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.     

应用遗传-神经网络方法预测软土路基沉降

理论方法预测软土地基沉降与实际存在较大的差距,使得预测结果很难达到设计要求,不利于指导施工.将现有的理论方法同现场观测信息相结合,对软土地基变形作出更为准确的预测,有利于指导和控制工程施工.采用遗传算法和BP最优化法相结合的算法来训练网络,用遗传算法来优化BP神经网络中权值;用龚帕斯曲线来分解沉降时序,通过沉降趋势线偏移量来训练网络.采用这种方法预测软土路基沉降取得了较好的应用效果.     

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。     

BP神经网络在钻孔扩底灌注桩沉降预测中的应用

利用实测的钻孔扩底灌注桩静载试验数据,用BP神经网络建立桩基沉降量的预测模型,并应用于实际工程的桩基沉降预测,获得了较好的效果.研究结果表明,BP神经网络预测模型可有效预测桩基沉降量,预测精度高,简便易行.     

改进遗传算法在软土路基沉降预测中的应用

软土路基在外荷载作用下的沉降在时序上常表现复杂的非线性,本文采用抛物线模型预测软基的沉降趋势。针对简单遗传算法存在的问题,进行了大量改进,改进后的遗传算法能有效克服传统方法易陷入局部极小的缺陷,大大提高算法的搜索效率、精度和稳定性。实践表明该方法是一种有效可靠的沉降预测新方法。     

基于MATLAB的RBF神经网络在建筑物沉降预测中的应用

介绍了RBF神经网络的模型和结构,提出将该网络应用于建筑物沉降预测。运用Matlab工具箱函数建立了沉降预测网络模型,编制了计算程序,通过工程实例验证了该模型的正确性和可行性,并和BP神经网络在收敛速度上进行了比较,结果表明RBF神经网络的收敛速度远远快于BP网络。     

基于BP神经网络的地表沉降预测模型

简述了人工神经网络的基本原理,通过实例建立了时间序列BP网络模型,并利用已有观测数据对网络进行了训练和测试,经过与实测值进行对比回归分析,证明了该网络的有效性和精确性,可作为一种预测方法对地表沉降做出预测。     

BP神经网络在岩体初始应力预测中的应用

为最大限度地利用矿区实测地应力数据资料,用BP人工神经网络方法进行了不同深度的岩体初始应力预测。根据金川矿区现有的地应力实测数据资料,说明了该方法的具体应用和计算过程,并建立了拓扑结构为1-12-3的BP神经网络;经过训练以后,用于地应力最大水平主应力、垂直主应力及最小主应力的预测。最后将地应力实测值、回归值、预测值作了对比,预测结果与实测值误差较小(±5%左右),能够满足工程需要。结果表明:只要选取合适的隐层节点数目及最优的网络结构,经一定次数的训练后,BP神经网络具有较高的预测能力;在一定条件下,应用于岩体初始应力研究和工程实践具有可行性。     

灰色人工神经网络模型在路基沉降预测中的应用

利用灰色GM(1,1)模型得出的高速公路工后运营期路基沉降预测量呈快速增长趋势,这与后期沉降趋缓的实际情况不相符。针对这个问题,提出先用弱化缓冲算子对原始监测数据进行弱化处理,再利用弱化缓冲序列建立灰色GM(1,1)模型,提高了模型的预测精度。采用BP网络对沉降预测值修正,使修正后的预测值更加接近实际值。工程实例表明在弱化监测数据的基础上建立的灰色与人工神经网络结合模型具有很高的预测精度,可用以公路路基沉降预测分析。     

改进梯度下降BP算法在地下水位预测中的应用

本文给出了BP神经网络预测模型的原理,分析了标准BP算法缺陷,通过改变学习率和增加动量项改进BP算法。用改进的算法预测某地地下水位,并对训练过程进行优化,实验结果表明,改进的BP神经网络能有效地提高地下水位预测的速度和精度,比标准BP算法预测性能有较大改善。     

矿区开采沉陷预计的改进BP神经网络模型

为精确预计锦界矿某工作面开采沉陷,首先结合该工作面的地质资料、采掘工作平面图及孔柱状图,采用FLAC3D软件建立了该工作面开采沉陷仿真模型,得到工作面推进100、300、500、700 m时的开采沉陷数据;其次基于该类数据对BP神经网络预计模型进行训练和验证,建立沉陷数据与工作面推进距离的非线性关联;然后用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络模型的结构参数和连接权值阈值进行优化,并引入遗传算法(Genetic algorithm,GA)中的自适应变异因子以一定概率初始化部分变量,以解决PSO算法易陷入局部最优解的问题,避免BP神经网络模型易陷入局部最小值、训练收敛速率低以及PSO算法易早熟收敛等问题。分别采用BP神经网络模型、PSO-BP神经网络模型以及所提模型进行试验对比,并引入偏差平方和(Sum of squares for total,SST)对各模型的预计精度进行评价,研究表明:在工作面分别推进100,300,500 m的情况下,BP神经网络模型的SST值分别为0.056,0.062,0.066,PSO-BP神经网络模型的SST值分别为0.049,0.054,0.048,所提模型的SST值分别为0.028,0.026,0.031,明显小于前两者,表明该模型有助于提高矿区开采沉陷预计精度,有一定的实用价值。     

BP神经网络在露天矿边坡位移预测中的应用

随着露天矿开采深度的不断增加,矿山边坡高度也不断增加,随之而来的是对边坡稳定的维护与控制的难度大大增加。在全球卫星定位系统(GPS)所获得的露天矿边坡位移监测资料的基础上,应用BP神经网络模型对实测数据进行模拟计算和预测。分析结果表明,模型合理、可靠,精度较高。     

BP神经网络在煤矿爆破振动强度预测中的应用

根据BP神经网络理论,对煤矿主斜井爆破开挖产生的振动强度进行了预测。通过建立合理的网络预测模型,以影响爆破振动特征参量的主要因素作为模型的输入,在模型误差小于0.001的前提下,对21组数据进行了重点预测。参量预测误差均小于10%,可以满足该复杂场地条件下安全施工的预测要求。     

改进的BP神经网络预测煤炭自燃研究

基于改进BP双模型神经网络技术,提出了一种具有离线学习模型和在线校正模型的双模型BP神经网络,两者互相独立并相互结合,从而提高了神经网络预测对煤炭自燃预测的准确性。     

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。     

基于主因子分析的改进BP神经网络瓦斯涌出量预测

为提高回采工作面瓦斯涌出量预测效率和准确率,基于反向BP神经网络,采用主因子分析法对变量进行降维处理;结合遗传算法(GA)和附加动量法,采用遗传算法优化BP神经网络初始权值和阈值,建立基于主因子分析的GA—BP神经网络预测模型,并在权值反向更新过程中引入动量项。选取开滦矿业集团钱家营矿井瓦斯涌出量监测数据作为标签数据与输入数据,对不同网络模型进行了仿真与分析,结果表明：改进的GA—BP神经网络模型在603个时间步长里达到收敛,平均相对误差约为0.58%,预测精度和效率均优于其他神经网络模型,能更有效地实现瓦斯涌出量的准确预测。     

改进BP神经网络在采准巷道支护中的应用研究

在对程潮铁矿采准巷道支护类型影响因素和巷道成功加固实例调查分析的基础上,提出采用改进的BP神经网络对支护类型进行研究。由学习样本的学习过程和对支护类型的预测结果可知,无论是学习样本误差收敛过程,还是收敛速度、收敛精度和支护类型的预测结果都较为理想,预测准确率较高,为研究采准巷道的支护类型提供了新的研究思路,具有较好的推广应用价值。