基于混沌免疫粒子群优化和广义回归神经网络的回采工作面瓦斯涌出量预测模型

为提高回采工作面绝对瓦斯涌出量预测的精度和效率,提出了将混沌免疫粒子群优化(CIPSO)算法与广义回归神经网络(GRNN)相耦合的绝对瓦斯涌出量预测模型。该方法采用CIPSO对GRNN的光滑因子进行动态优化调整,减少了人为因素对GRNN网络输出结果的影响,并采用优化后的网络建立瓦斯涌出量预测模型。通过对某煤矿瓦斯涌出量数据的仿真实验结果表明:基于CIPSO-GRNN的回采工作面绝对瓦斯涌出量模型比BP神经网络、Elman网络预测模型具有更好的预测精度和收敛速度,证明了该方法的有效性和可行性。     

煤矿瓦斯涌出量预测及仿真研究

瓦斯涌出量受很多随机性因素的影响,传统的预测方法精度低,使得瓦斯事故频频发生。针对瓦斯涌出量系统的高度非线性和复杂性,为了提高瓦斯涌出量的预测精度,提出了基于自学习模糊神经网络的一种控制算法。用遗传算法离线训练该控制算法的参数,由于BP神经网络具有很强的局部搜索能力和对对象的适应能力,用BP网络在线学习参数,建立了基于自学习模糊神经网络控制算法的瓦斯涌出量动态系统的预测模型。对同煤某矿采集样本数据并进行预处理,建立了具有优化参数的网络结构。最后,将该控制算法的预测结果与实际值和常规模糊神经网络模型进行比较,说明了该控制算法降低了预测误差,具有更高的预测精度,为解决瓦斯预测问题提供了一条新的理论支持。     

投影寻踪在瓦斯涌出量预测中的应用

针对瓦斯涌出量预测时常用的瓦斯监测数据降维方法会不同程度地造成数据信息丢失、导致预测精度降低的问题,利用投影寻踪原理并结合差分进化算法将高维样本数据转化成1维投影数据,运用Matlab曲线拟合工具箱建立了一种正弦和函数瓦斯涌出量预测模型。实验结果表明,该模型具有较高的预测精度和可操作性。     

QGA-RBF网络在无线传感瓦斯监测系统中的应用

煤矿的安全事故中有80%以上为瓦斯事故,为了更加准确的预测瓦斯涌出量,使得煤矿安全进一步得到保障,采用足够的具有代表性的瓦斯检测数据作为样本,在无线传感瓦斯监测系统为模型的基础上,对采用QGA算法改进后的RBF神经网络算法建立的瓦斯涌出量预测模型进行瓦斯预测研究。并采用MATLAB进行仿真研究,结果表明经过优化后的预测模型较单一的RBF网络模型有更好的预测精度,可以为煤矿瓦斯防治提供理论依据。     

QGA-RBF神经网络在矿井瓦斯涌出量预测中的应用

煤矿的安全事故中有80%以上为瓦斯事故,为了更加准确的预测瓦斯涌出量,使得煤矿安全进一步得到保障,采用足够的具有代表性的瓦斯检测数据作为样本,利用QGA算法优化RBF神经网络的参数,建立了瓦斯涌出量的预测模型,并使用MATLAB进行仿真研究。结果表明,经过优化后的预测模型较单一的RBF网络模型有更好的预测精度,可以为煤矿瓦斯防治提供理论依据。     

煤矿瓦斯涌出量动态预测的PCA-MFOA-GRNN模型及应用

针对煤矿瓦斯涌出受许多因素的影响,为了克服瓦斯涌出中存在的复杂的非线性关系,从而实现稳定、可靠、精确的对煤矿综采工作面瓦斯涌出量进行动态预测,提出了主成分分析法（PCA）结合改进的果蝇算法（MFOA）优化GRNN的绝对瓦斯涌出量的预测手段。运用PCA算法对原始输入数据降维;并且对果蝇算法中的Si函数增加一个跳脱参数B,避免局部最优因子对预测模型的干扰;将MFOA算法对GRNN的平滑因子σ进行优化;将PCA结果作为模型的输入,建立了PCA-MFOA-GRNN算法的回采工作面瓦斯涌出量动态预测模型,结合实际矿井瓦斯涌出量监测的相关数据检验该模型,并将该模型的预测结果与未修正的FOA-GRNN算法、CIPSO-ENN算法、BP神经网络预测、Elman网络预测结果进行对比,结果表明：该预测模型对GRNN的参数优化后得到的预测模型较其他预测模型有更强的泛化能力和更高的预测精度。     

灰色Elman神经网络的矿井瓦斯涌出量预测

为了准确预测矿井瓦斯涌出量,将灰色理论与Elman神经网络模型结合,建立矿井瓦斯涌出量预测模型。灰色系统能较好地预测变化的趋势,而Elman神经网络具有动态特性好、逼近速度快、精度高等特点。对于煤矿生产中瓦斯涌出量的预测,两者结合能够发挥各自的优势,以某煤矿矿井为例,影响瓦斯涌出量的因素为预测因子建立灰色理论与Elman神经网络融合的预测模型。结果表明,灰色Elman神经网络模型优于传统灰色预测模型,提高了预测精度,达到了很好的预测效果。     

合理遗忘选择训练样本的煤矿瓦斯涌出量预测

为了提高煤矿瓦斯涌出量的预测精度,针对煤矿瓦斯涌出量的训练样本选择问题,提出一种基于合理遗忘训练样本的煤矿瓦斯涌出量预测模型。首先通过引入遗忘因子既考虑了历史数据的影响,又突出了新数据的作用,然后最小二乘支持向量机建立煤矿瓦斯涌出量预测模型,最后进行了仿真分析。结果表明,该模型提高了煤矿瓦斯涌出量的建模效率,获得了更加理想的煤矿瓦斯涌出量预测结果。     

基于CSO-RVM的瓦斯涌出量预测模型研究

为了实时监测和精准预测煤矿回采工作面绝对瓦斯涌出量,提出猫群算法(CSO)优化相关支持向量机(RVM)的绝对瓦斯涌出量预测方法.相关向量机的组合核函数可实现多特征空间的信息融合,为有限样本、高维数瓦斯涌出量预测建模问题提供一种行之有效的方法.并用CSO算法对RVM瓦斯涌出量预测模型的核函数权重p和高斯核参数σ快速寻优.利用矿井无线传感器网络检测到的各项历史数据试验.结果表明,相比BP、SVM算法,该耦合模型有效提高了预测精度,具有更好的泛化能力,为矿井瓦斯预测提供理论支持.     

基于径向基的瓦斯涌出量灰色预测模型

为了进一步预防煤层瓦斯突出,实现准确、快速预测煤矿瓦斯涌出量的大小,首先采用1-AGO对样本数据进行处理,建立灰色(GM)预测模型,再利用径向基(RBF)神经网络对灰色预测模型结果进行预测,以作为其最终的预测值;采用阜新煤矿某工作面瓦斯涌出量的历史数据进行建模,实验结果表明,GM-RBF组合模型在预测精度及训练误差方面均优于单一的GM模型和RBF神经网络预测模型;算法计算简便,减弱了数据的随机性及模型误差,煤矿瓦斯涌出量的预测平均误差减小到1.57%。     

基于KPCA和T-S模糊神经网络的煤与瓦斯突出的预测

应用核主成分分析（KPCA）和T-S模糊神经网络方法对煤与瓦斯突出进行快速、精准预测。利用KPCA对实验样本数据中的多种煤与瓦斯致突因素进行降维,简化问题的复杂度,将选取的累计贡献率大于 90%的4个主成分作为T-S模糊神经网络的输入参数,煤与瓦斯突出强度作为输出参数。利用实测数据进行验证,并与BP神经网络预测模型、T-S模糊神经网络预测模型的预测结果进行比较。结果表明,该方法建立的预测模型准确性、有效性更高,收敛时间短,适用于煤与瓦斯突出预测。     

Modeling of Energy Consumption and Effluent Quality Using Density Peaks-based Adaptive Fuzzy Neural Network

Modeling of energy consumption (EC) and effluent quality (EQ) are very essential problems that need to be solved for the multiobjective optimal control in the wastewater treatment process (WWTP). To address this issue, a density peaks-based adaptive fuzzy neural network (DP-AFNN) is proposed in this study. To obtain suitable fuzzy rules, a DP-based clustering method is applied to fit the cluster centers to process nonlinearity. The parameters of the extracted fuzzy rules are fine-tuned based on the improved Levenberg-Marquardt algorithm during the training process. Furthermore, the analysis of convergence is performed to guarantee the successful application of the DPAFNN. Finally, the proposed DP-AFNN is utilized to develop the models of EC and EQ in the WWTP. The experimental results show that the proposed DP-AFNN can achieve fast convergence speed and high prediction accuracy in comparison with some existing methods.      

基于SOM-RBF算法的瓦斯涌出量动态预测模型研究

针对煤矿瓦斯涌出量的多影响因素预测问题,以多传感器的瓦斯监测系统采集处理后的数据作为样本,提出了一种自组织特征映射神经网络（Self-organizing Feature Maps,SOM）与多变量的径向基函数(Radial Basis Function,RBF)结合的组合人工神经网络的模型动态预测新方法。采用先聚类、再分类建模和预测的方法,解决了由于训练样本有限和训练样本点分散所导致的预测精度降低的问题,并通过矿井监测到的各项历史数据进行试验。结果表明,与其他预测模型相比较,该模型的预测精度更高,泛化能力更强。预测平均相对误差为2.16%,均相对变动值ARV为0.0059,均方根误差RMSE为0.1311,有效地实现了对煤矿绝对瓦斯涌出量的动态预测,有较高的实用价值。     

基于小波模糊神经网络的实时交通流预测

实时交通流预测是智能运输系统研究的重要内容之一.本文将小波分析的相关知识与模糊神经网络相结合,给出了基于小波模糊神经网络的交通流预测模型,采用小波函数作为模糊隶属度函数,用神经网络来实现模糊推理,完成对下一个周期性交通流的估计.同时,用遗传算法来优化整个网络,实测数据验证这种方法预测精度高,收敛过程平稳,适应性强.     

基于模糊神经网络的WEDM可靠度预计

为了准确预计电火花线切割机床(WEDM)的可靠度,建立基于自适应模糊神经网络的可靠度预计模型。该模型以平均无故障时间为输入,以可靠度为输出,通过神经网络自适应训练获得适合WEDM可靠度预计的平均无故障间隔时间隶属函数。仿真结果表明,该模型的预计精度较高,与应用神经网络的WEDM可靠度预计结果相比,提高了96.4%。     

小波神经网络模型的确定性预测及应用

针对神经网络模型预测结果的随机性,构建了一种紧致性小波神经网络工具箱。该方法将小波函数移植到BP网络隐层,并采用一种随机确定状态命令获得确定的预测结果。与编程实现的小波神经网络和BP网络比较,该方法适合于大批量数据训练,对数据样本的适应能力和鲁棒性强,尤其对高频随机时间序列有更好的适应能力,具有预测结果确定及实用性强等特点,可显著提高模型的训练速度、预测精度和预测效率。基于小波包变换和小波神经网络的瓦斯涌出量预测实验证明了所提方法的有效性。     

基于分数阶神经网络的瓦斯涌出量预测

针对现有的煤与瓦斯涌出危险性区域预测模型存在收敛速度慢、极易陷入局部极值等问题,结合BP的局部搜索能力和分数阶算法快速的全局搜索能力,提出了一种基于分数阶神经网络的新预测模型,用于非线性瓦斯涌出量的动态预测。经训练和实验结果表明:该模型较其他模型具有更好的滤波效果、更强的抗干扰能力、更快的收敛速度、更高的收敛精度等特点,能够达到准确指导实践的要求。     

基于蚁群优化算法的瓦斯预测模型研究

针对瓦斯煤尘爆炸和煤与瓦斯突出给煤炭矿山企业带来的危害极大的问题,将蚁群优化算法和BP神经网络技术结合应用到瓦斯涌出量预测,建立比较准确的预测模型。重点研究了BP网络模型的选择与优化训练,通过蚁群算法优化解决了BP神经网络易陷入局部收敛的问题。仿真与实际数据验证表明：改进的神经网络算法对瓦斯涌出量预测能达到良好的效果。