组合模型在农业用水量预测中的应用

在分析灰色模型与人工神经网络模型特点的基础上提出了灰色神经网络组合预测模型,并以最小二乘法确定了2个单一模型权重系数的分配.结果显示,灰色神经网络组合预测模型的最大、最小及平均误差均明显优于2个单一模型,有效提高了预测的精度.     

热风炉煤气消耗量灰色预测模型的开发

针对热风炉系统非线性、大滞后、大惯性,煤气消耗量难以有效预测的问题,以某高炉热风炉为研究对象,采用灰色模型对煤气消耗量进行预测。介绍了预测模型的建模方法、系统软件结构、预测模型的建立步骤,通过粒子群算法优化了模型参数,最后使用灰色模型对该高炉热风炉煤气消耗量进行预测,结果说明该方法预测准确,具有较强的实践意义,为调度人员准确把握煤气资源的波动趋势,进行优化调配提供了可靠依据,降低了能耗。     

基于灰色时序组合模型的高炉热风炉煤气消耗量的预测

以某一钢铁企业为背景,针对钢铁行业影响煤气消耗量的因素复杂多变,而又难于把握的特性,提出基于历史数据,运用灰色时序组合模型对高炉热风炉煤气消耗量进行建模预测的方法.实验表明,在热风炉正常的操作制度下,这种组合预测方法能很好地把握煤气用量的波动规律,具有较高的预测精度.     

基于CEEMDAN–LSTM组合的锂离子电池寿命预测方法

针对目前锂离子电池寿命预测结果不准确的问题,提出了一种多模态分解的锂离子电池组合预测模型,从而学习锂离子电池退化过程的微小变化。该方法在单一长短期记忆（LSTM）预测模型的基础上,采用了自适应噪声完全集成的经验模态分解(CEEMDAN)算法将锂电池容量分为主退化趋势和若干局部退化趋势,然后使用长短期记忆神经网络（LSTMNN）算法分别对所分解的若干退化数据进行寿命预测,最后将若干预测结果进行有效集成。结果表明,所提出的CEEMDAN?LSTM锂离子电池组合预测模型最大平均绝对百分比误差不超过1.5%,平均相对误差在3%以内,且优于其他预测模型。      

基于GEP的金属矿尾矿坝变形预测模型研究

尾矿坝的变形监测是金属矿山企业生产管理极其重要的环节,针对目前尾矿坝变形预测模型存在不足的现状,论文采用了基因表达式编程（GEP）算法,以Eclipse 为开发工具,通过选择函数集和终止符集、种群初始化、染色体解码、适应度评估、遗传操作等过程,建立了基于GEP - Deep Excavation的尾矿坝变形预测模型,并对某金属矿山尾矿坝监测点位移数据进行了预测; 经与灰色GM（1,1）和BP 神经网络2 种模型试验对比分析,证实了基于GEP 的尾矿坝变形预测模型的可行性和有效性,从而为金属矿山尾矿坝的变形预测提供了一种新方法.      

基于KPCA-IPSO-LSSVM的充填管道磨损风险预测

为克服传统预测模型存在的适用性差、预测精度不足和参数选取随意性强等缺陷,提出了一种将核主成分分析法（KPCA）、改进粒子群算法（IPSO）与最小二乘支持向量机（LSSVM）相结合的充填管道磨损风险预测新方法。通过KPCA对管道磨损影响因素进行特征提取,将提取结果作为LSSVM的输入,同时利用具有较强全局搜索能力的IPSO算法对模型参数进行优化,构建KPCA-IPSO-LSSVM组合预测模型。以黄陵县矿区的80组实测数据为例,对该模型进行训练和预测,并将其预测结果与IPSO-LSSVM模型、LSSVM模型、SVM模型的预测结果进行对比分析。结果表明：与其他3个预测模型相比,KPCA-IPSO-LSSVM模型具有较高的预测精度和较强的泛化能力,为充填管道磨损风险预测提供了一种更为有效的预测方法。     

基于改进小波-TCN的高炉铁水钒含量预测系统

铁水钒含量作为冶炼钒钛磁铁矿高炉的重要经济指标,对其进行准确预测将对高炉后续提钒增效具有重要生产意义。利用小波-TCN组合时序模型对具有非线性、波动大等特点的高炉铁水钒含量进行预测。首先利用小波变换将原时间序列数据分解成多个噪声段和单个趋势段,然后选用TCN模型对小波变换后的噪声段和趋势段分别进行预测,最后将结果重构得到最终的预测结果。对于选取小波变换层数较复杂的问题,利用赫斯特系数能够表征数据可预测性的特点,提出小波变换后的平均赫斯特系数(公式)用于降低模型建立过程中小波变换层数选取的复杂度,从而改进小波-TCN组合时序模型。结果表明,改进后的预测模型对单一变量预测高效且准确,相对非改进模型运算时间减少150％左右。对于赫斯特系数大于0.5的预测数据,利用改进小波-TCN组合时序模型对铁水钒含量进行预测,预测结果数据的R2达到0.967,均优于LSTM、LSTM with Attention和TCN单一预测模型的预测效果;对铁水硅、硫含量和铁水温度数据进行单变量预测,其R2分别为0.953、0.942和0.933。该预测模型可高效准确地对高炉铁水质量单变量进行预测,并可为高炉冶炼过程中所产生的其他波动较大数据的单变量准确、高效预测提供参考方案。基于预测模型进行预测系统功能应用开发,能使操高炉操作人员直观了解高炉出铁质量各参数状况,对高炉出铁质量数据进行提前掌握,促进高炉稳定顺行。     

一种基于基元反应原理的沉降预测模型

现有沉降预测方法受其理论制约或简化性假设条件的影响,预测结果常不甚理想。通过分析沉降过程发展的特征,提出了一种基于基元反应原理的的沉降预测模型。将之用于某矿区工程沉降分析,取得理想效果,证明该模型有进一步推广应用的价值。     

基于MICE_RF的组合赋权—极限随机树岩爆预测模型

目前岩爆预测的真实训练数据量小、数据存在缺失,为了更加准确地预测岩爆等级,提出了一种基于链式随机森林多重插补（MICE_RF）算法的组合赋权—极限随机树（ET）预测模型。首先,在选取岩爆灾害主要评判指标的基础上,采用MICE_RF算法插补缺失数据;然后,由改进层次分析法（IAHP）和基于指标相关性的权重确定方法（CRITIC）确定指标主、客观权重,并引入权向量距离概念对指标组合赋权;最后,将插补和赋权后数据集采用ET算法,构建岩爆等级预测模型。利用国内外工程实例数据进行20次随机抽样试验,并与其他模型进行对比分析。结果表明：MICE_RF插补后可显著提高岩爆模型预测效果;改进AHP-CRITIC法较改进前更具优势,该模型平均预测准确率为93.10%,各比较指标结果均优于对比模型,预测结果更稳定。     

基于灰色新陈代谢模型的我国棉花产量预测

为预测2011年我国棉花产量,基于灰色预测建模思想和新陈代谢原理,建立了灰色新陈代谢预测模型,并结合实际情况分析了常规GM(1,1)模型和新陈代谢GM(1,1)模型的预测结果,表明新陈代谢预测模型比常规预测模型精度高.用新陈代谢GM(1,1)模型预测的我国2011年棉花产量为614.968 3万t.     

辽宁白云金矿床地球化学异常分带模型与找矿预测标志

白云金矿是辽东青城子矿田的一处大型金矿床,矿体赋存于辽河群盖县组碎屑岩中,受白云EW向断裂控制。构建矿床地球化学异常分带模型,总结找矿预测标志,有助于开展深部及矿区外围的找矿预测。通过对白云金矿床不同中段微量元素与烃类组分的含量变化及其在矿体周围的异常展布特征和富集规律进行分析总结,得出该矿床原生晕分带序列为：Hg、烃类（前缘晕）→As、Sb（矿头晕）→Au、Ag、Cu、Pb、Zn（近矿晕）→Co、Ni、Mo、Bi、Mn（尾晕）。研究表明,白云金矿床向深部仍有一定的找矿空间,矿床地球化学异常分带模型对区域上寻找同类型矿床具有一定的参考价值。     

宁都硫铁矿近地开采稳定性理论与监测综合评判分析

宁都硫铁矿采用房柱法开采,地面标高为+240 m,最上开采中段标高+190 m,开采最上中段距地表不过50 m,矿山开采以来未采取充填、加固的治理措施.针对矿山的开采是否造成上覆岩层失稳,地表沉降是否可以预测,实际监测沉降量是否在可控范围内等问题.采用关键层及岩层破坏极限跨距理论进行岩层稳定性分析,结果显示采场跨度在8 m的条件下,上覆岩层稳定.采用灰色系统预测模型进行对比分析,结果显示预测沉降值与实际监测沉降量基本一致,表明具有可信性,可应用于沉降预测.根据矿山实际情况,进行了长期的地表沉降监测,编制变化曲线图,结果显示矿山开采造成了沉降,沉降值在可接受范围内,但必须引起足够的重视.      

建筑深基坑的常用测量仪器及操作方法

本文通过对深基坑施工测量技术的介绍，结合建筑工程实践，对深基坑测量的常用仪器一磁性深层沉降仪和测斜仪及其使用方法进行阐述，对基坑周围土层进行测量，指导基坑开挖和支护，为建筑基础的下一步浇筑工作奠定基础。     

基于GA-BP神经网络的露天矿边坡变形预测分析

矿区边坡在各种因素的影响下,将会发生变形,但变形超过一定限度时,会对矿区产生很大的危害,开展边坡变形预测分析,能在一定程度上预防灾害的发生。文中在充分考虑BP神经网络初始权值和阈值难以确定,造成模型系统进入局部最小化,导致预测精度不高等问题的基础上,提出GA-BP神经网络预测模型,解决了普通网络模型在权值和阈值上的不足,并以越堡露天矿边坡变形监测点JC31、JC33、JC36为研究对象,分别采用灰色理论模型、BP神经网络模型以及GA-BP模型进行预测,研究结果表明:GA-BP网络模型较灰色模型和BP模型的预测值与实际值更吻合,预测精度更高,其平均相对误差最小,较其他两种方法预测精度提高了10倍以上,表明该方法具有一定的可靠性和可行性。      

Predicting Settlement of Shallow Foundations using Neural Networks

Over the years, many methods have been developed to predict the settlement of shallow foundations on cohesionless soils. However, methods for making such predictions with the required degree of accuracy and consistency have not yet been developed. Accurate prediction of settlement is essential since settlement, rather than bearing capacity, generally controls foundation design. In this paper, artificial neural networks (ANNs) are used in an attempt to obtain more accurate settlement prediction. A large database of actual measured settlements is used to develop and verify the ANN model. The predicted settlements found by utilizing ANNs are compared with the values predicted by three of the most commonly used traditional methods. The results indicate that ANNs are a useful technique for predicting the settlement of shallow foundations on cohesionless soils, as they outperform the traditional methods.     

Time Series Prediction of Chimney Foundation Settlement by Neural Networks

Neural network (NN) models for time series forecasting were initially used in economic fields. In this paper, NN models for time series forecasting are introduced for use in forecasting the settlement of chimney foundations. The data sets used in the NN models were measured in the field. Seven models with different input series are developed to determine the optimal structure of the network. In evaluating the network performance, the network model that uses the previous nine months’ settlement values as input is selected as the optimal model. The analysis results demonstrate that the settlement values predicted by the optimal model are in good agreement with the field measurements. In addition, as the number of data points in the input series increases, the NN performance clearly improves, and this improvement stops after the input series has increased to a certain extent. This demonstrates that the time-series-based NN model can also be successfully applied to predict foundation settlement.     

基于HP滤波—AR模型—GARCH族模型对黄金价格预测研究

黄金作为一种特殊的贵金属,不仅其本身具有货币和商品的双重功能,而且对经济领域有着重要影响,因此预测黄金价格趋势对社会经济发展具有重要意义。文中提出了一种新的预测方法:首先采用HP滤波将时间序列分解为趋势要素序列和周期波动序列;然后针对不同序列的性质,对趋势要素序列采用自回归模型(AR)拟合预测,对周期波动序列采用ARMA-GARCH族模型拟合预测;最后将两个预测序列相加与原序列比较;预测结果在模型精度和范围上均令人满意。     

矿井涌水量预测的PCA-GA-ELM模型及应用

为了快速有效地预测矿井涌水量,并进一步提高预测的准确性,在分析矿井涌水量影响因素的基础上,提出一种将主成分分析法（PCA）、遗传算法（GA）与极限学习机（ELM）相结合的矿井涌水量预测新方法。根据矿井涌水实例数据,综合选取9个主要因素作为矿井涌水量的预测指标,通过PCA对数据进行降维预处理,并针对ELM算法的不足,结合GA算法对其进行优化训练,建立矿井涌水量预测的PCA-GA-ELM模型。对模型进行训练及检验,并将PCA-GA-ELM模型与GA-ELM模型、单一ELM模型的预测结果进行对比分析,其预测结果与实际情况更吻合。该模型预测效果优于GA-ELM模型和ELM模型,可对矿井涌水量进行更准确有效的预测,提供科学的参考依据,指导矿山生产。