首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   5篇
  完全免费   3篇
  矿业工程   8篇
  2020年   2篇
  2015年   1篇
  2014年   3篇
  2012年   1篇
  2008年   1篇
排序方式: 共有8条查询结果,搜索用时 27 毫秒
1
1.
基于广义回归神经网络GRNN的矿井通风系统可靠性评价   总被引:2,自引:0,他引:2  
矿井通风系统是矿井的重要组成部分,对矿井的安全生产有着至关重要的影响.在全面分析矿井通风系统影响因素和广泛参考其他评价模型的基础上,以矿井负压等11个矿井通风系统主要影响因素为评价指标,建立了广义回归神经网络矿井通风系统评价模型,并应用该模型和MATLAB7.0人工神经网络工具箱编写矿井通风系统评价程序,对多个通风系统样本进行了训练和测试,6次测试中最大误差仅为0.0764.研究表明,该模型精度较高,可用于矿井通风系统评价.  相似文献
2.
基于PCA-FOA-GRNN的回采工作面瓦斯涌出量预测   总被引:1,自引:0,他引:1  
撒占友  綦鲁杰  刘岩 《煤矿安全》2015,46(1):133-136
回采工作面瓦斯涌出量受多种因素共同影响,很难用线性方法进行准确预测.广义回归神经网络(GRNN)是一种前馈神经网络,具有鲁棒性好和高容错率的优点,并且调节参数只有1个,因此,基于GRNN构建预测模型,运用改进的果蝇优化算法(FOA)对传统GRNN模型进行优化,应用主成分分析法(PCA)对样本数据进行降维简化处理,以减少次要因素对预测结果的干扰.选取晓明矿数据对模型进行验证,预测效果良好,其平均绝对误差为3.98%,低于传统GRNN模型的7.06%.  相似文献
3.
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
4.
针对煤与瓦斯突出存在诸多不确定影响因素的特点,在研究煤与瓦斯突出机理和广义回归神经网络的基础上,建立了煤与瓦斯突出的广义回归神经网络预测模型,提出了广义回归神经网络中的光滑因子优化选择算法,以提高模型预测精度.通过应用实例验证,预测结果精度高,与实际情况相吻合.研究结果证明了该方法的合理性和可行性,对煤矿提高煤与瓦斯突出区域的预测能力具有较大的参考意义.  相似文献
5.
煤炭需求预测是指导我国煤炭工业发展规划的重要依据之一。我国煤炭资源需求影响因素复杂,准确地预测需要考虑经济、社会等多方面因素。针对获取数据不足等特点,首次在煤炭的预测中运用动态广义回归神经网络(D-GRNN)的方法,预测了中国未来近十年内的煤炭预测值,得到了比较合理的预测值。运用预测数据对国家的煤炭宏观调控做出了合理评价。  相似文献
6.
为进一步提高井下定位精度,本文提出一种基于粒子群算法-广义回归神经网络(PSO-GRNN)的煤矿井下定位算法。该算法利用广义回归神经网络(GRNN)建立井下定位模型,通过粒子群优化算法(PSO)寻找广义回归神经网络最优的平滑因子,降低人为调整的影响,提高定位精度。将信标节点接收到的信号强度(RSSI)值输入训练好的神经网络,神经网络的输出就是待测节点的坐标。 仿真实验表明, PSO-GRNN模型相比未经优化的GRNN 模型和BP模型,定位精度更高;相比BP模型,算法复杂度更低,效率更高,满足井下自适应定位要求。  相似文献
7.
为了避免露天金属矿爆破后导致爆堆边缘矿石品位贫化损失,需要根据最低品位阈值重新计算矿岩边界,而影响矿岩边界发生改变因素众多,需要确定主要影响因素。因此,利用爆堆爆前地形方向和爆堆地质数据,构建灰色关联-广义回归神经网络模型(GRA-GRNN)分析爆堆矿岩边界变化主要影响因素。首先对爆堆钻孔品位数据使用析取克里金法进行空间插值,并根据矿山工艺最低品位阈值提取爆破前的矿岩边界;其次,将爆破前后的数字DEM模型进行求差,求得爆破后的爆堆数字DEM模型,并构建爆破前后爆堆数字DEM模型空间分布椭圆,从而确定爆堆爆破后的水平形变方向;对影响爆堆爆破后形变的可能因素进行提取,并应用GRA-GRNN模型选取主要影响因素及对其强度进行分析,并将其结果与BP神经网络模型预测结果进行了对比。从实验结果可知,影响爆堆爆后形变强度排前三的因素为:爆前地形方向、爆孔排距和列距,强度分别为0.880、0.760和0.755,预测结果优于BP模型。  相似文献
8.
有效抛掷率是评价抛掷爆破效果最重要的指标之一,预测有效抛掷率可以指导露天煤矿准确制定生产计划。在分析了抛掷爆破有效抛掷率影响因素的基础上,选取抛掷爆破台阶高度、炸药单耗、底盘抵抗线、孔距、排距、煤层厚度等6个指标作为广义回归神经网络的网络输入,以有效抛掷率为网络的输出,建立了有效抛掷率预测模型,并通过MATLAB编程来实现了网络的训练和预测。实例结果表明:广义回归神经网络能够较准确地预测有效抛掷率,预测误差一般在5%左右,预测结果能够满足工程要求。  相似文献
1
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