融合机器学习算法的煤矿井下信道建模研究

TD166%TN929.4; 由于矿井复杂多变的环境特征,传统射线跟踪法的井下无线信道建模误差较大,本文通过对机器学习算法及其搭配使用的特征进行分析评估,从而选择最优的信道建模方法.引入机器学习算法对场景特征进行学习进而实现较为精确的建模,研究了BP神经网络、遗传算法、支持向量机在井下信道建模方向上的应用.构建了射线跟踪法与GA_BP相结合的场强预测模型,同时使用最小二乘支持向量机方法建立预测模型.以地下巷道的实测数据作为算法的训练样本,对场强进行预测,试验本文各类算法的特征以及算法中参数对预测结果的影响.得到场强预测结果与实测数据的误差为-1.206 dbm,本文混合模型提升了井下场强预测精...

Full description

Saved in:
Bibliographic Details
Published in中国矿业 Vol. 30; no. 11; pp. 68 - 74
Main Authors 崔丽珍, 曹坚, 李丹阳, 杨勇, 史明泉
Format Magazine Article
LanguageChinese
Published 内蒙古科技大学信息工程学院,内蒙古包头014010 01.11.2021
Subjects
煤矿井下;场强预测;混合模型;射线跟踪;GA_BP;LS-SVM
Online AccessGet full text
ISSN1004-4051
DOI10.12075/j.issn.1004-4051.2021.11.014

Cover

More Information
Summary:TD166%TN929.4; 由于矿井复杂多变的环境特征,传统射线跟踪法的井下无线信道建模误差较大,本文通过对机器学习算法及其搭配使用的特征进行分析评估,从而选择最优的信道建模方法.引入机器学习算法对场景特征进行学习进而实现较为精确的建模,研究了BP神经网络、遗传算法、支持向量机在井下信道建模方向上的应用.构建了射线跟踪法与GA_BP相结合的场强预测模型,同时使用最小二乘支持向量机方法建立预测模型.以地下巷道的实测数据作为算法的训练样本,对场强进行预测,试验本文各类算法的特征以及算法中参数对预测结果的影响.得到场强预测结果与实测数据的误差为-1.206 dbm,本文混合模型提升了井下场强预测精度.
ISSN:1004-4051
DOI:10.12075/j.issn.1004-4051.2021.11.014