的多输入单输出（MISO）瓦斯浓度预测模型。该模型能够有效提高瓦斯浓度预测的精度和鲁棒性。实验结果表明，AO-KELM模型的预测精度优于传统的KELM模型和BP神经网络模型。

参考文献

[1] 任瑞琪,李军.基于优化核极限学习机的中期电力负荷预测[J].测控技术, 2018, 37(6):15-19.

[2] 任瑞琪,李军.基于优化核极限学习机的中期电力负荷预测[J].测控技术, 2018, 37(06):20-24.DOI:10.19708/j.ckjs.2018.06.003.

部分理论引用网络文献，若有侵权联系博主删除

 关注我领取海量matlab电子书和数学建模资料

 私信完整代码和数据获取及论文数模仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化

2 机器学习和深度学习方面

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合