声明
致谢
1绪论
1.1 研究背景及意义
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 论文研究内容及结构安排
1.3.1 研究内容
1.3.2 结构安排
1.4 本章小结
2瓦斯时间序列概念与神经网络基础
2.1 时间序列与瓦斯时间序列
2.1.1 时间序列特性
2.1.2 瓦斯时间序列特性
2.2.1 神经元模型
2.2.2 传统神经网络模型
2.3.1 瓦斯时间序列与地质因素的联系
2.3.2 瓦斯时间序列预测模型的建立
2.4 本章小结
3 RNN与LSTM神经网络模型研究
3.1.1 传统神经网络模型的固有缺陷
3.1.2 RNN神经网络正向传递过程
3.1.3 基于时间的反向传播算法(BPTT)
3.1.4 RNN神经网络模型的优势与固有缺陷
3.2.1 LSTM模型理论研究
3.2.2 LSTM神经网络模型的优点与缺陷
3.3 本章小结
4基于RNN与LSTM模型的瓦斯时间序列仿真预测
4.1 优化算法
4.1.1 异常数据与缺失数据的优化处理
4.1.2 SGD算法
4.1.3 Dropout方法
4.1.4 Xavier权值初始化算法
4.2 RNN神经网络模型的仿真预测
4.2.2 RNN神经网络模型的预测方案
4.2.3 RNN神经网络模型的仿真实现
4.3 LSTM 神经网络模型的仿真预测
4.3.1 LSTM神经网络模型的预测方案
4.3.2 LSTM神经网络模型的仿真实现及存在的问题
4.4 本章小结
5基于PCA-LSTM-RNN模型的仿真实验
5.1.1 主成分分析法的基本原理
5.1.2 主成分分析法适用范围与可行性讨论
5.2.1 改进的LSTM模型
5.2.2 改进的LSTM模型优势
5.3 PCA-LSTM-RNN模型的建立与仿真预测
5.3.1 PCA-LSTM-RNN模型的预测方案与验证
5.3.2 相关数据的主成分分析
5.3.3 PCA-LSTM-RNN模型的仿真实现
5.4 实验结果和分析
5.5 本章小结
6结论与展望
参考文献
作者简历
学位论文原创性声明
学位论文数据集