首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到10条相似文献,搜索用时 15 毫秒
1.
为解决瓦斯涌出量影响因素众多、难以准确预测的问题,本文利用多变量灰色系统易于处理不规则数据,GRNN神经网络模型训练速度快、人为干预因素少等优势,建立起1阶N变量灰色模型与GRNN神经网络嵌入型组合模型GM(1,N)_GRNN。用该模型对某煤矿回采工作面的瓦斯涌出量进行了预测,并与GM(1,N)模型、GRNN两种模型单独预测的结果做了对比,发现组合模型预测结果的平均误差仅3.7%,明显优于两种模型单独预测的平均误差。因此,对煤矿安全生产有重要指导意义。  相似文献   

2.
为得到硫化矿石堆氧化自热温度的变化规律,自主设计硫化矿石堆氧化自热模拟试验装置,以含硫量、矿石块度、升温梯度作为试验影响因素,将硫化矿石堆氧化自热温升速率作为试验判定指标,采用L9(34)正交表构造三因素三水平回归正交试验。运用MATLAB建立硫化矿石堆氧化自热温度的GRNN神经网络模型,通过K-折交叉验证优选得到GRNN神经网络的最佳光滑因子σe,并与RBF神经网络模型、灰色神经网络模型预测效果进行对比。结果表明:GRNN神经网络在小样本预测模型中网络逼近能力、收敛速度、算法稳定性等方面具有优势,对硫化矿石堆氧化自热温度的预测精度高,预测误差为3.51%。  相似文献   

3.
影响隧道围岩分类的因素复杂且具有随机性和不确定性。神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的隧道围岩分类问题。基于广义回归神经网络(Generalized Regression Neural Network,简称GRNN)的基本原理,建立了隧道围岩分类评价的GRNN模型。然后用收集到的工程数据对该GRNN模型进行检验。结果表明,建立的GRNN模型预测围岩等级分类精度高,是隧道围岩等级分类评价的一种有效方法。  相似文献   

4.
针对影响充填管道磨损风险因素的复杂性和不确定性,为更加科学准确的预测充填管道的磨损状况,减少由管道磨损带来的矿山损失,构建了一种基于核主成分分析(KPCA)和粒子群算法(PSO)优化广义回归神经网络(GRNN)的充填管道磨损风险评估模型。建立充填管道磨损风险评估指标体系,运用KPCA,对数据进行特征提取,将其结果作为GRNN的输入,采用PSO算法优化选取GRNN的光滑因子,完成GRNN的训练和学习,将该模型应用于国内某矿山充填管道的磨损风险评估中,并与其它模型进行对比。结果表明,利用该模型可以准确的预测充填管道磨损风险等级,与实际情况相一致。工程应用实例表明,所建模型预测精度更高,适用性更好,对充填管道的磨损评估具有较好的借鉴意义。  相似文献   

5.
为克服充填管道失效风险评判指标间的复杂性,传统方法预测精度低及适用性差等缺陷,提出基于粗糙集(RS)和灰狼优化(GWO)算法融合广义回归神经网络(GRNN)的充填管道失效风险评价模型。选取10项风险评价指标,通过属性约简提取影响充填管道失效的主要风险因素,运用GWO优化GRNN的参数,构建预测模型,以国内某具体矿山充填系统为例进行实证研究,结果表明:与其它预测模型相比,RS-GWO-GRNN模型的预测精度更高,泛化能力更强,为充填管道失效风险研究提供了新思路,具有较好的借鉴意义。  相似文献   

6.
针对矿区地表变形预测受多种因素影响的复杂性、非线性等特点,基于新型广义回归神经网络(GRNN),构建了矿区地表变形预测模型。首先,介绍了GRNN的建模原理,并对影响GRNN网络预测的关键因素进行了讨论;其次,为了提高网络的泛化能力及预测精度,采用滚动建模方式对网络进行建模训练,并基于最小均方误差原理提出了交叉验证搜索算法对GRNN网络预测关键参数平滑因子SPREAD进行优选;最后,将优化后的GRNN网络应用于某矿区地表变形预测,并与LM-BP、RBF、回归分析3种模型的预测效果进行了比较,结果表明,GRNN网络泛化能力强、算法稳定,且预测精度较高,适合于矿区地表变形预测。  相似文献   

7.
为了更合理有效地解决煤矿冲击地压危险性预测问题,引入主成分分析法对广义回归神经网络的输入样本进行信息压缩,得到冲击地压危险性影响因素的主成分因子,构建BPNN、GRNN、PCA—BP、PCA—GRNN 4种神经网络模型。预测结果表明所建PCA—GRNN模型较之其它3种模型整体工作性能优势明显,具有很好的预测能力和泛化能力,能较好解释冲击地压与各影响因素间的关系。  相似文献   

8.
基于GA-GRNN的地表下沉系数预测方法研究   总被引:1,自引:0,他引:1       下载免费PDF全文
将遗传算法(GA)和广义回归神经网络(GRNN)方法进行融合,采用GA算法搜寻最优的GRNN光滑因子,简要分析了地表下沉系数的影响因素,建立了基于GA-GRNN的地表下沉系数预测模型。以我国典型观测站的数据资料作为学习和测试样本,将预测结果与实测值进行比较。结果表明:采用GA-GRNN模型预测地表下沉系数能够综合考虑诸多的地质采矿因素,预测结果与实测值得最大相对误差仅为5.44%,完全满足现场工程的需要,为今后预测地表下沉系数提出了一种新的方法。  相似文献   

9.
为了更有效合理地解决煤矿工作面中低氧问题,以神东某煤矿工作面监测数据为样本, 考虑监测物理参数之间的相互影响关系,借助主成分分析法对广义回归神经网络(GRNN)进行 改进,构建工作面氧气浓度预测模型,编制改进的GRNN模型程序。 将预测氧气浓度结果与实测 数据对比,证明改进后的GRNN模型具有良好的拟合准确度和泛化能力,比改进前GRNN模型和 BP神经网络模型更适合于煤矿工作面低氧问题的预测;利用改进的GRNN模型分析了工作面 进、回风压力及进风温度对工作面及回风平巷氧浓度的影响,为矿井工作面低氧预测及工作面低 氧防治技术提供了参考。  相似文献   

10.
针对矿井涌水量预测研究中存在的相关影响因素考虑较少、模型预测精度不高和适用性不强的问题,建立了混沌理论与广义回归神经网络耦合的新的预测模型(Chaos-GRNN模型)。从理论上分析了矿井水文系统产生混沌现象的机理;由混沌理论得到涌水量序列相空间重构后的嵌入维数、时间延迟和最大Lyapunov指数,以此确定GRNN的输入层神经元个数、取值和预测时长;采用交叉验证法获得GRNN的光滑因子,建立Chaos-GRNN模型;对平煤十二矿涌水量(2014年1月至2015年12月)进行模型验证。结果表明:矿井水文系统演化过程的循环迭代是产生混沌的根本原因,其表象特征为演化过程的不可逆性、非平稳性和演化结果的多样性;平煤十二矿涌水量时间序列具有混沌特征,其嵌入维数m=7,即涌水量的影响因素为7个,GRNN输入层神经元个数为7;时间延迟τ为13个月,由此确定了GRNN输入层神经元的取值;最大Lyapunov指数为0.053 0,确定了GRNN预测时长为19个月;Chaos-GRNN模型预测精度达到了94.98%。该预测模型利用混沌理论量化了广义回归神经网络的输入层和预测时长,充分考虑了矿井涌水量的影响因...  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号