基于红外吸收技术的多组分混合气体检测的研究

针对多组分混合气体的检测问题,提出了基于红外吸收技术进行探测并利用BP神经网络进行信号分析处理的检测方法。该方法采用宽带中红外光源和前端带有窄带滤光片的探测器进行气体探测,探测器输出的每路微弱电信号对应1种气体吸收波长的光波,在对此电信号放大滤波后经A/D采样送达计算机。对实验采集到的数据利用BP神经网络进行分析,能够很好的消除各组分气体之间的干扰,测量相对误差在5%以内,测量拟合曲线呈现良好的线性关系,完全能够满足多组分气体鉴别和测量的要求。     

基于SPSS的多元爆炸性气体相关性分析及回归模型研究

基于煤矿火区常见的5种指标性可燃气体对CH4爆炸极限的影响实验数据,应用SPSS软件进行多组分爆炸性混合气体对CH4爆炸极限影响的相关性研究,并且建立回归模型,为矿井可燃性气体的进一步研究提供一种简便、实用的数据分析和探究方法。     

基于BP神经网络的存储式测井仪数据回放模型

采用BP神经网络代替传统的基于最小二乘法的多项式拟合。通过网络训练,建立了基于BP神经网络的存储式测井仪数据回放模型,并对实验标定数据进行了对比处理。实验结果表明,BP神经网络技术是提高测井仪数据回放精度的有效方法。     

基于改进BP神经网络的矿井CO检测方法的研究

采用催化传感器和电化学式气体传感器配合使用的传感器阵列。为了解决2种传感器对矿井CO和CH4气体的交叉敏感问题,提出了一种基于改进BP神经网络的矿井CO检测方法。通过MATLAB仿真可以看出,基于神经网络的传感器阵列方法可以明显提高CO检测精度。实际输出值和期望输出的绝对误差平均值为3.43 ppm,相对误差平均值为1.43%。     

基于SOM-BP复合神经网络的齿轮故障诊断研究

采集齿轮4种常见状态的振动信号,采用MATLAB建立SOM神经网络、BP神经网络和SOM-BP复合神经网络模型并对模型进行训练,对齿轮故障进行分析。通过对比测试样本的实验结果,BP神经网络的识别准确率可达到94%,SOM神经网络的识别准确率可达到91%,SOM-BP复合神经网络的识别准确率可达到99%,证明了采用SOM-BP复合神经网络进行齿轮故障诊断的正确性和准确性。     

煤炭地下气化煤气爆炸极限的研究

煤炭在地下气化过程中生成可燃气体,存在着许多安全隐患。分析了密闭空间混合气体的爆炸极限计算公式,研究了最大允许氧含量和惰性气体对可燃气体爆炸的影响,结果表明,为了防止气化煤气发生爆炸,可以通过控制气化剂的进量或加入惰性气体,使可燃气体在爆炸极限范围以外,为煤炭地下气化的现场安全和可行性提供了依据。     

矿井可燃气体爆炸及抑制研究

分析了煤矿矿井可燃气体发生爆炸的原因,对可燃性混合气体的爆炸极限进行了计算,分析了火区封闭后可燃气体爆炸的危险性,研究了各种燃烧及爆炸抑制技术。结果表明:采用凝胶注入法可有效降低煤矿温度,减缓煤氧反应,降低爆炸危险。     

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。     

基于GA-BP混合算法的电力变压器故障诊断方法

为解决BP神经网络在变压器故障诊断中存在的收敛速度慢,容易陷入局部最优点等缺点,采用了将BP网络和遗传算法相结合的方式,利用遗传算法的全局收敛性,优化BP网络的初始权值和阈值,再由BP网络进行调整搜索,同时采用了LM优化方法训练神经网络以提高网络精度,缩短训练时间,最后将训练好的网络应用到油中溶解气体分析技术中。     

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。     

卷积神经网络在图像识别技术中的应用研究

为了有效提高图像目标识别率,采用卷积神经网络,重点分析了卷积神经网络的层级结构,主要研究了卷积层、全连接层、池化层,设计了卷积神经网络的实验样本,针对数据集进行了十类识别目标任务,得到了Sar10卷积神经网络结构,对于不同目标,卷积核提取独有的特征。最后进行了基于卷积神经网络的SAR图像目标识别。研究得出,卷积神经网络模型大大提高图像目标识别。     

BP神经网络方法在α粒子能谱分析中的应用

针对α能谱低能拖尾现象严重、采用数学函数拟合时参数意义模糊等问题,提出将BP神经网络方法应用于α能谱分析工作中。通过搭建基于MATLAB平台的BP神经网络模型,分别进行α谱线预测和元素种类判断。首先选取可以表征能谱信息的参数作为输入,利用网络强大非线性映射功能,实现对α能谱的预测。其次以能谱全谱信息作为输入,通过对输入的数据信息进行归纳分类,判断出核素的种类。实验将预测谱线与原始能谱对比,其相关系数在0.99以上,残差范围在2%左右波动,能准确预测出α能谱。在核素种类的预测结果中,以低于1%的误差准确对实验中的两种核素进行判断。分析表明,神经网络具有准确、简单等优点,能较好地应用于α能谱分析工作中。     

基于模糊神经网络的岩性智能识别及其应用

在对岩石分类的基础上进行岩性识别。提出了基于神经网络驱动模糊推理方法,目的在于将神经网络和模糊推理二者所长能够较好地结合起来,使得分析系统既具有推理功能,又具有很强的学习能力,这样更能适合变化复杂的牙轮钻进过程,更能接近人的思维方式,为难以模型化的牙轮钻进自动控制以及未来的智能钻机研究开辟了一条有效途径。在具体的分类、学习推理和计算应用中,比较使用了改进的BP网络、采用L－M算法的BP网络及径向基函数网络（RBFN）等。     

用于钢丝绳断丝定量识别的神经网络模型参数优化

建立了钢丝绳断丝定量识别的BP神经网络模型,重点从网络输入特征值的分析与优化、网络训练集与测试集的合理选择、网络训练目标的确定3个方面讨论了优化神经网络参数与性能的方法。经实际网络的训练及测试,证明了合理参数的选择改进了网络性能,提高了钢丝绳断丝定量识别的精度,具有实际工程意义。     

基于相似日和人工神经网络的风电功率短期预测研究

随着地球上的化石燃料的不断消耗,风能作为清洁、安全的能源正在改变着全球能源结构,由于自然风具有随机性、波动性和不可控制性,造成风电场在发电时,发电功率产生巨大的波动,为了提高风电功率预测精度,采用人工神经网络和相似日的方法,以云南某电场风电场发电功率的数据为例,建立模型对风电功率进行了短期预测,研究得出:该方法能够有效地对风电场功率进行预测;与传统BP神经网络相比而言,基于人工神经网络和相似日的方法具有很强的非线性学习的能力,对提高高精度风电场输出功率的预测很有帮助;基于人工神经网络和相似日的方法预测误差概率,误差概率分布符合正态分布,可以作为风电场发电功率误差的置信区间估计和预测的依据,研究为风电功率的预测提供了一定的借鉴意义。     

基于小波遗传神经网络的大型直线振动筛故障诊断

以大型直线振动筛侧帮裂纹为研究对象,利用小波分析对振动信号进行降噪处理和故障特征提取,设计系统故障诊断的BP神经网络,并用遗传算法对网络结构、参数和学习规则进行优化。通过样本训练和测试,这种小波遗传神经网络具有较高的故障识别能力、分类精度和速度。     

有色金属压铸工艺专家知识的神经网络模拟

将误差反向传播（BP）神经网络与专家系统知识表示的框架结构相结合，进行有色金属压铸工艺参数映射的神经网络模拟，神经网络学习训练收敛后，得到其各层神经元联接权（含阈值）的分布状态，工艺设计知识则以隐式分布存储于这些联接权分布状态中，神经网络知识的生成是根据其自学习机制，通过工艺知识的编码样本自动进行，且具有自动寻优和自更新功能。     

基于BP神经网络的烟煤类型识别研究

为了对烟煤进行快速分类,建立了BP神经网络识别法。以烟煤中的气煤、肥煤、焦煤为对象,选择煤的发热量、挥发分、灰分、硫分这些影响烟煤分类的主要参数作为BP神经网络的输入量,建立了能反映烟煤类型与这些参数指标关系的BP神经网络模型,对烟煤的类别进行识别。结果表明,该BP神经网络模型具有极强的非线性逼近能力,能真实反映烟煤的类型与相关参数之间的非线性关系,可快速准确地对烟煤的类型进行识别。     

基于BP神经网络模型的充填体强度值预测

在探究充填体强度值大小时为了减少人力、物力的损耗,尝试利用BP神经网络模型对某矿山的四种尾砂材料浇筑的充填体试块进行预测。建立了输入层为8,隐含层为9,输出层为2的BP神经网络模型,并用该模型对某矿山四种不同尾砂材料浇筑的充填体试块进行预测试验。在随机选择的8种试块预测试验结果中,去除误差较大的情况后,充填体27天强度预测平均误差5.8%,充填体60天强度预测平均误差为5%,其中最优预测值与实际偏差值仅为1%。实利了利用BP神经网络模型在不同胶凝材料、不同灰砂比、不同浓度等多个条件下对充填体强度的预测。为其它矿山充填体强度的预测提供一种新的思路。     

小波遗传神经网络在大型直线振动筛故障诊断中的应用

以大型直线振动筛侧帮裂纹为研究对象,利用小波分析对振动信号进行降噪和故障特征提取,设计了用于系统故障诊断的BP神经网络,并用遗传算法对网络结构和参数进行优化。通过样本训练、测试和在振动筛侧筛裂纹诊断中的应用,证明了这种小波遗传神经网络具有较高的故障识别能力、分类精度和速度。