主成分分析与BP神经网络在煤耗氧速度预测中的应用

结合主成分分析与神经网络的优点,提出了主成分分析与神经网络相结合的煤耗氧速度预测模型.采用主成分分析法对原始输入变量进行预处理,选择输入变量的主成分作为神经网络输入,一方面减少了输入变量的维数,消除了各输入变量的相关性;另一方面提高了网络的收敛性和稳定性,同时也简化了网络的结构.通过实例验证,基于主成分的神经网络比一般神经网络训练精度更高,学习时间更短,预测效果更优.     

PCA和GA-BP神经网络在边坡稳定性预测中的应用

针对现有边坡稳定性预测模型存在的不稳定性和精度不高的问题,采用主成分分析方法 PCA和遗传算法GA对传统BP神经网络模型进行优化。PCA方法将露天矿边坡稳定性的6个评价指标转换为4个主成分,作为BP神经网络的输入变量;遗传算法对神经网络的初始权阈值进行了筛选优化。经优化后的模型既减少了神经网络的输入变量,提高了学习训练效率,又使得传统BP神经网络模型的精度大大提高。最后将PCA-GA-BP模型、GA-BP模型和传统BP模型得到的预测结果进行对比和误差分析。结果表明,基于PCA-GA-BP神经网络模型的预测精度较好,对露天矿边坡稳定性的预测具有一定的参考价值。     

PCA-聚类分析在煤与瓦斯突出预测中的应用研究

为准确预测煤与瓦斯突出,将主成分分析(PCA)法与聚类分析法相结合,建立了PCA-聚类分析模型对煤与瓦斯突出预测。利用主成分分析方法提取贡献率为原始变量85.28%的4个主成分代替原来的8个变量,并且计算了4个主成分的综合得分。将提取出的4个主成分作为系统聚类分析的输入变量,输入SPSS中得到谱系图。结果表明该模型能够预测煤与瓦斯突出,为煤与瓦斯突出预测提供了新方法。     

基于主成分分析与BP神经网络的矿井涌水量预测研究

选取影响矿井涌水的累积巷道长度、月开拓巷道长度、累计开采面积、月开采面积、降水量、含水系数等6个因素作为变量,将主成分分析与BP神经网络2种方法相结合,采用主成分分析法对影响矿井涌水量的6个主要影响因子进行分析,根据确定的主要影响因子作为BP神经网络的输入样本,建立BP神经网络预测模型进行预测,预测数据与现场实测数据对比表明,2种方法相结合预测涌水量误差小、精度高,为矿井涌水量的预测开辟了新思路。     

基于KPCA/PNN的煤矿主通风机的故障诊断

针对煤矿主通风机故障与征兆对应关系复杂的特点,以及利用传统BP网络进行故障诊断存在训练速度慢、易陷入局部极小的缺点,提出基于核主成分分析和概率神经网络的故障诊断方法。首先利用核主成分分析对非线性的、相互关联的故障变量进行特征提取,消除变量之间的相关性,降低数据维数,得到故障特征,然后将概率神经网络作为诊断决策分类器,输出故障模式。实验表明,该方法有效地提高了煤矿主通风机的故障诊断的准确性。     

基于PCA和IFOA-BP煤与瓦斯突出软测量建模

针对煤与瓦斯突出预测指标存在的问题,引入一个新的指标F来表征瓦斯突出强度,并将主成分分析法(PCA)与改进果蝇算法优化的BP神经网络相结合,建立了煤与瓦斯突出软测量模型。通过PCA来对原始数据进行降维处理,消除变量间的相关性,选取贡献率高于80%的主成分来替代原有的9个影响因素作为BP神经网络的输入变量;采取候选解的线性生成机制(LGMS)和变邻域搜索(VNS)来改进果蝇算法,在改进后的果蝇算法(IFOA)的优化过程中,将果蝇群体位置的变化与BP神经网络学习过程中的权值和阈值的更新相对应,然后以提取的主成分作为输入变量,以新的指标F作为输出变量,建立了IFOA-BP预测模型。选取具有代表性的样本进行验证,实验结果表明,与BP和PSO-BP模型相比,IFOA-BP模型收敛速度快,预测精度高,具有较强的泛化能力。     

基于PLS-BP神经网络模型的导水裂缝带高度预测

针对淮南煤田走向长壁垮落式采煤法条件下导水裂缝带高度难以精确预测的问题,建立基于偏最小二乘法的BP神经网络模型,提高了导水裂缝带高度的预测精度。首先运用偏最小二乘法对导水裂缝带高度的影响因素进行分析,对原始数据降维处理提取主成分,优化了原始数据,克服了变量间因样本量小而产生的多重相关性影响,并对自变量、因变量具有很强的解释能力。再将提取的主成分作为BP神经网络模型的输入层,导水裂缝带高度为输出层,对网络进行训练。该方法既简化了网络结构,其精度也高于经验公式以及单一的偏最小二乘法模型与BP神经网络模型。     

PCA降维技术在弯辊力预设定中的研究与应用

为了提高冷连轧带钢弯辊力预设定模型的计算效率, 在原有基于GA-BP神经网络的弯辊力预设定模型基础上, 引入主成分分析(PCA)数据降维技术, 通过PCA将原有10个轧制参数变量转换为3个主成分变量, 降维后的主成分变量包含了原始实测轧制参数93.55%的信息, 实现了轧制参数特征的有效提取; 将其作为神经网络的输入, 建立PCA-GA-BP新形态弯辊力预设定模型, 简化了模型结构。以某1 450 mm冷连轧生产线数据作为样本比较了2种模型的计算性能, 结果表明, 2种模型均具有较好的泛化能力, 在保证带钢头部板形精度的基础上, PCA-GA-BP模型与原模型相比迭代次数减少86次, 计算时间缩短73 ms, 预报效率显著提高。     

基于主成分分析法的神经网络模型与箱线图在选厂中的应用

利用探索性数据分析法中的箱线图法对选矿数据进行分析,找到最优的精矿品位、回收率组合.并将其作为输入因素输入到主成分分析-神经网络模型进行验证预测,找到在此组合下的更合理的药剂用量.用此药剂量指导生产,可以得到更好的精矿品位和回收率.     

基于Monte Carlo方法改进的BP神经网络对回采工作面瓦斯涌出量预测

文章首先构建和训练以煤层埋藏深度、煤层厚度、煤层瓦斯含量、工作面煤层与邻近煤层距离、工作面推进距离、工作面产量等为输入变量,回采工作面绝对瓦斯涌出量为输出变量的BP神经网络模型。然后采用Monte Carlo方法通过对6组输入变量的随机抽样来预判各自的发展趋势并对输入变量随时间变化的行为进行模拟,将模拟结果作为BP神经网络输入层节点值,代入训练好的网络,输出值即为下一生产周期回采工作面绝对瓦斯涌出量的预测值。     

偏最小二乘回归的神经网络模型在巷道围岩位移预测中的应用

偏最小二乘回归方法集多元回归、典型相关分析及主成分分析的功能于一体，能有效地处理自变量的多重线性相关问题，但不能较好地处理因变量与自变量间复杂的非线性问题，而神经网络方法是处理非线性问题的有力工具，但输入数据的严重相关性会使得网络的求解变得不稳定且收敛速度很慢，本文试图把这两种方法结合在一起来预测巷道围岩的位移．结果表明，结合方法比单一方法优越．通过偏最小二乘回归对巷道围岩的位移影响因子的处理，消除了影响因子的线性相关性，并提取了对因变量解释性最强的成分，使BP(back propagation)网络的输入层节点数目由原来的7个减少到3个，起到了简化网络结构，增强网络稳定性的作用．     

地下金属矿山采矿成本预测模型

为了解决现代矿山采矿成本的核心构成发生变化、成本管控难度增加等问题，深入剖析了采矿成本的关键影响因素，基于PCA BP神经网络构建了成本预测模型，形成了适用于现代矿山的成本核算方法。针对机械化开采、开采深度增加、工况条件差异所带来的采矿成本变化，分析了现代矿山企业采矿作业成本的构成特点，以此为基础运用作业成本法精细化核算各个采矿作业单元的成本费用。总结成本变化规律发现，采矿成本主要受到采场作业空间大小、温度、深度、运输距离以及工人工作效率、工人工作经验、设备铲运效率、设备服务年限、燃油消耗率、油料消耗率10个关键因素影响，在采用主成分分析法对影响因素进行降维后，提取主成分作为成本预测变量，运用PCA BP神经网络构建了成本预测模型。采用山东某地下金属矿山的成本数据对该模型进行了训练和验证，预测值与实际值的平均相对误差为3.80%。研究表明：所建模型的预测结果可靠、精度满足要求，可以为现代矿山企业作业成本控制、成本计划制定提供依据。     

基于BP神经网络的生物质固定床热解气化过程模拟

为研究生物质的热解气化规律，基于BP人工神经网络原理，利用Matlab神经网络工具箱，以试验得到的两种生物质54组试验数据作为样本，建立了以停留时间、水分、温度、催化剂种类和催化剂用量为输入变量，气、液、固产物产率和不同种类气体组成为输出变量的生物质固定床热解气化过程模型。模型输出的7个变量的预测结果与试验数据吻合较好，证明该模型对生物质热解气化过程模拟的可行性和有效性。     

BP神经网络在振动筛故障诊断中的应用

按BP神经网络的基本原理和算法,确定了振动筛的BP神经网络结构,用振动筛运行状态的特征量作为BP神经网络的输入,运用Matlab神经网络工具箱对该网络进行训练,得到了用于诊断的BP神经网络模型。实验结果表明,运用神经网络方法能较为准确诊断振动筛故障。     

基于能源网络系统中燃煤锅炉NOx排放的深度学习模型研究

为了建立高精度的燃煤锅炉NOx排放量预测模型,提出了一种考虑时延特征的基于深度学习的燃煤锅炉NOx排放量建模算法。结合机理分析和lasso算法分析特征变量重要性,选取与NOx排放量最相关的变量,进一步分析所选取变量与NOx排放量之间的时延相关性;确定模型输入变量后,采用经验模态分解方法对输入变量时间序列进行分解,提取其中的频域信息与时域信息,构造建模数据库;设计深度神经网络结构并优化网络参数,建立NOx排放量预测模型。基于火电厂实际运行数据的实验结果表明,在多种工况下,所提出的算法预测误差均小于2%,能够满足实际生产对预测精度的要求。     

基于PCA-PNN原理的岩爆烈度分级预测方法

根据岩爆的影响因素、特点及成因,选取围岩最大切应力、单轴抗压强度、单轴抗拉强度、应力系数、脆性系数和弹性能量指数构成岩爆预测指标体系。搜集国内外46组典型岩爆案例数据,考虑到概率神经网络(PNN)中高斯函数要求各指标变量互不相关,采用主成分分析法(PCA)对原始数据预处理,消除指标间相关性并降维,得到线性无关的3个主成分即岩爆综合预测指标RCI_1,RCI_2,RCI_3,构成概率神经网络的输入向量。将岩爆烈度分级预测视为共有4种类别的模式分类问题,在满足均匀分布的前提下,选取[0.02,1.00]内的50个Spread值,观察模型预测正确率随Spread值的变化。经测试,Spread值为0.36时,预测结果首次同时达到最优,故创建平滑因子为0.36的概率神经网络。岩爆案例数据由主成分分析法处理后分为训练样本和测试样本,对训练后的PNN网络进行性能测试,两组数据预测正确率分别为100%,90%。将该结果与随机森林(RF)模型、支持向量机(SVM)模型、人工神经网络(ANN)模型进行比较,可知PCA-PNN模型的预测结果稍好于SVM模型、ANN模型,误判率与RF模型的训练样本平均误判率、测试样本平均误判率一致。此外PNN网络收敛速度快,通常在数秒内即可完成,表明基于PCA-PNN的岩爆烈度预测模型是合理可行的。     

Application of neural network model coupling with the partial least-squares method for forecasting watre yield of mine

Scientific forecasting water yield of mine is of great significance to the safety production of mine and the colligated using of water resources. The paper established the forecasting model for water yield of mine, combining neural network with the partial least square method. Dealt with independent variables by the partial least square method, it can not only solve the relationship between independent variables but also reduce the input dimensions in neural network model, and then use the neural network which can solve the non-linear problem better. The result of an example shows that the prediction has higher precision in forecasting and fitting.     

基于遗传算法因素筛选的BP神经网络在软土路基沉降数据处理中的应用

软土路基沉降与其影响因素之间存在着非线性关系,因输入自变量较多,用神经网络建模容易出现过拟合现象,导致网络模型预测精度降低。针对这个问题,提出用遗传算法对输入自变量进行压缩降维处理,同时对网络模型的权值和阈值进行优化。实例仿真表明:经降维和权值及阈值优化的BP网络具有较高的精度;预测效果优于GRNN网络模型和单纯BP网络模型;用于软土路基沉降预测是可行的。