粒子群算法优化BP神经网络在边坡稳定性中的应用

影响边坡稳定的因素繁杂多变,给边坡的稳定性评价与预测带来了困难,神经网络能够通过自学功能从样本数据中获取复杂的非线性关系,适用于解决边坡稳定性评价问题.因此,通过 Python语言建立了 BP神经网络模型,在此基础上借助粒子群算法提高模型的收敛速度与预测精度,建立了基于粒子群算法优化 BP神经网络实现边坡形变数据的分析预测模型,选取边坡土体的容重、黏聚力和内摩擦角等６个主要影响因素作为评判边坡稳定性的指标,将神经网络模型得到的预测结果与实际数据进行对比,结果表明利用粒子群算法优化后得到的预测值误差更小,验证了该模型的合理性和有效性.     

基于PSO优化BP神经网络的露天矿边坡位移预测模型

BP神经网络的初始连接权重和阈值对露天矿边坡位移预测的精度和收敛速度有重要影响。鉴于粒子群优化(PSO)算法具有全局搜索性能和收敛速度快,引入PSO算法对BP神经网络的初始连接权重和阈值进行全局优化,提出了基于PSO优化BP神经网络的露天矿边坡位移预测模型。将所提出的模型应用于实际案例中,并与BP神经网络进行对比。结果表明:该模型能够提高BP神经网络在露天矿边坡位移预测中的精度和收敛速度,预测结果的最大相对误差和平均相对误差分别是0.566 8%和0.353 0%,具有较好的精度和实际应用价值。     

基于Adaboost-PSO-BP模型的开采沉陷预测研究

针对开采沉陷量与多影响因素复杂非线性关系问题，提出了基于粒子群算法优化BP神经网络的Adaboost强预测模型(Adaboost-PSO-BP模型)。预测结果表明，与BP模型、Adaboost-BP模型和PSO-BP模型相比，Adaboost-PSO-BP模型提高了预测精度，平均相对误差值优化到4.26%|该模型融合了Adaboost算法侧重预测误差大的样本和粒子群算法优化神经网络权值及阈值的特点，实现了强预测器“优中选优”的目的，在开采沉陷预测中具有可行性。     

基于CPSO-BP神经网络的冲击地压预测

针对预测冲击地压的传统方法存在的弊端,提出了一种基于混沌(Chaos)优化粒子群的BP神经网络算法。该算法将混沌、粒子群、BP神经网络结合起来,通过混沌粒子群算法寻优得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。该算法对冲击地压的预测取得了较好的效果。     

PSO-BP网络模型在GPS高程拟合中的应用

文中介绍了一种全局随机优化算法—粒子群优化算法,并将其应用于BP网络模型的参数优化。在基本BP算法的误差反向传播调整权值的基础上,引入粒子群算法(PSO)进行权值修正,建立一个PSO优化的BP网络模型进行GPS高程拟合,并与基于遗传算法优化的BP网络模型(GA-BP)、支持向量机模型(SVM)和基本BP网络模型的拟合结果进行分析比较。结果表明,PSO-BP网络优化模型性能略高于GA-BP网络模型的性能,明显优于SVM模型和BP网络模型。     

改进GWO-BP算法的概率积分法预计参数求取

针对BP神经网络模型在求取概率积分法预计参数时的缺陷,提出了一种基于改进灰狼优化算法(GWO)的BP神经网络参数预测模型。主要通过对灰狼算法的收敛因子a进行非线性收敛的改进,再利用粒子群算法(PSO)的速度更新公式更新搜索灰狼搜索位置。用改进的灰狼优化算法对BP神经网络的初始权值和阈值进行优化,然后利用最优的初始权值和阈值对模型进行训练和预测,从而得到概率积分法参数的预测结果。结果显示经过改进的灰狼算法优化BP神经网络的参数预测结果明显优于单一的BP神经网络模型和不改进的灰狼算法优化BP神经网络模型的预测结果,可以在矿区开采沉陷预计方面得到应用。     

深度学习耦合粒子群优化SVM的瓦斯浓度预测

为改进工作面煤矿瓦斯涌出浓度的预测精度,基于深度学习网络、SVM和粒子群(PSO)优化算法的原理,建立1种深度学习网络与粒子群优化SVM神经网络耦合的混合算法模型,该算法首先基于深度学习理论学习样本数据较深层次的特征,提取出较少个用来表征原始数据的特征量变量,对特征变量建立PSO-SVM预测模型进行瓦斯涌出浓度预测,通过工作面现场采集的数据进行仿真实验,实验结果表明该方法使预测精度较对原始数据直接进行PSO-SVM预测得到较大的提升,同时实现了原始数据的降维,减少了算法的运行时间,提高了算法效率。     

概率积分法预计参数的智能优化选择方法研究

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料作为网络的学习训练样本和测试样本,将计算结果与实际值进行了对比分析,并与改进BP算法的计算结果进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。     

基于测井资料与优化通用向量机的煤层气含量预测模型北大核心

为实现煤层含气量的高精度评价,合理地进行生产布局及高效勘探开发,以沁水煤田柿庄南区3号煤层含气量密闭取心实验数据为样本,提出了基于弹性网络优选测井曲线的改进的量子粒子群优化通用向量机混合预测模型EN-IQPSO-GVM。模型在煤层含气量测井响应特征和敏感性分析基础上,将弹性网络用于通用向量机模型特征输入参数的优选;提出了一种改进的量子粒子群算法优化GVM网络权值阈值,构建了基于弹性网络-改进量子粒子群算法的通用向量机煤层含气量预测模型;将该模型用于靶向区盲井煤层含气量预测,与相同优化策略下的支持向量机和BP神经网络模型及传统多元回归模型进行对比,分析该模型性能及适应性。结果表明:新模型盲井预测精度从21.83%减小到4.25%,具有更强的泛化能力,更适用于非均质性强的煤储层含气量高精度评价。     

基于粒子群神经网络的底板突水预测研究

将粒子群优化算法用于优化神经网络,有效地避免了神经网络易于陷入局部最小点、收敛速度慢等缺陷.将影响底板突水因子的水压、断层、岩溶发育、隔水层厚度作为输入矢量,将粒子群优化的神经网络模型用于煤矿的底板突水预测中,结果表明：模型具有良好的适应性,对比传统的BP网络,精度取得了极大提高,收敛更快.     

白云铁矿矿岩可钻性的研究

对矿岩可钻性的意义,矿岩可钻性的研究状况,可钻性参数测定,钻孔岩屑粒度测定的研究,提出了一些看法,对从事该研究的人员具有一定的意义。     

矿区开采沉陷预计的改进BP神经网络模型

为精确预计锦界矿某工作面开采沉陷,首先结合该工作面的地质资料、采掘工作平面图及孔柱状图,采用FLAC3D软件建立了该工作面开采沉陷仿真模型,得到工作面推进100、300、500、700 m时的开采沉陷数据;其次基于该类数据对BP神经网络预计模型进行训练和验证,建立沉陷数据与工作面推进距离的非线性关联;然后用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络模型的结构参数和连接权值阈值进行优化,并引入遗传算法(Genetic algorithm,GA)中的自适应变异因子以一定概率初始化部分变量,以解决PSO算法易陷入局部最优解的问题,避免BP神经网络模型易陷入局部最小值、训练收敛速率低以及PSO算法易早熟收敛等问题。分别采用BP神经网络模型、PSO-BP神经网络模型以及所提模型进行试验对比,并引入偏差平方和(Sum of squares for total,SST)对各模型的预计精度进行评价,研究表明:在工作面分别推进100,300,500 m的情况下,BP神经网络模型的SST值分别为0.056,0.062,0.066,PSO-BP神经网络模型的SST值分别为0.049,0.054,0.048,所提模型的SST值分别为0.028,0.026,0.031,明显小于前两者,表明该模型有助于提高矿区开采沉陷预计精度,有一定的实用价值。     

露天矿运输的PSO-BP神经网络风险评估法

为对露天矿运输路线进行风险评估,提出一种基于PSO-BP模型的露天矿运输风险评估方法。以某露天矿内15条运输路线为例,选取17个主要因素作为风险指标体系的二级指标并进行定量化处理,构建了BP风险评估模型,利用PSO算法优化BP模型的权值和阈值,建立了PSO-BP风险评估模型。以模糊综合评判得出的风险分值为依据,分别对PSO-BP模型与BP模型的训练结果和测试结果进行对比分析。结果表明：PSO-BP模型的评估结果与现场实际情况基本相符,评估准确率明显高于BP模型。     

基于抛掷爆破预测的BP神经网络参数优化方法

研究了不同隐含节点个数、训练函数、转移函数、学习率对BP神经网络预测结果准确性和收敛速度的影响;对比分析了参数优化后的BP模型与径向基神经网络、支持向量机预测模型的结果;并应用某露天矿抛掷爆破作业的实测数据进行了相关实验。实验结果表明：最优BP模型的拓扑结构为10-6-3;最佳的训练函数为LM函数,正切和线性函数的组合为最优的转移函数,最佳的网络学习率为0.77;参数优化后BP模型的最远抛掷距离、抛掷率、松散系数的预测结果与测试样本的标准差最小,分别为9.567 8,0.036 3,0.041 4,即参数优化后的BP模型预测结果最优。     

小波网络模型在渗流量预测中的应用

将小波理论与神经网络理论相结合,建立了小波网络模型,并应用于工程实例。它避免了BP神经网络结构设计的盲目性和局部最优等非线性优化问题,大大简化了训练,具有较强的函数学习能力和推广能力。实例计算结果表明,小波网络模型具有比BP神经网络收敛速度快、预测精度高等特点,因而具有广阔的应用前景。     

Primary classification on drillability of frozen soil using neural networks

Through analysis on drillability of frozen soil, it is concluded that the main factors affecting the drillability of frozen soil are temperature, wave velocity, impact inductility and chiseling specific work. Based on the foundation it is discussed that applying the neural networks method to classify the drillability of frozen soil is simple and feasible, and the inputted vectors quantity of networks don‘‘t be restricted, which make the classification on ddllability of frozen soil rather well match the objective practice.     

基于MPSO算法的RBF网络学习算法

针对标准粒子群优化(PSO)算法存在早熟收敛,易陷入局部极值的缺陷,提出了一种利用混沌优化算法确定PSO算法参数的改进粒子群优化(MPSO)算法。为了提高径向基函数(RBF)神经网络的精度和性能,提出了一种基于改进粒子群优化(MPSO)算法的RBF网络学习算法。RBF网络隐层节点个数用对手受罚的竞争学习(RPCL)算法确定后,基函数的中心矢量、方差和网络权值用MPSO算法在全局空间动态确定。采用Iris分类问题做仿真实验,并与基于标准PSO算法的方法和单纯BP网络训练进行比较。实验结果表明,该算法性能优于所比较的2种算法,并且具有良好的收敛性和模式分类能力。     

基于PSO-BP的矿井淋水井筒风温预测

为解决矿井井底风流温度预测的问题,采用BP神经网络为模型,利用PSO算法优化网络权值和阈值,建立了一种新的井底风温预测模型,并用Matlab编程实现。通过对淮南某煤矿井底风温影响因素的分析得出地面入风口处风流温度、湿球温度,地面大气压力及井底湿球温度等因素的影响力较大。应用PSO-BP模型与BP模型对数据分别进行测试并分析,结果表明,该模型具有收敛速度快、预测精确度高,是求解井底风温非线性变化规律的最有效方法之一。     

基于粒子群和BP混合优化的采煤机故障诊断分类方法研究

故障诊断的本质是信号的特征提取与分类,BP神经网络是典型的一种分类方法。针对传统的BP算法易形成局部极小值,缺乏全局搜索性的缺点,利用粒子群算法可以在复杂、多峰、非线性及不可微的空间中实现快速、高效的全局搜索的特点,结合传统BP算法,提出一种基于PSO-BP混合训练神经网络的新方法。该算法首先利用粒子群算法的全局搜索能力对BP网络的权值进行优化,同时引入粒子群熵的概念对粒子群体中个体的多样性进行度量,当粒子群熵的估计值超过某一设定阀值时,用BP算法进行神经网络的训练。采用采煤机的轴承故障数据集对PSO-BP算法进行验证,证明该方法能够对采煤机的故障进行诊断。