共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
针对开采沉陷量与多影响因素复杂非线性关系问题,提出了基于粒子群算法优化BP神经网络的Adaboost强预测模型(Adaboost-PSO-BP模型)。预测结果表明,与BP模型、Adaboost-BP模型和PSO-BP模型相比,Adaboost-PSO-BP模型提高了预测精度,平均相对误差值优化到4.26%|该模型融合了Adaboost算法侧重预测误差大的样本和粒子群算法优化神经网络权值及阈值的特点,实现了强预测器“优中选优”的目的,在开采沉陷预测中具有可行性。 相似文献
5.
影响边坡稳定的因素繁杂多变,给边坡的稳定性评价与预测带来了困难,神经网络能够通过自学功能从样本数据中获取复杂的非线性关系,适用于解决边坡稳定性评价问题.因此,通过 Python语言建立了 BP神经网络模型,在此基础上借助粒子群算法提高模型的收敛速度与预测精度,建立了基于粒子群算法优化 BP神经网络实现边坡形变数据的分析预测模型,选取边坡土体的容重、黏聚力和内摩擦角等6个主要影响因素作为评判边坡稳定性的指标,将神经网络模型得到的预测结果与实际数据进行对比,结果表明利用粒子群算法优化后得到的预测值误差更小,验证了该模型的合理性和有效性. 相似文献
6.
7.
8.
选取K~++Na~+、Ca~(2+)、Mg~(2+)、Cl~-、HCO_3~-、SO_4~(2-)6种离子作为判别指标,提出基于Tent混沌映射的自适应混沌粒子群算法(ACPSO),使自适应混沌粒子群算法快速、高效地对BP神经网络完成最优初始化,并将建立的ACPSO-BP神经网络突水水源判别模型进行实例应用。 相似文献
9.
故障诊断的本质是信号的特征提取与分类,BP神经网络是典型的一种分类方法。针对传统的BP算法易形成局部极小值,缺乏全局搜索性的缺点,利用粒子群算法可以在复杂、多峰、非线性及不可微的空间中实现快速、高效的全局搜索的特点,结合传统BP算法,提出一种基于PSO-BP混合训练神经网络的新方法。该算法首先利用粒子群算法的全局搜索能力对BP网络的权值进行优化,同时引入粒子群熵的概念对粒子群体中个体的多样性进行度量,当粒子群熵的估计值超过某一设定阀值时,用BP算法进行神经网络的训练。采用采煤机的轴承故障数据集对PSO-BP算法进行验证,证明该方法能够对采煤机的故障进行诊断。 相似文献
10.
《采矿与安全工程学报》2017,(2)
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。 相似文献