《表3 5种训练模型的预测值与实际测试值的偏差Tab.3 Deviation between predictive values of five models and actual values》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于改进型主元分析和SVR的煤矿瓦斯涌出量预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

（m3·min-1）

可以看到，利用SPCA-SVR模型的预测值与实际值拟合较好，为了对比分析，本文还对相同的样本分别利用SVR、PCA-SVR、矿山统计法和BP-NN模型进行了预测分析.关于矿山统计法预测，由于在瓦斯地带，通常情况下相对瓦斯涌出量与开采深度近似呈线性相关，因此矿山统计法实质上是求一个线性回归方程，预测模型简单，预测结果精度较差.BP-NN，即BP神经网络，是由输入层，隐含层和输出层三层构成，是引用比较广泛的神经网络模型之一，它的学习过程由正向传播信号和反向传播误差组成，每一次的误差反传都将对各层的各个单元的权值进行调整，通过不断迭代，达到一定的学习次数或者使最终误差达到一个合适的水平为止[14].该方法模型较为复杂，学习速度较慢.本文用Matlab软件对上述预测方法进行仿真，训练预测结果如表3所示，仿真拟合结果如图3所示，其中偏差值为实际值与预测值差的绝对值.