基于改进BP神经网络的矿井瓦斯浓度预测算法

针对传统煤矿瓦斯预警的可靠性差和误差大等问题,提出了一种基于改进BP神经网络的矿井瓦斯浓度预测算法。提出的新型算法在传统BP神经网络算法的基础上,将遗传算法与BP神经网络算法有效结合,采用优化连接权方法对BP神经算法进行优化。该方法降低了瓦斯浓度预测模型的迭代次数和绝对误差。     

工作面瓦斯涌出量的神经网络模型预测研究

通过对BP神经网络原理的分析 ,设计出了预测工作面瓦斯涌出量的BP神经网络模型。然后 ,在所建模型的基础上 ,采用matlab语言 ,实现了预测工作面瓦斯涌出量的BP神经网络模型。通过使用样本对网络进行训练和对几十个实际数据的仿真 ,得到了很好的预测结果。从预测结果看出 ,达到了工程实际能够接受的预测精度 ,说明该模型能够用于矿井的瓦斯涌出量预测。     

基于遗传算法改进的BP神经网络模型在邻近层瓦斯涌出量预测中的应用

邻近层瓦斯向回采工作面运移是造成工作面瓦斯浓度超限的原因之一。运用遗传算法和BP神经网络的基本理论,选取了影响邻近层瓦斯涌出9个基本指标,建立邻近层瓦斯涌出的预测模型,并通过现场实测数据对邻近层瓦斯涌出量进行了预测。预测结果表明:该模型预测获得的精度较高,预测模型可靠。     

基于遗传算法优化BP神经网络的瓦斯浓度预测研究

为了提高瓦斯浓度预测的精度和稳定性,提出了将遗传算法(GA)与BP神经网络结合的预测方法。利用BP神经网络能以任意精度逼近非线性函数的优点,结合遗传算法的全局搜索能力,优化神经网络权值和阈值,建立GA—BP混合算法模型预测瓦斯浓度。实验结果表明,GA—BP算法与BP神经网络相比,具有较高的预测精度和较强的稳定性。     

基于长短时记忆神经网络的回采工作面瓦斯浓度动态预测

为提高煤矿回采工作面瓦斯浓度预测精度,考虑瓦斯浓度受历史状态制约,提出长短时记忆神经网络LSTMNN煤矿回采工作面瓦斯浓度动态预测模型。利用山西省某煤矿回采工作面瓦斯浓度实测数据构建该模型学习训练样本,并检验预测效果。研究表明,LSTMNN算法通过遗忘、记忆过程对过去一段时间瓦斯浓度信息进行筛选,克服传统预测方法将输出值独立看待的短板,提高矿井瓦斯浓度预测精确度及可靠性;将LSTMNN算法预测结果与实测值对比,预测模型平均绝对误差、平均相对误差、均方根误差、纳什模型效率指数分别为0.004 319、0.800 6%、0.005 714、0.436 3。     

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。     

灰色关联理论在神经网络预测邻近层瓦斯涌出模型中的应用

邻近层瓦斯通过裂隙通道向综采工作面运移是造成工作面瓦斯超限的重要原因之一。运用遗传算法改进的BP神经网络,建立邻近层瓦斯涌出预测模型,采用灰色关联理论,根据结构重要度选取影响因素,可以使综采工作面瓦斯预测结果更加准确,更有助于该工作面瓦斯治理。     

基于PCA-BP神经网络的瓦斯涌出量预测分析

针对目前矿井回采工作面瓦斯涌出量预测准确率低、误差率大等问题,提出基于主成分回归分析以及BP神经网络原理和方法来预测回采工作面瓦斯涌出量,依据井下现场实测的数据,通过多元统计分析软件SPSS开展相关数据处理,分析影响工作面瓦斯涌出量11个因素之间的相互关系且提取主成分,来得到BP神经网络中的输入参数,并借助PCA-BP神经网络的方法建立回采工作面瓦斯涌出量预测模型。结果证明:使用PCA-BP神经网络方法的预测值与实际值最大相对误差为2.820%,最小相对误差为2.036%,平均相对误差为2.357%。     

矿井瓦斯涌出量动态预测数值模拟方法

为了提高瓦斯涌出预测的准确性,采用BP型神经网络,在MATLAB环境下构建瓦斯动态预测模型。通过该模型可以实现对工作面瓦斯涌出的动态预测,并能够综合判断工作面所处地点的安全状况以及前方的潜在危险性,为实现煤矿安全生产提供保障。     

基于小波神经网络的瓦斯涌出量预测

为了更准确地预测矿井瓦斯涌出量,提出了采用一类小波神经网络对井下瓦斯涌出量进行预测技术,小波神经网络为紧致型结构,小波采用Daubechies小波。为了提高小波神经网络的泛化能力,将遗传算法应用到小波神经网络的权值学习中。仿真试验表明,提出的基于小波神经网络预测模型与传统的BP神经网络的预测模型相比,其预测值更为准确。