基于混沌优化神经网络的冲击地压预测模型

为了改进BP神经网络用于冲击地压预测的精度和泛化能力,利用BP算法和混沌优化算法优缺点的互补性,构建了一种组合式优化预测模型（COBP）.将该模型应用于重庆砚石台煤矿冲击地压的预测,结果显示,该模型既利用混沌优化帮助BP算法克服了易陷入局部极值的缺点,又利用BP算法克服了基本混沌优化局部搜索能力有限和有时不能搜索到全局最优的缺陷.     

基于IQPSO-BP算法的煤矿瓦斯涌出量预测

针对煤矿回采工作面瓦斯涌出的非线性特征,提出一种基于改进量子粒子群优化BP神经网络(IQPSO-BP)的瓦斯涌出量预测方法。鉴于量子粒子群算法的遍历能力有限,采用混沌序列来初始化量子的初始角位置。同时,采用凸函数调整惯性权重,以平衡算法的全局勘探和局部开发能力。并依此来优化BP神经网络的权值、阈值参数,进而建立了瓦斯涌出量预测模型。试验结果表明,IQPSO-BP算法具有较强的泛化能力及较高的预测精度,可有效用于煤矿瓦斯涌出量的预测。     

基于人工神经网络的冲击地压预测

本文应用Matlab语言编写了BP神经网络程序，并对BP算法做了一定的改进，用此算法对冲击地压进行了预测，结果令人满意。     

基于Adaboost-PSO-BP模型的开采沉陷预测研究

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。     

粒子群算法优化BP神经网络在边坡稳定性中的应用

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.     

煤与瓦斯突出预测的PSO-BP算法模型

基于梯度下降的BP算法简单、可塑性强,但极易陷入局部极值,并且存在收敛速度慢等无法克服的缺陷。粒子群优化算法作为一种全局优化算法,引入到神经网络的训练中很容易实现,并且能够快速收敛。结合局部搜索能力快速的BP算法和全局搜索能力极强的粒子群优化算法,提出了PSO-BP算法的煤与瓦斯突出危险性区域预测模型。实验结果证明,该预测模型相比于基于BP神经网络的预测,在泛化能力和收敛速度上均有显著增长。     

基于PSO-BP的胶结充填体强度预测研究

为快速、准确地确定胶结充填体强度,构建了基于PSO-BP的胶结充填体强度预测模型,并以养护7 d和28 d的胶结充填体强度试验数据进行了验证。结果表明：结合粒子群算法优化BP神经网络初始权值,从而大大提高了预测模型的准确性和可靠性,基于粒子群算法优化下的神经网络相对误差为0.77%,比BP神经网络预测的平均相对误差降低了3.42%,表现出良好的预测精度。     

基于改进粒子群BP神经网络的矿井突水水源判别

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。     

基于粒子群和BP混合优化的采煤机故障诊断分类方法研究

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。     

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。