基于GA-BP算法的气化配煤灰熔点预测

为了提高气化配煤煤灰流动温度预测的精度和稳定性,提出将遗传算法(GA)与误差反向传播神经网络(BP)相结合的预测方法,采用GA优化BP神经网路的权值和阈值,再用BP算法训练网络,结合仿真实验分析比较了GA-BP网络算法与常规BP神经网络方法的精度和稳定性。结果表明:GA-BP网络改善了BP网络容易陷入局部极小值和收敛速度慢的缺点,经GA优化的BP神经网络预测方法的预测精度高于BP网络算法,将其应用于气化配煤灰熔点预测有效可行。     

基于LVQ-GA-BP神经网络的煤矿瓦斯涌出量预测

针对煤矿瓦斯涌出量影响因素多、非线性、复杂性等特点,提出了学习向量量化神经网络(LVQ)与GA-BP神经网络相结合的方法。通过LVQ对诸多影响因素进行分类并选出主要影响因素,再用遗传算法(GA)优化BP神经网络的权值和阈值,构建煤矿瓦斯涌出量预测模型,并通过相关数据将建立的LVQ-GA-BP预测模型与BP神经网络进行了对比分析,结果表明通过这种方法平均相对误差为0.025 51,低于BP神经网络训练的平均绝对误差,网络收敛速度也显著提高了。     

生物氧化冶金预处理过程氧化率的软测量模型

针对生物氧化预处理过程中的矿物氧化率不能直接测量的问题,提出一种基于遗传算法和BP神经网络相结合的软测量方法。该方法在对生物氧化预处理过程影响因素分析的基础上,选取温度、pH值、进风量和氧化还原电位(ORP)作为辅助变量,氧化率作为主导变量,利用遗传算法对BP神经网络进行优化,然后采用BP神经网络算法实现对氧化率的预测。为了突出表现GA-BP模型的准确性,与PSO-BP的软测量模型进行了对比。结果表明,基于GA-BP的软测量方法更利于实现氧化率的精确预测,有助于对氧化率的优化控制提供指导。     

基于MEEMD样本熵与BAS-BP的轴承故障诊断

为了提高煤矿机械设备可靠性、降低维修成本,提出一种基于改进的集成经验模态分解(MEEMD)样本熵与天牛须搜索(BAS)算法优化BP神经网络的轴承故障诊断方法。首先,利用MEEMD算法分解振动信号并根据峭度准则和相关系数筛选出主要IMF分量;其次,提取前4阶分量的样本熵;最后,将样本熵值归一化后组成特征向量输入到BAS-BP分类器中,利用BAS算法搜索最佳参数进行故障诊断。利用凯斯西储大学的轴承数据集进行分析,并与BP、GA-BP神经网络的诊断结果进行对比,结果表明,该方法能够有效识别出轴承故障,分类效果优于BP、GA-BP神经网络,分类准确率达到95%。     

GA-BP神经网络在偏压隧道拱顶沉降预测的应用

运用组合优化的思想,基于遗传算法(GA)优化BP神经网络,将优化后的神经网络(GA-BP)用来预测偏压隧道拱顶沉降量。通过对比分析BP神经网络和经过遗传算法优化过的神经网络的预测结果数据表明,在偏压隧道拱顶沉降预测中,后者比前者性能更好,更能精确的预测偏压隧道拱顶沉降量。     

基于GA-BP神经网络的变压器故障诊断

提出利用GA-BP神经网络的系统对变压器的故障诊断进行优化。利用GA遗传算法优化BP的初始权值,得到GA-BP神经网络。同时使用L-M算法训练GA-BP,使其可精确识别故障变压器内部的气体含量变化,并针对变压器故障诊断过程进行高效处理。GA-BP神经网络具备模糊算法,具有计算快速和判断准确等优点,可在很多的领域内保障电气安全,因而其具有良好的发展前景。     

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。     

基于GA-BP神经网络的采空区地表沉降预测模型

为了提高采空区地表沉降预测准确性,选择上覆岩层弹性模量、泊松比、内聚力、内摩擦角、开采深度、采高、矿体倾角和采场尺寸共8项影响采空区沉降的指标进行研究,通过遗传算法(GA)优化BP神经网络,构建了GA-BP神经网络采空区地表沉降预测模型,对采空区地表沉降趋势初步预测与分析。模型解算结果表明,相比传统BP神经网络预测模型,GA-BP神经网络预测模型在预测精度、拟合性能和收敛速度方面都有所提高。     

基于遗传算法优化BP神经网络的瓦斯浓度预测研究

为了提高瓦斯浓度预测的精度和稳定性,提出了将遗传算法(GA)与BP神经网络结合的预测方法。利用BP神经网络能以任意精度逼近非线性函数的优点,结合遗传算法的全局搜索能力,优化神经网络权值和阈值,建立GA—BP混合算法模型预测瓦斯浓度。实验结果表明,GA—BP算法与BP神经网络相比,具有较高的预测精度和较强的稳定性。     

基于GA-BP混合算法的煤与瓦斯突出强度预测研究

在以往对煤与瓦斯突出预测的研究中,较多地关注突出动力类型的预测,对于突出强度预测很少涉及。基于影响煤与瓦斯突出的各个因素与突出强度之间存在的复杂非线性映射关系,建立了突出强度预测的神经网络模型。根据遗传算法(GA)和BP算法的特点,将二者结合起来,利用遗传算法优化BP网络权重和阈值,形成GA-BP混合算法。该算法提高了网络性能,在煤与瓦斯突出强度预测中取得良好效果。     

基于GA-BP神经网络的矿井粉尘浓度预测研究

为了准确预测矿井粉尘浓度,有效防治矿井粉尘危害,运用遗传算法优化的BP神经网络预测模型(GA-BP模型)对某矿山工作面时间序列粉尘浓度进行预测,以预测结果的相对误差、平均绝对百分比误差来评判模型的预测准确性。再利用BP神经网络预测模型,卷积神经网络预测模型(CNN模型)的预测结果同GA-BP预测模型的预测结果进行对比验证,以均方根误差来评价三种模型的预测效果。结果表明,应用GA-BP预测模型,相对误差最大为4.27%,最小为0.14%,相对误差都在10%以内,预测样本的平均绝对百分比误差(MAPE)小于10%,达到了高精度预测要求。CNN、BP、GA-BP三种预测模型的RMSE值分别为1.1007、1.0008、0.9354,GA-BP预测模型对于该矿山工作面粉尘浓度预测效果最好。     

基于遗传BP神经网络模型的矿区开采沉陷预计

为解决常规方法监测矿区开采沉陷的可控性、可操作性差及精度低等问题,采用BP神经网络模型拟合矿区高程值对开采沉陷进行预计是一种有效方法。但传统BP神经网络模型为反向传播算法,在训练时需多次试算方可确定神经网络系统的连接权值和阈值,具有易陷入局部最小值、收敛慢等不足。为此,采用遗传算法（Genetic algorithm,GA）对BP神经网络模型参数进行优化以提高其泛化能力,构建了遗传BP神经网络模型（GA-BP）。以某矿区首采工作面地表25个已进行了三等水准联测的高程监测点数据作为遗传BP神经网络模型（GA-BP）的训练样本（15个监测点数据）和测试样本（其余10个监测点数据）,分别采用BP神经网络模型、二次曲面拟合等方法与其进行试验对比,结果显示：遗传BP神经网络模型（GA-BP）具有更高的内、外符合精度及更小的残差,表明该方法有助于实现对矿区开采沉陷的高精度预计。     

采用GA-BP算法和EMD的滚动轴承故障诊断方法

针对滚动轴承故障识别和分类问题,提出一种采用GA-BP算法结合经验模态分解(EMD)方法的滚动轴承故障识别方法。该方法首先利用EMD方法对不同类型的故障信号进行分解,获得若干个阶次的IMF分量,然后求出其能量占比,并构造相应特征向量组,最后将特征向量组输入遗传算法(GA)优化的BP神经网络中进行训练和测试,进而对故障进行分类和识别。结果表明,该方法能有效提取滚动轴承故障特征信息,并快速地对不同故障类型进行识别。     

遗传神经网络模型在地下水质量评价中的应用

设计了用遗传算法训练神经网络权重的新方法,并应用该方法建立了地下水质量评价的GA-BP神经网络模型,对阜新新邱露天煤矿地下水水质进行了评价。研究结果表明遗传算法具有快速学习网络权重和全局搜索的能力,有效地解决了BP算法的局部收敛的问题。应用该方法环境质量评价简便可靠,预测精度高,具有通用性和客观性等优点。     

基于GA-BP神经网络矿用通风机故障诊断研究

针对矿用通风机故障诊断问题,将遗传算法和BP神经网络相结合,在对GA-BP神经网络进行训练的基础上,建立了矿用通风机故障诊断的数学模型并进行了实验验证。实验证明,在小样本情况下GA-BP神经网络仍能准确、有效地对矿用通风机故障类型进行识别,为矿用通风机故障诊断提出了新的方法和途径。     

基于LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法研究

针对BP神经网络算法对煤体瓦斯渗透率预测精度低问题,筛选出影响预测精度的5个主要因素——1个宏观因素(煤层埋深)和4个微观因素(有效应力、温度、瓦斯压力、抗压强度),提出一种基于学习向量量化神经网络(LVQ)分类、混沌粒子群算法(CPSO)优化、BP神经网络预测的LVQ-CPSO-BP煤体瓦斯渗透率预测方法。从宏观上确定临界值将煤层埋深划分为2层;基于有效应力与瓦斯渗透率之间存在拐点关系,从微观上确定拐点值将有效应力划分为2段;采用LVQ将4个微观样本参数依据拐点特征进行分类识别,采用BP神经网络进行学习训练并输出预测结果,并用CPSO对BP神经网络的权值和阈值进行优化;基于样本案例对本文构建的LVQ-CPSO-BP算法进行预测结果验证,并与BP算法、GA-BP算法及PSO-BP算法预测的结果进行对比分析。结果表明:LVQ分类正确识别率较高,CPSO-BP算法预测精度较好,且优于其他3种算法。LVQ-CPSO-BP算法总体预测值与实测值吻合度高,尤其当有效应力减小时,预测精度更高。     

基于GA-BP神经网络的概率积分法预计参数研究

针对BP神经网络的不足,为提高概率积分法预计开采沉陷的准确性,采用遗传算法(GA)优化BP神经网络,建立了一种基于GA-BP神经网络的概率积分法参数预计模型。将多组地表观测站实测数据分为训练样本和检验样本,以工作面的7个地质采矿条件参数为输入集,5个概率积分法预计参数为输出集,通过GA优化的BP神经网络机器学习方法对训练样本进行训练,利用训练模型预计检验样本的概率积分法参数,并与观测站实测数据进行了对比分析。研究表明:对于不同地质采矿条件下的概率积分法参数进行预计时,GA-BP模型明显优于BP神经网络和偏最小二乘模型,平均相对误差最大为8.64%,预计精度可靠性较高。     

基于改进蚁群算法优化神经网络的焊缝成形预测研究

为了控制焊接机器人焊缝成形的质量,提出了一种基于改进蚁群算法（ACO）优化BP神经网络的焊缝成形预测模型,实现对焊缝成形尺寸的控制。首先通过Otsu优化Canny算子的方法提取焊接过程中熔池图像的数据样本,然后用BP神经网络来进行训练预测。为了优化初始权阈值,引入ACO优化BP;针对蚁群陷入局部最优的情况,引入遗传算法（GA）中的交叉变异,利用适应度值来确定选择概率的特性,从而加快迭代速度,避开蚁群初期的收敛慢问题,提升预测模型的性能。最后通过与传统BP、GA-BP和ACO-BP的预测实验对比,发现改进后的预测模型准确度高、稳定性好。     

GA-BP神经网络在深基坑变形预测中的应用

选取深圳前海某基坑工程的监测数据为例,分别采用BP神经网络和GA-BP神经网络两种模型对基坑支护结构进行变形预测,将变形预测值与实际监测数据对比分析,指出遗传算法优化的GA-BP神经网络模型能更精确的预测基坑变形。     

基于GA-BP的煤巷围岩稳定性分类与应用

为了对煤巷围岩稳定性进行科学分类,统计24篇分类文献,建立SPSS分类指标数据库,进行频数分析,研究指标的频数和分布特征,得出重点分类指标,同时考虑指标选取原则和山西焦煤实际情况,确定了11个分类指标。联合应用遗传算法和BP神经网络,建立GA-BP煤巷围岩稳定性分类模型,通过GA全局启发式搜索构建网络拓扑结构,通过GA全局寻优和BP局部优化确定最优权值阈值,应用MATLAB对该模型进行编程。设计含80条山西焦煤煤巷的训练样本,使模型学习并获得分类能力,并应用于山西焦煤20条煤巷。结果表明:GA-BP分类模型准确率为95%,具有较高非线性映射精度,适用于对山西焦煤煤巷进行稳定性分类。