参数优化GA-ELM模型在露天煤矿抛掷爆破的预测

为有效指导露天煤矿制定正确生产计划,提高露天煤矿抛掷爆破预测的准确率,在分析露天煤矿抛掷爆破影响因素的基础上,通过"试错法"确定模型最优隐含层节点参数,进而提出一种参数优化后遗传算法(GA)和极限学习机(ELM)相结合的抛掷爆破预测模型。选取网络的输入输出相关参数,针对现有ELM输入权值矩阵和隐含层偏差,采用遗传算法对其进行优化选择;利用某露天煤矿抛掷爆破监测数据对该模型进行实例分析,并将RBF,BP,SVM,GA-BP模型预测结果与该模型进行对比分析;并引入Weibull模型,通过预测控制参数ɑ,β模拟爆堆形态。研究结果表明:(1)通过"试错法"确定GA-ELM模型最优隐含层节点数为39,有效降低系统的仿真误差,该参数下仿真误差值为0.137 7;(2)相较于传统ELM预测模型,通过遗传算法优化后,有效抛掷率,松散系数以及抛掷距离均得出更小的均方误差MSE值(0.258 0,1.748 5×10-4,3.618 4)和更高的决定系数R2值(0.986 4,0.995 3,0.970 6),改进后的GA-ELM具有更好的拟合效果和泛化能力;(3)通过与其他智能算法如BP,RBF,SVM,GA-BP相比,改进后的GA-ELM测试结果(均方误差,决定系数,仿真误差)明显优于其他预测模型,有效提高预测精度;(4)利用训练完成的GA-ELM网络预测爆堆形态时,控制参数a,β的预测误差均未超过5%,预测爆堆曲线接近真实爆堆曲线。     

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。     

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。     

BP神经网络在基坑变形预测中的应用及改进

在对某基坑工程采用BP神经网络模型预测基坑开挖引起地表变形的分析中,考虑到现有模型可能会遇到预测结果跳不出训练样本以及训练时间较长的问题,提出采用Matlab中的mapminmax函数进行归一化处理,并基于牛顿法、共轭梯度法和L-M法三种数值优化方法对BP网络训练算法进行了改进。研究结果表明:与常用的基于梯度下降原则相比,改进后的BP神经网络在训练时间和预测误差方面均有明显的优势,采用L-M法的神经网络在训练样本时的迭代次数最少为74次,采用共轭梯度法的预测结果与实测结果的误差最大为2.4%,而采用牛顿法神经网络的预测值则比较均衡,预测结果相对最佳。     

基于FA-BP神经网络的巷道位移预测研究

针对传统位移预测算法求解巷道位移时预测精度不佳且误差大等问题，建立萤火虫算法（FA）优化BP神经网络的预测模型，解决了BP神经网络初始权值和阈值难以确定、预测模型参数局部最优及预测精度不佳等问题。以锦丰金矿30中段巷道为研究对象，利用巷道顶板和两帮的位移监测数据进行预测分析，并采用BP神经网络模型与FA-BP神经网络模型进行比较。研究结果表明：FA-BP神经网络模型的平均相对误差分别为0.15%和0.13%,BP神经网络模型分别为-2.02%和0.87%，说明FA-BP神经网络模型具有更好的预测精度。     

ELM神经网络爆堆形态预测模型的研究及应用

以Moore-Penrose广义逆的定义和欧几里德空间内线性系统的最小二乘范数解原理为基础，运用Extreme Learning Machine(ELM) 神经网络--一种快速的前向神经网络学习算法，以Weibull函数的2个控制参数 α，β 以及松散系数 ξ 为输出层，提出了一种预测高台阶抛掷爆破爆堆形态的模型。该预测模型提高了爆堆形态预测的准确度，通过对黑岱沟露天煤矿爆堆形态的预测表明，ELM神经网络高台阶抛掷爆破爆堆形态预测模型的预测准确度高于同期使用BP神经网络预测的结果，更加接近于爆堆实际形态。     

基于过程参数控制的烧结矿质量预测模型

针对烧结过程非线性、强耦合性和大时滞的特点,从过程参数控制的角度对烧结工艺进行了总体分析,确定了烧结矿性能评价指标及其主要影响参数,在此基础上提出了一种带动量项和变学习率的BP神经网络算法,建立了烧结矿质量预测模型。仿真实验结果表明,模型具有较强的自学习功能和较高的预测精度,用拓扑结构为15-25-4的BP神经网络和0.65×10^-3的网络误差进行训练,模型的预报命中率在81.25%以上,充分验证了基于过程参数控制的烧结矿质量预测模型的准确性和有效性。     

基于改进BP神经网络的煤体瓦斯渗透率预测模型

分析总结了煤体渗透率的3个主要影响因素--有效应力、温度和瓦斯压力,并结合煤体的力学特性建立了一个预测煤层瓦斯渗透率的BP神经网络模型。根据不同有效应力、不同温度和不同瓦斯压力条件下大量具有代表性的煤样渗透率数据来建立学习样本,并对该模型的精度进行了检验。该BP神经网络经过11 986次学习后精度满足要求,训练后BP神经网络模型所得预测结果的最大绝对误差为0.049×10-15 m2,最大相对误差为4.298%。根据所建立的BP神经网络模型得到的预测值与实测值吻合较好。     

基于Weibull模型的高台阶抛掷爆破爆堆 形态BP神经网络预测

为了预测高台阶抛掷爆破爆堆形态,引入Weibull模型作为数学模型对实测爆堆曲线进行模拟,在此基础上,将试验中影响爆堆形态的8个参数与模拟得到的Weibull控制参数及松散系数作为输入输出层学习样本,建立BP神经网络。结果表明：Weibull模型可以较好地模拟真实爆堆。利用训练完成的BP神经网络预测爆堆形态时,各参数的预测误差均未超过5%,预测爆堆曲线接近真实爆堆曲线,其中Weibull模型控制参数的预测精度直接影响预测结果,松散系数ξ的预测精度则在将Weibull概率密度函数反无量纲化的过程中间接影响预测效果。     

PCA和GA-BP神经网络在边坡稳定性预测中的应用

针对现有边坡稳定性预测模型存在的不稳定性和精度不高的问题,采用主成分分析方法 PCA和遗传算法GA对传统BP神经网络模型进行优化。PCA方法将露天矿边坡稳定性的6个评价指标转换为4个主成分,作为BP神经网络的输入变量;遗传算法对神经网络的初始权阈值进行了筛选优化。经优化后的模型既减少了神经网络的输入变量,提高了学习训练效率,又使得传统BP神经网络模型的精度大大提高。最后将PCA-GA-BP模型、GA-BP模型和传统BP模型得到的预测结果进行对比和误差分析。结果表明,基于PCA-GA-BP神经网络模型的预测精度较好,对露天矿边坡稳定性的预测具有一定的参考价值。     

基于GA-SVM的露天矿抛掷爆破抛掷率预测

分析了高台阶抛掷爆破的机理过程，并从自然地质、爆破设计和人为操作3个角度出发，结合某矿区的实际开采情况，提取其中10个参数作为影响该矿区抛掷爆破效果的主要因素，以爆破领域中广泛接受的抛掷率作为抛掷爆破效果的评价因子，采用此矿区爆破生产中的实际数据建立了基于遗传算法优化的支持向量机模型GA-SVM。基于建立的GA-SVM模型，采用平均影响值（Mean Impact Value，MIV）作为评价标准，对各因素的影响程度进行了评定。结果表明：① GA- SVM模型能够比较快速、准确地根据此矿区的爆破设计参数预测出抛掷爆破的抛掷率，平均预测精度稳定在83.75%，与其他智能算法如BP，RBF，GRNN相比，GA-SVM具有更好的鲁棒性和更佳的预测精度。由于计算流程的统一性和预测方法的普适性，GA-SVM模型对于其他抛掷爆破参数（如最远抛距、松散系数等）也具有良好的外推性；② 对于此露天矿区而言，在其自然因素（如岩性等）和爆破设计因素（如炸药类型、起爆顺序、装药结构等）已确定的情况下，台阶高度、炸药单耗与抛掷率正相关，且台阶高度比炸药单耗对抛掷率的影响更大；而最小抵抗线、坡面角和剖面宽对于抛掷率呈现负相关，其他影响因素对于此露天矿抛掷率的影响较弱。     

基于RBF-FCM-OLS的边坡稳定性评价方法

RBF神经网络具有很强的非线性并行处理能力和泛化能力,并且有很快的学习收敛速度,不易陷入局部极小,在边坡稳定性评价中已得到广泛的应用.但其过分依赖于隐含层数据中心的选取是否合适,故引入模糊-C均值聚类(FCM)算法对其进行优化.以122组边坡样本作为样本总体,其中1～114组为训练样本,115～122组为测试样本,运用FCM算法在边坡训练样本中初选多个RBF网络的数据中心,在此基础上运用正交最小二乘法(OLS)训练网络,利用训练后得到的回归矩阵信息在初选结果中重新选择RBF网络的数据中心,从而使数据中心得到优化,简化了RBF神经网络的结构.将优化后的RBF神经网络应用到边坡测试样本的安全系数的预测中,得到较高的预测精度.该方法加快了RBF神经网络的训练速度,提高了运算速率,与传统的BP网络进行比较,进一步证明RBF及其学习算法的优越性和实用性.     

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。     

品位估值的自适应径向基神经网络构建技术

在简要分析常用储量计算方法与BP神经网络预测方法存在缺陷的基础上，分析了径向基神经网络隐层节点参数在映射机理上与地质统计学方法理论上的一致性，以及其权系数能解析方式求解、可避免网络训练过程陷入局部最优乃至不收敛现象的特征，提出了构建径向基函数神经网络进行矿床品位估值模型的研究思路。通过多方案分析，得出了待估点三维坐标及周围样品点个数是影响径向基函数神经网络模型估值精度的主要因素，给出了输入节点变量空间的基本配置方式--3个坐标加周边8个样品点品位。针对实际工程中样品空间较大的特征，分析了隐层中心、宽度等参数需根据输入变量自适应构造的必要性，以及利用正则化正交最小二乘的前向选择法的可行性。利用开发的具备用户自定义和交互式输入参数的计算机软件，构造了两种不同的品位估计模型。验证试验表明：基于样本空间自适应构建的径向基函数神经网络，建模速度快、可靠性强，平均估值误差最大为309%，且正则化参数对模型的估值精度影响较大，考虑了该参数的模型估值效果更好。     

基于RBF神经网络的露天矿爆破效果预测研究

露天矿爆破是一个受诸多因素共同影响的系统工程,是露天开采的重要环节之一,其爆破效果的优劣直接影响后续工序的完成。提高爆破技术水平和爆破质量,对矿山安全和生产具有重要的意义。本文通过随机森林选择影响爆破效果的主要参数,结合模糊评价确定爆破综合效果,建立了RBF神经网络爆破效果预测模型。将该模型应用于矿山爆破效果预测中,并将爆破现场实测的11组数据作为模型训练样本,另外5组现场数据作为预测样本进行测试,通过与BP神经网络比较,发现RBF神经网络的预测性能更为优越,可广泛应用于现场实践中。     

BP神经网络在爆破振动中的研究与应用

为准确地预测爆破结果、减少爆破振动对建筑的损伤和保障工人的安全,利用具有处理非线性问题能力的BP神经网络预测爆破结果。选取合格的爆破结果作为网络模型的学习样本,经过一定次数的训练学习后通过神经网络的前馈特性确定各层阈值和误差,完成对BP神经网络的建立,发现预测结果与真实结果相比的误差在10%以内。再结合PAC算法、POS算法或者MATLAB软件等优化网络后甚至可以将误差控制在5%以内。通过建立BP神经网络预测可以减少爆破作业带来的危害,降低安全成本,指导爆破作业的施工。     

BP neural network model on the forecast for blasting vibrating parameters in the course of hole-by-hole detonation

According to the neural network theory, combined with the technical characteristics of the hole-by-hole detonation technology, a BP network model on the forecast for blasting vibration parameters was built. Taking the deep hole stair demolition in a mine as an experimental object and using the raw information and the blasting vibration monitoring data collected in the process of the hole-by-hole detonation, carried out some training and application work on the established BP network model through the Matlab software, and achieved good effect. Also computed the vibration parameter with the empirical formula and the BP network model separately. After comparing with the actual value, it is discovered that the forecasting result by the BP network model is close to the actual value.     

基于极限学习机的矿井突水水源快速识别模型

在煤矿突水灾害防治过程中,需要快速准确地识别出突水水源类型。激光诱导荧光技术具有灵敏度高和快速监测的特点,利用该技术获取水样的荧光光谱。光谱经卷积平滑预处理和主成分分析提取特征信息后,采用极限学习机算法建立多元分类学习模型。确定隐含层激励函数为Sigmoid函数,并通过交叉验证法确定最优隐含层节点个数。从训练网络的平均时间、训练和测试的平均分类准确率和标准差方面,与BP和SVM传统分类算法进行了性能比较。结果表明:在训练集和测试集上的平均分类准确率方面,该模型与传统分类模型基本一致,但该模型分类准确率的标准差最小,说明其具有较稳定的分类性能;在训练模型学习时间方面,该模型能够大幅度降低分类学习时间,说明其具备快速识别突水水源性能。