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。     

安全性预测模型的神经网络方法及其改进的对比研究

指出了对煤矿安全性指标进行合理预测的传统预测方法存在的不足，提出了应用人工神经网络建立BP网络及其改进模型的预测方法，并通过基于时间序列的实例比较了BP网络及其改进模型的预测结果。结果表明，用神经网络改进方法进行安全预测效果较好。     

小波网络模型在渗流量预测中的应用

将小波理论与神经网络理论相结合,建立了小波网络模型,并应用于工程实例。它避免了BP神经网络结构设计的盲目性和局部最优等非线性优化问题,大大简化了训练,具有较强的函数学习能力和推广能力。实例计算结果表明,小波网络模型具有比BP神经网络收敛速度快、预测精度高等特点,因而具有广阔的应用前景。     

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。     

地表沉陷预测的改进BP神经网络模型

为了更加准确地预测地表沉陷变形,基于Adaboost算法采用多网络共同计算策略改进了BP神经网络,通过实际沉降数据对Adaboost算法改进后的神经网络进行训练,预测地表最大下沉量、影响角正切和拐点偏移距,将预测的3个参数代入概率积分法中,建立了地表沉陷公式,对改进效果和地表沉陷公式分别进行了验证。结果表明:(1)通过对比改进前后BP神经网络的计算精度,未经过Adaboost算法改进的BP神经网络误差明显大于改进后的BP神经网络,说明基于Adaboost修正后的BP神经网络计算精度得到了有效提升;(2)基于BP神经网络对最大下沉量、影响角正切和拐点偏移距3个参数进行预测,结合概率分析法,能够实现稳沉后采空区主断面上方地表沉降规律的准确描述。以鲁西南地区某矿3301采空区地表为例,利用改进BP神经网络预测了地表最大下沉量、影响角正切和拐点偏移距,进而给出了地表沉陷曲线,与现场实测结果对比显示:改进BP神经网络的最大误差小于0.105 m,最大相对误差为4.3%,证明了所提计算方法的可靠性。     

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。     

ESN神经网络在矿井突水水源判别中的应用

针对传统神经网络水源判别模型仍存在判别精度低、稳定性差和效率不高的问题,提出了基于回声状态网络(ESN)的水源判别模型,将其应用于不同矿山,并与BP、Elman和改进的GA-BP神经网络的判别结果进行对比。结果表明:ESN水源判别模型的稳定性是BP和Elman模型的6~10倍且准确率提高到90%~96%;判别精度是BP神经网络的2~5倍,略高于Elman神经网络;在时效性和精度方面远远优于改进的GA-BP神经网络。因此,ESN神经网络具备高精度、高准确率、高时效性和稳定性的特点,可作为一种快速有效判别矿井突水来源的辅助决策手段。     

基于人工神经网络的三维矿床模型

基于钻孔勘探数据，设计并建立了矿床模型的BP神经网络模型，用煤层的底板数据对神经网络进行训练，用训练好的网络对煤层的底板进行模拟，建立矿床的神经网络模型.通过某矿的实际数据，实现了利用神经网络方法建立三维矿床模型，并对矿床模型进行了三维显示.结果表明，矿床模型三维显示精度较高，已经在矿山生产中得到实际应用.     

基于神经网络的中厚板凸度预报

应用改进BP神经网络建立中厚板凸度预报的三层神经网络预报模型，用自适应学习速率法和附加动量法两种改进BP算法结合起来训练神经网络模型。试验仿真结果表明，该模型对测试数据预报结果均在3％之内，精度高，训练速度较快，具有很好的实用性。     

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     

基于遗传BP神经网络模型的矿区开采沉陷预计

为解决常规方法监测矿区开采沉陷的可控性、可操作性差及精度低等问题,采用BP神经网络模型拟合矿区高程值对开采沉陷进行预计是一种有效方法。但传统BP神经网络模型为反向传播算法,在训练时需多次试算方可确定神经网络系统的连接权值和阈值,具有易陷入局部最小值、收敛慢等不足。为此,采用遗传算法（Genetic algorithm,GA）对BP神经网络模型参数进行优化以提高其泛化能力,构建了遗传BP神经网络模型（GA-BP）。以某矿区首采工作面地表25个已进行了三等水准联测的高程监测点数据作为遗传BP神经网络模型（GA-BP）的训练样本（15个监测点数据）和测试样本（其余10个监测点数据）,分别采用BP神经网络模型、二次曲面拟合等方法与其进行试验对比,结果显示：遗传BP神经网络模型（GA-BP）具有更高的内、外符合精度及更小的残差,表明该方法有助于实现对矿区开采沉陷的高精度预计。     

基于并联型灰色神经网络模型的隧道沉降量预测方法探讨

灰色预测方法和人工神经网络,在建筑物变形预测中有各自的优势和不足.为了提高预测精度,该文结合灰色GM(1,1)模型和BP神经网络模型的特点,构造并联型灰色神经网络模型(PGNN)对南京地铁隧道某监测点的沉降量进行预测.结果显示,PGNN的预测精度明显高于单一的灰色GM(1,1)模型和BP神经网络模型,证明了PGNN组合方法在地铁隧道沉降量预测中的有效性.     

BP神经网络改进TSVM的矿产资源评价模型研究

在矿产资源评价模型研究中,针对TSVM在未标识样本中必须指定正标识样本数这一问题,本文提出了一种新的改进算法对矿产资源进行评价,即基于BP神经网络优化的直推式支持向量机（BP-TSVM）。通过支持向量机将有标签样本进行识别分类,利用BP神经网络对已分类的边界内的无标签样本进行正负标注,然后作为下一次支持向量机训练时的有标签样本。提出的新算法避免了分类性能下降的问题,使得TSVM对正标签样本NP的估计更准确。同时,由于训练样本数量的保持使得训练时间大大减少。实验结果表明,与传统的SVM算法、TSVM算法和BP神经网络算法相比,本文提出的BP-TSVM算法能更准确地评价矿产资源。     

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。     

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。     

煤层底板导水破坏深度的灰色BP神经网络预算模型

在综合分析影响煤层底板导水破坏深度因素的基础上,应用灰色关联理论筛选预测指标,建立底板破坏深度的灰色BP神经网络计算模型。该模型采用全国典型突水范例和实测数据作为训练样本和测试样本,对实测值、BP和灰色BP神经网络模型计算值进行对比分析。实例分析表明:应用灰色理论筛选指标考虑因素更加全面,结合神经网络预算结果更为接近实际,该模型为承压水上安全采煤提供了科学依据。     

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。     

基于测井参数的煤系烃源岩总有机碳含量预测模型

复杂沉积环境下,烃源岩物性差异较大。经相关性分析揭示了煤系烃源岩TOC含量与各测井参数间存在相关性差异较大、各测井参数间含有互相关关系的特点。采用平均影响值(MIV)方法对测井参数进行筛选,筛选后的测井参数进入最终的BP神经网络建模,从而有效地规避了测井信息间的非相互独立性导致的模型预测误差增大及建模时间增加。依据研究区实验分析的TOC含量数据,分别建立适用于煤系烃源岩的Δlog R,BP神经网络和遗传算法(GA)优化的BP神经网络TOC含量预测模型。对模型试算分析,结果表明:GA改进后的BP神经网络模型预测效果最好,稳定性强,受烃源岩非均质性影响程度小,可以精细地反映煤系烃源岩TOC含量的细微变化。     

基于MATLAB的BP神经网络在煤矿桥(门)式起重机检验中的应用

利用人工神经网络具有自适应、自学习的BP算法,结合煤矿桥(门)式起重机检验的特点,建立了适用于桥(门)式起重机检验评价的BP神经网络模型,通过在MATLAB平台环境下进行设计和开发,并将训练结果与桥(门)式起重机大小车轨道相关的距离偏差实际检测评价结果进行了比较,验证了该BP神经网络模型运用于煤矿起重机检验工作是可行的。     

基于改进BP神经网络的煤体瓦斯渗透率预测模型

分析总结了煤体渗透率的3个主要影响因素--有效应力、温度和瓦斯压力,并结合煤体的力学特性建立了一个预测煤层瓦斯渗透率的BP神经网络模型。根据不同有效应力、不同温度和不同瓦斯压力条件下大量具有代表性的煤样渗透率数据来建立学习样本,并对该模型的精度进行了检验。该BP神经网络经过11 986次学习后精度满足要求,训练后BP神经网络模型所得预测结果的最大绝对误差为0.049×10-15 m2,最大相对误差为4.298%。根据所建立的BP神经网络模型得到的预测值与实测值吻合较好。