Resumen

Es bien sabido que la previsión de las brotaciones de gas de mina es muy importante para garantizar la seguridad de la minería. En este artículo se presenta una máquina vectorial de relevancia robusta basada en wavelets y en el control de programación de datos de sensores para modelar la previsión de brotes de gas en minas. La función wavelet Morlet puede utilizarse como función kernel de la máquina vectorial de relevancia robusta. El error porcentual medio se ha utilizado para medir el rendimiento del método propuesto en este estudio. Como el error medio de predicción de la brotación de gas de mina del modelo WRRVM es inferior al 1,5%, y el error medio de predicción de la brotación de gas de mina del modelo RVM es superior al 2,5%, puede verse que la precisión de predicción de la brotación de gas de mina del modelo WRRVM es mejor que la del modelo RVM.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:brote de gas de mina, predicción de brote de gas de mina, máquina vectorial de relevancia robusta, error medio de predicción, modelo rvm, modelo wrrvm, control de programación de datos de sensores, error medio porcentual, función wavelet morlet, función kernel
• Keywords:mine gas gushing, mine gas gushing forecasting, robust relevance vector machine, mean prediction error, rvm model, wrrvm model, sensor data scheduling control, mean percentage error, morlet wavelet function, kernel function