改进GWO-BP算法的概率积分法预计参数求取

针对BP神经网络模型在求取概率积分法预计参数时的缺陷,提出了一种基于改进灰狼优化算法(GWO)的BP神经网络参数预测模型。主要通过对灰狼算法的收敛因子a进行非线性收敛的改进,再利用粒子群算法(PSO)的速度更新公式更新搜索灰狼搜索位置。用改进的灰狼优化算法对BP神经网络的初始权值和阈值进行优化,然后利用最优的初始权值和阈值对模型进行训练和预测,从而得到概率积分法参数的预测结果。结果显示经过改进的灰狼算法优化BP神经网络的参数预测结果明显优于单一的BP神经网络模型和不改进的灰狼算法优化BP神经网络模型的预测结果,可以在矿区开采沉陷预计方面得到应用。     

一种基于耦合算法的矿井风流温度预测新方法

针对矿井风流温度预测工作的复杂性及各个影响因素的模糊的非线性关系,传统预测方法难以构建预测模型,导致预测精度低的特点,提出一种基于RBF神经网络的矿井风流温度预测方法;并利用粒子群算法对RBF神经网络参数进行寻优,利用煤矿历史数据对预测模型进行仿真研究。结果表明,提出的基于改进粒子群算法的RBF神经网络模型(MPSO-RBF)具有收敛速度快,预测精度高的特点,为矿井风流温度预测领域提供理论支撑。     

综合改进BP神经网络在边坡稳定性预测中的应用

针对标准BP神经网络存在收敛速度慢和易陷入局部最小值的问题,提出用附加动量法和自适应学习速率法来优化BP神经网络,提高其收敛速度;引入具有全局搜索能力的模拟退火算法,克服其容易陷入局部最小值问题。应用综合改进后的BP神经网络对已知的实际边坡进行了预测,并将其预测结果与标准BP神经网络和实际值进行对比分析。结果表明:综合改进后的BP神经网络在边坡稳定性预测具有较好的预测效果,与标准的BP神经网络相比,不仅提高了计算速度,而且较大地提高了预测精度,具有较好的应用前景。     

综采工作面生产指标预测的改进型BP神经网络

应用几种改进ＢＰ算法,提高了ＢＰ神经网络的收敛速度与稳定性,详细描述了神经网络预测产量及工效的求解机理与具体实施步骤,重点研究了网络学习前后的数据处理工作、网络结构的确定方法以及网络合理的学习步数。     

基于Matlab的改进BP在煤炭产量预测中的应用

准确预测未来我国煤炭产量对保持我国煤炭供求平衡具有重要的指导意义.本文讨论了BP神经网络及其改进算法,提出了一种采用L-M算法的改进BP神经网络的非线性系统预测模型,并将其用于煤炭产量预测中,通过具体的仿真及实践结果验证了改进BP的有效性.     

不完全变形监测数据处理与优化研究

针对指数平滑法和EM算法来预测不完全变形监测数据的潜在值, 分析了两种方法的局限性, 提出了指数平滑法动态选择衰减因子的改进方法和EM算法与切比雪夫多项式组合分析方法, 对比分析结果表明, 采用两种优化方法来生成缺失数据的潜在值均能满足精度要求, 且优化指数平滑法在沉降监测预报的效果更佳。     

煤矿井下局部通风机需风量的预测

为了解决局部通风机根据下一刻风量需求提前进行风速调整的问题,提出一种改进遗传算法优化的Elman神经网络算法IGA-Elman(Improved genetic algorithm-Elman)对需风量进行预测。改进的算法是对遗传算法的选择算子策略进行改进,通过复制优良个体及按比例选取较优的方法,使得种群平均适应度得到改善,提高了算子的选优能力。利用IGA-Elman神经网络和传统的GA-Elman神经网络对局部通风机需风量的预测相比较,IGA-Elman网络能够提高预测性,并且具有收敛速度快的优点,实现了局部通风机需风量的准确预测,对煤矿安全生产具有重要的实际意义。     

基于改进狮群算法和BP神经网络模型的磨矿浓度预测

针对当前选矿生产过程中磨矿参数难以实时测量,导致的无法对磨矿流程控制进行有效实时优化的问题,提出了一种基于改进狮群算法和BP神经网络的磨矿浓度预测方法。传统的狮群算法(Lion Swarm Optimization, LSO)存在容易陷入局部最优解和局部搜索能力弱的问题,通过改变狮王更新方式的同时加入衰减因子,来提升全局搜索能力,避免陷入局部最优解,对于母狮和学习狮的更新方式引入了动态学习策略,来优化局部搜索能力,并在仿真测试中验证了改进算法的优越性。同时利用改进的算法代替BP神经网络中的梯度下降法,来搜索最优的权值和阈值,提升BP神经网络收敛速度和收敛精度。试验结果表明,改进狮群算法优化的BP神经网络(Improved Lion Swarm Optimization-BP,ILSO-BP)在此预测问题上有更好的效果。     

用L-M法改进的BP神经网络评价边坡稳定性

根据人工神经网络理论,采用L-M算法,对BP神经网络的性能进行改进,建立了边坡稳定性评价模型,并在MATLAB下运行实现。通过对检验样本的预测,验证了模型的可靠性,进而应用此模型对一露天矿边坡进行稳定性评价,并与简化毕肖普方法进行了比较。计算分析表明,基于L-M算法改进的BP神经网络收敛速度快、计算精度高、泛化能力强,可以作为评价边坡稳定性的一种方法。     

改进的BP神经网络在路基沉降预测中的应用

针对传统的BP神经网络存在的缺点,提出了用附加动量法、自适应学习速率和L-M优化算法等几种算法进行优化。通过对比分析,证明了采用L-M优化和附加动量因子算法相结合取得了最优的预测效果。该方法克服了BP神经网络模型存在的收敛速度慢、易陷入局部极小点的缺点。结合现场实测数据,将该优化模型与传统的BP神经网络预测模型对比,预测结果表明改进的BP神经网络在路基沉降预测中精度最高,适宜广泛采用。