基于BP神经网络的煤与瓦斯突出预测专家系统

考虑到人工神经网络极强的非线性逼近能力以及专家系统在知识处理方面的优势,利用VB结合BP算法开发了BP网络,通过建立区域突出预测知识推理模型,将专家经验及可信度作为BP神经网络的输入单元和输出单元,利用嵌套技术把学习结果作为专家系统知识库的一部分,实现了基于BP神经网络的煤与瓦斯突出预测专家系统。结果表明,该系统预测精度比传统专家系统有明显提高。     

BP神经网络在煤与瓦斯突出预测中的应用

煤与瓦斯突出是一种极其复杂的瓦斯动力灾害现象.采用煤与瓦斯突出预测常用的7项指标作为输入值,基于BP神经网络的非线性自主学习能力,智能化、定量化地识别煤与瓦斯突出的类型.该模型基于MATLAB的神经网络工具箱加以实现.实验结果证明,基于BP神经网络的煤与瓦斯突出预测模型结果可靠,效果良好,应用性比较强.     

改进BP神经网络在煤与瓦斯突出预测中的应用研究

影响煤与瓦斯突出的因素较多,且呈现出复杂的非线性关系,采用传统的BP神经网络对煤与瓦斯突出进行预测,存在收敛速度慢及易陷入局部极小两个突出问题。为了克服缺陷、提高煤与瓦斯突出预测的精准性,笔者提出了一种改进的BP神经网络,并将其应用到煤与瓦斯突出预测中,建立了基于MATLAB神经网络工具箱的改进BP神经网络模型,并以此模型为基础,研发了煤与瓦斯突出预测系统。通过试验可知,该系统可使煤与瓦斯突出预测管理工作更加准确、可靠和高效。     

BP神经网络在煤与瓦斯突出预测中的应用

鉴于煤与瓦斯突出对煤矿的安全生产的威胁以及其影响因子的复杂性,合理的选择煤与瓦斯突出预测的影响因子,利用非线性的BP人工神经网络建立煤与瓦斯突出强度预测模型,来预测煤与瓦斯突出强度的大小。结果显示,煤与瓦斯突出强度的预测值与实测值吻合得较好,表明采用BP神经网络预测煤与瓦斯突出强度是可行的,为矿井煤与瓦斯突出的预测提供了一种预测精度较高的方法。     

基于BP神经网络煤与瓦斯突出强度预测模型

在分析湖南土朱矿5煤层煤与瓦斯突出资料的基础上,确定煤层瓦斯含量,瓦斯压力,煤的坚固性系数及瓦斯放散初速度为影响煤与瓦斯突出的主要因素,利用MATLAB软件,基于BP神经网络,建立了适合土朱矿的煤与瓦斯突出强度预测模型,并进行了实际检验,确定了模型的可行性,为指导土朱矿的安全生产提供了理论依据。     

神经网络在煤与瓦斯突出预测中的应用

应用神经网络中的BP网络模型对金竹山矿区煤与瓦斯突出进行了预测。为了加快神经网络模型的收敛速度,增强其跳出局部极小点的能力,采用了自适应变步长法和改进模拟退火法(SA法)相结合的方法。实际应用表明,该模型预测准确性高,是一种有效的煤与瓦斯突出危险性预测方法。     

用于煤与瓦斯突出预测的BP网络之C++实现

考虑到人工神经网络极强的非线性逼近能力，应用其来模拟煤与瓦斯突出事件与其影响因素之间的复杂非线性关系，理论上是一条可取的途径。采用面向对象程序设计方法（OOP），利用C＋＋实现了一个用于煤与瓦斯突出预测的优化BP网络通用程序，并详细探讨了程序的构造技术和设计方法，通过实际应用证明了上述思路的可行性。     

基于因子分析与BP神经网络的煤与瓦斯突出预测

为提高煤与瓦斯突出预测的可行性与准确性,将因子分析法与BP神经网络方法相结合,提出一种改进的BP神经网络预测方法。根据平顶山八矿煤与瓦斯突出相关主要影响因素的原始数据,使用因子分析法对9个煤与瓦斯突出影响因素的原始数据进行降维处理,得到3个公共因子;将3个公共因子代替原有的9个煤与瓦斯突出影响因素作为BP神经网络输入层参数,建立因子分析法与BP神经网络法相结合的煤与瓦斯突出预测模型,对平顶山八矿煤与瓦斯突出进行预测。选取平顶山八矿煤与瓦斯突出样本对改进的BP神经网络预测方法进行验证,结果表明：3个预测样本的相对误差分别为1.79%、3.54%、0.83%,均小于10.00%。采用改进的BP神经网络预测方法可有效解决传统的BP神经网络因为输入层参数过多而数据处理效率低、迭代速率慢与精确度低等问题。     

基于自适应变步长BP法的煤与瓦斯突出预测

为准确预测矿井煤与瓦斯突出的危险性 ,本文基于反向BP神经网络提出了一种改进的自适应变步长BP网络模型 ,加快了BP网络的收敛速度。实际应用效果表明 ,该模型具有收敛速度快、准确性高、可靠性和实用性强等特点 ,是一种有效的煤与瓦斯突出危险性预测方法     

工作面煤与瓦斯突出电磁辐射的神经网络预测方法研究

以自适应神经网络的基本原理为基础，系统研究了煤与瓦斯突出电磁辐射自适应神经网络预测的原理，将电磁辐射自适应神经网络模型应用于煤与瓦斯突出危险性预测，实现了煤与瓦斯突出危险性的电磁辐射动态趋势预测．应用结果表明，煤与瓦斯突出电磁辐射神经网络预测法具有预测方法简单、准确性高等特点，可应用于工作面煤与瓦斯突出危险性的预测．     

煤与瓦斯突出强度预测的BP神经网络模型

煤与瓦斯突出是危害煤矿安全生产的主要因素,因此做好煤与瓦斯突出特别是突出强度的预测,为针对性的采取防突措施,防止突出事故的发生,减小突出所造成的危害具有重要的指导作用。通过对新安煤田二1煤层突出特征的统计分析和瓦斯地质规律的研究,找出了煤与瓦斯突出强度预测的主要影响因素。应用人工神经网络的有关知识,结合其主要影响因素建立适合于新安煤田煤与瓦斯突出强度预测的BP人工神经网络预测模型。并通过误差分析验证了该模型的正确性。     

煤与瓦斯突出预测敏感指标确定方法研究

根据模糊聚类数学分析方法将淮南潘集3个矿突出预测和效检指标进行无量纲化与标准化分析,将不同量的预测指标转化成可相互比较的值,然后根据相似矩阵理论建立相关模型,进行模糊相似转换、聚类,得出1个能够确定不同矿井不同预测指标的敏感性模型,模型经过数学化模糊聚类处理,得出潘集矿区3个矿所采用的敏感指标体系的敏感度,并与实际相吻合。此种分析方法分析的指标敏感度在现场生产中起到了较好的指导作用,可以用于煤与瓦斯突出预测敏感指标的确定应用。     

煤与瓦斯突出灰色-神经网络预测模型的建立及应用

对煤与瓦斯突出影响因素进行灰关联分析,以此确定人工神经网络的输入参数.并应用改进的BP算法,选择灰关联分析的5个优势因子作为输入参数,建立了煤与瓦斯突出预测的神经网络模型.选用典型突出矿井的煤与瓦斯突出实例作为学习样本,对网络进行训练学习,并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本,将经过网络预测的结果与传统方法的计算结果进行对比.结果表明该灰色一神经网络模型能够满足煤与瓦斯突出预测的要求.     

基于神经网络算法的煤矿瓦斯涌出量预测模型研究

在煤矿生产过程中存在着瓦斯涌出现象,严重威胁着煤矿的安全生产。瓦斯涌出检查在矿井设计、建设和开采作业过程中显得尤为重要。文章采用神经网络有效地对矿井瓦斯气量进行检测分析,利用分析结果进行准确预测。文中将介绍神经网络预测的整体构建过程,结合仿真实例,分析煤矿瓦斯涌出量预测模型的可靠性。     

基于PCA-Fisher判别分析模型的煤与瓦斯突出危险等级预测方法研究

为了提高煤与瓦斯突出预测精度,选取瓦斯含量、瓦斯压力、瓦斯放散初速度等11个因素作为判别指标,将煤与瓦斯突出强度分为无突出、小型突出、中型突出、大型突出4个等级。利用贵州黔西北煤矿资料中的28组数据作为训练学习样本,建立了煤与瓦斯突出危险等级预测的PCA-Fisher判别分析模型,再利用资料中其余6组数据作为预测样本,对该模型进行检验和应用,并与BP神经网络模型和Fisher判别模型的判别结果进行比较。结果表明：PCA-Fisher判别模型具有更高的准确性和可靠性,可以对煤与瓦斯突出危险等级进行有效预测。     

基于BP神经网络的炼焦煤质量预测研究

焦炭的质量对高炉冶炼的生产有着重要的影响,为了解决焦炭质量预测问题,提出了基于BP神经网络的质量预测算法,文中详细阐述了该模型的建立过程和实现方法,同时也给出了在进行模型处理的时候数据预处理的方法。利用人工神经网络对非线性问题的模拟能力,构建了焦炭质量预测模型,测试结果表明在100组不同类型的焦炭质量预测分析中,质量预测的精度达到了95%。     

煤与瓦斯突出沿井巷传播规律研究

煤与瓦斯突出整个过程包括空气冲击波的传播、瓦斯的涌出过程、以及瓦斯沿巷道网络的扩散传播。通过对上述过程的研究,摸清煤与瓦斯突出过程沿井巷网络的传播破坏规律,对于我国煤与瓦斯突出灾害的防治都有着积极的作用。