共查询到19条相似文献,搜索用时 109 毫秒
1.
2.
《勘察科学技术》2017,(1)
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。 相似文献
3.
4.
《煤矿开采》2018,(6)
为提高煤体瓦斯渗透率预测准确性,使用因子分析法对BP神经网络模型进行优化、改进,提出一种改进的BP神经网络预测模型。根据煤体瓦斯渗透率相关主要影响因素实例数据,使用因子分析法对4个煤体瓦斯渗透率影响因素原始数据进行降维数据处理,优化得到2个公共因子;以2个公共因子代替原有4个煤体瓦斯渗透率影响因素作为BP神经网络模型输入层参数,建立改进的BP神经网络煤体瓦斯渗透率预测模型,进行实例数据检验改进BP模型预测效果。最终验证结果:20组训练样本预测值与实际值的相对平均误差为0. 63%,证明训练完成的改进BP神经网络模型具有良好的拟合效果;改进BP模型预测样本平均相对误差为3. 16%,传统BP模型预测样本平均相对误差为6. 37%,证明改进BP模型预测精确度优于传统BP模型。 相似文献
5.
在对BP神经网络原理进行分析的基础上,设计出预测煤层温度的BP神经网络模型,然后对实验数据进行仿真模拟,采用MATLAB语言,利用样本进行网络训练后,得出的预测结果达到了工程实际能够接受的精度,说明该模型能够用于煤矿煤炭自燃温度的预测,实现煤炭自燃早期预报。 相似文献
6.
7.
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. 相似文献
8.
9.
文章首先构建和训练以煤层埋藏深度、煤层厚度、煤层瓦斯含量、工作面煤层与邻近煤层距离、工作面推进距离、工作面产量等为输入变量,回采工作面绝对瓦斯涌出量为输出变量的BP神经网络模型。然后采用Monte Carlo方法通过对6组输入变量的随机抽样来预判各自的发展趋势并对输入变量随时间变化的行为进行模拟,将模拟结果作为BP神经网络输入层节点值,代入训练好的网络,输出值即为下一生产周期回采工作面绝对瓦斯涌出量的预测值。 相似文献
10.
11.
12.
以神经网络技术为基础,利用MATLAB软件设计了岩体可爆性分级的BP神经网络判别模型,使用此模型完成对某铁矿中7种不同岩体岩体可爆性分级判别,并将此判别结果与使用模糊识别方法的判别结果进行比较分析,得出的结论一致。体现了使用MATLAB语言设计BP神经网络模型不仅简便精确,而且还具备较强的可行性和客观性。 相似文献
13.
14.
15.
16.
17.
当前工程测量中采用的高程为正常高,而GPS测量获得的高程为大地高,两者之间存在高程异常。为求解高程异常值,结合Matlab软件,对GPS高程拟合方法进行了研究。结果表明:①测区点位呈面状分布时,采用曲面拟合法更能反映测区的似大地水准面状况,其精度优于曲线拟合法;②BP神经网络拟合法的拟合效果较好,并且组合法的拟合精度优于单一拟合法的精度;③曲面拟合法、曲线拟合法、BP神经网络拟合法以及组合法的内、外符合精度均满足四等几何水准要求。研究表明,运用Matlab软件进行GPS高程拟合精度较高。 相似文献
18.
为了能准确把握影响热熔钻钻进的各个主要因素,揭示各因素的影响规律以及热熔钻钻进时周围地层温度场的变化情况和影响范围,首次将神经网络应用到热熔钻领域的研究中,采用神经网络及数值模拟技术分别对实验数据进行预测拟合及仿真分析。运用神经网络能够对热熔钻的实验数据进行很好的预测拟合,数值模拟可模拟地层温度场情况,利用有限元软件生成地层的温度场云图及曲线,使温度场的变化更为直观,便于分析研究。将训练好的网络模型保存下来,在下次实验中只需测量少数几个值将其导入训练好的网络模型,便可得出一组对应的数据,从而节省实验成本,提高实验效率。该模型可作为对应结论的预测模型使用,为热熔钻的研究提供了新思路。 相似文献
19.
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。 相似文献