基于PSO优化BP神经网络的露天矿边坡位移预测模型

BP神经网络的初始连接权重和阈值对露天矿边坡位移预测的精度和收敛速度有重要影响。鉴于粒子群优化(PSO)算法具有全局搜索性能和收敛速度快,引入PSO算法对BP神经网络的初始连接权重和阈值进行全局优化,提出了基于PSO优化BP神经网络的露天矿边坡位移预测模型。将所提出的模型应用于实际案例中,并与BP神经网络进行对比。结果表明:该模型能够提高BP神经网络在露天矿边坡位移预测中的精度和收敛速度,预测结果的最大相对误差和平均相对误差分别是0.566 8%和0.353 0%,具有较好的精度和实际应用价值。     

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。     

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。     

基于ACC-ENN算法的煤矿瓦斯涌出量动态预测模型研究

为了对煤矿瓦斯监测数据进行有效分析,以实现准确、可靠的回采工作面绝对瓦斯涌出量预测,提出了蚁群聚类算法优化Elman神经网络的绝对瓦斯涌出量动态预测方法。算法通过对Elman神经网络的权值、阈值寻优,建立了基于ACC-ENN算法的绝对瓦斯涌出量预测模型,并结合矿井监测到的历史数据进行实例分析。试验结果表明:经蚁群聚类优化后的Elman神经网络绝对瓦斯涌出量预测模型较其他预测模型具有更好的泛化能力和更高的预测精度,有效地实现了煤矿绝对瓦斯涌出量动态预测。     

基于小波神经网络的煤岩破裂电磁辐射预测模型研究

针对电磁辐射信号的特点,提出用小波神经网络建立煤岩破裂电磁辐射预测模型,用最大最小蚁群算法来训练网络初始参数,改善网络性能,并引入扰动因子和惩罚因子来解决算法的局部收敛和收敛速度慢的问题。以开滦煤样为例,应用结果表明,该模型精度高、响应快、实时性较好,具有良好的应用前景。     

基于蚁群算法和BP神经网络的矿井通风机故障诊断

采用蚁群算法代替BP算法来训练神经网络的权值和阈值,通过比较2种算法的训练结果,基于蚁群优化的神经网络具有较快的收敛速度,而且能够克服BP算法易于陷入局部最优解的缺陷。采用蚁群算法训练后的神经网络对矿井通风机进行了故障诊断,实验结果表明,该方法是一种有效的故障诊断方法,具有较好的故障诊断效果。     

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。     

基于Matlab的改进BP在煤炭产量预测中的应用

准确预测未来我国煤炭产量对保持我国煤炭供求平衡具有重要的指导意义.本文讨论了BP神经网络及其改进算法,提出了一种采用L-M算法的改进BP神经网络的非线性系统预测模型,并将其用于煤炭产量预测中,通过具体的仿真及实践结果验证了改进BP的有效性.     

基于TPE-BP神经网络的爆破振速预测模型研究

爆破振动速度是爆破设计需要考虑的的重要因素之一,然而在爆破振动速度预测中,BP神经网络超参数的确定依赖经验公式且具有主观性。为克服这种局限性,并提高振动速度预测精度,采用超参数优化算法TPE对BP神经网络进行超参数优选。以最大段起爆炸药量、炮孔深度、水平距离、垂直距离和炸药单耗参数作为输入量,建立了隐含层数量神经元数量为31个的BP神经网络(TPE-BP)预测模型,该模型的爆破振动速度平均预测误差为2.35%,最大误差为6.29%,与基于经验公式确定超参数的BP神经网络模型和传统的BP神经网络模型相比较,平均预测误差分别降低了23.26个百分点和4.24个百分点,说明参数网络优化后TPE-BP预测模型能更好地拟合振动数据,其预测结果更接近真实值,可为爆破参数设计提供参考依据,从而有效地控制爆破振动。     

基于AFSA-BP算法的露天矿边坡预测模型

应用具有强大全局搜索能力的人工鱼群算法(AFSA)优化BP神经网络,为其提供最优的初始权值和阈值,提高预测模型的性能.结合影响边坡变形的影响因素,建立基于AFSA - BP算法的露天矿边坡位移预测模型,并对实际露天矿边坡进行位移预测.     

基于SSA-BP的露天矿山边坡位移变形预测

针对传统的BP神经网络在预测露天矿山边坡位移变形时存在的局限性,构造了一种基于麻雀搜索算法（SSA）和BP神经网络相结合的边坡位移变形预测模型,先利用麻雀搜索算法对传统的BP神经网络进行权值与阈值的优化,再将麻雀搜索算法优化后的BP神经网络算法（SSA-BP）运用于露天矿山边坡位移的预测。为了验证算法的可行性,将SSA-BP预测模型与WOA-BP、BP以及Elman预测模型针对露天矿山边坡位移变形量的预测结果进行比较。实验结果表明：SSA-BP预测模型针对露天矿山边坡位移变形量的预测相比其他三种模型,其迭代速度块,寻优能力强;通过预测精度评价指标来看,SSA-BP算法的R^2、RMSE、MAPE、MAE、MSE明显优于另外三组算法。为露天矿山边坡位移变形预测提供了一种新的思路和方法。     

基于GA-BP神经网络的淋水井筒风温预测模型

矿井进风井筒井底风温是井下风流热计算的重要节点。为准确预测淋水井筒风温，利用皮尔逊相关系数分析与遗传算法（GA）优化BP神经网络相结合的预测模型。借助皮尔逊相关系数分析筛选其中3个主要特征变量作为BP神经网络的输入变量，利用GA优化BP神经网络的权值和阈值，并与标准BP神经网络预测模型进行比较。研究结果表明，全部特征变量与特征变量筛选输入的标准BP神经网络预测模型的预测结果的平均绝对百分比误差分别为1.25%和2.33%,GA优化BP神经网络预测模型的预测结果的平均绝对百分比误差分别为0.97%和2.21%,GA-BP神经网络预测模型预测精度高于标准BP神经网络预测模型，基于特征变量筛选的预测模型既保持了较高的预测精度，又提高了预测效率。     

改进梯度下降BP算法在地下水位预测中的应用

本文给出了BP神经网络预测模型的原理,分析了标准BP算法缺陷,通过改变学习率和增加动量项改进BP算法。用改进的算法预测某地地下水位,并对训练过程进行优化,实验结果表明,改进的BP神经网络能有效地提高地下水位预测的速度和精度,比标准BP算法预测性能有较大改善。     

基于BP神经网络的矿石非计划贫化预测

为了消除等效线性超挖（Equivalent Linear Overbreak Slough,ELOS）经验图表法估算矿石非计划贫化的局限性,采用BP神经网络算法,以采场稳定指数、水力半径、钻孔平均偏斜量和炸药单耗为输入变量,以量化矿石非计划贫化的等效线性超挖深度为输出变量,建立了隐含层神经元节点数为6的3层BP神经网络预测模型。经过120组样本数据模型训练和样本测试,BP神经网络预测模型的拟合度为0.987 42、均方误差为9×10-5,预测的相对误差约6%,形成了矿石非计划贫化预测方法。应用BP神经网络非计划贫化模型对三道桥铅锌矿试验采场进行了矿石非计划贫化计算。结果表明：基于BP神经网络的矿石非计划贫化计算值为0.717 m,与现场实测值（0.7 m）相比,其相对误差为2.4%,优于经验图表法和数值模拟分析法的计算结果（0.80 m和0.55 m）,可用于实际矿山的矿石非计划贫化预测。     

成矿有利度的支持向量回归预测

应用基于量子粒子群算法（QPSO）寻优的支持向量回归（SVR）方法,对成矿有利度进行建模和预测研究,并与BP神经网络模型的预测结果进行了比较。结果表明：基于量子粒子群算法优化的支持向量机成矿预测模型能较好地拟合成矿有利度与其影响因素之间的高度非线性关系,且比BP神经网络模型具有更高的精度,说明支持向量回归方法用于成矿有利度预测是可行有效的。     

小波神经网络在露天矿边坡变形预测中的应用

为了提高边坡位移变形监测数据预测的精度和可靠性,建立了基于改进BP算法的小波神经网络预测模型。以水厂铁矿GPS边坡监测数据为样本,通过编制Matlab小波神经网络程序进行训练和预测。结果表明,小波神经网络预测模型有良好的函数逼近能力及容错能力。因此,该预测模型在非线性时间序列预测中,具有高精度性和可靠性。     

露天矿高陡边坡变形预报的最优LMBP算法研究

为提高BP神经网络在露天矿高陡边坡变形监测数据预测的精度与可靠性,建立了基于LM算法改进的LMBP神经网络预测模型。以某露天矿边坡监测数据为样本,构建了LMBP最优网络拓扑结构,通过MATLAB编制程序进行了网络训练和预测,应用结果表明:LMBP神经网络具有良好的函数逼近能力及较快的网络收敛能力,且该模型计算结果较为精确,预测精度较高。     

基于遗传算法和BP神经网络岩爆预测

将BP神经网络与遗传算法相结合,使用遗传算法优化神经网络的权值和阈值,然后用BP算法训练网络,避免了单独使用BP神经网络训练时易于陷入局部极小值的问题,建立了一种新的岩爆预测模型。采集国内外具有代表性的一些岩爆案例作为BP训练样本,将样本数据经过多次迭代之后,达到指定误差停止训练,利用训练好的模型对某铜矿部分岩爆进行预测,预测结果与实际岩爆等级一致。     

基于BP神经网络的水力旋流器工作参数预测的研究

介绍了神经网络的基本原理及其BP算法,建立了BP模型,实现对水力旋流器工作参数的预测,预测结果跟生产现场实际结果拟合性较好,对实际生产有实用价值。并用Delphi编写人机交互界面来进行实时预测。