用粒子群优化BP神经网络的顶板矿压预测

阐述了运用粒子群优化人工神经网络建立采场顶板矿压预测模型的思路与方法.结合锦界某煤矿采场矿压观测数据资料,阐述了通过对PSO-BP算法的采场顶板矿压预测模型的训练和仿真实验,将预测值与实测值进行误差对比,分析结果表明:PSO-BP模型精度高,误差小,与实测值更接近,能满足实际的需要,具有广阔的工程应用前景.     

基于邻域粒子群混合算法的齿轮故障诊断

为了提高齿轮故障诊断的准确性,采用了一种邻域粒子群混合方法。即根据齿轮的故障特征量,利用邻域粒子群算法来优化BP神经网络的权值,并用优化好的BP网络进行故障诊断。实例仿真结果表明,该方法具有较高的故障诊断准确度,具有一定的实用性。     

基于改进果蝇优化BP神经网络的冲击地压预测

针对煤矿开采过程中存在非线性、强耦合性等特点导致的动力灾害难以预测的问题,引入一种候选解的线性生成机制(LGMS)、混沌搜索、粒子群算法(PSO)和模拟退火算法(SA)修正果蝇算法(IFOA),利用改进后的果蝇优化算法良好的搜索全局最优解的能力, 自适应地调整 BP 网络的权值和阈值,建立了煤岩冲击地压灾害预测模型。以唐山开滦煤矿样本数据为例进行仿真验证,结果表明其鲁棒性和测量精度明显提高,且网络具有较强的收敛性能和优化能力。     

基于粒子群算法与RBF神经网络的露天矿边坡稳定系数预测

为准确构建边坡稳定影响因素与稳定状态之间的复杂非线性函数,基于粒子群算法全局搜索能力及RBF神经网络非线性变换和局部逼近能力,提出了一种基于粒子群算法与RBF神经网络的露天矿边坡稳定系数预测方法.实践应用表明:与单纯的RBF神经网络方法相比,基于粒子群算法与RBF神经网络预测露天矿边坡稳定系数精度可靠、性能稳定.     

基于改进粒子群优化RBF神经网络的轧制力预报

依据RBF神经网络的非线性逼近能力和自学习特性, 提出基于RBF神经网络的建模方法。将最近邻聚类用于RBF神经网络隐层中心向量的确定, 并采用改进粒子群算法对最近邻聚类的聚类半径进行优化, 合理确定了RBF神经网络的隐层结构, 提出了一种基于改进粒子群算法的RBF神经网络(IMPSO-RBF)。将该网络应用于轧制力的预报, 与基本粒子群算法优化的RBF神经网络比较, 仿真结果表明其在预报精度和收敛速度上都有很大提高。     

基于粒子群优化神经网络的煤层底板突水预测

阐述了运用粒子群优化人工神经网络建立煤层底板突水预测模型的思路与方法,利用粒子群优化神经网络模型的权值和阈值,克服了神经网络容易收敛到局部最小值,以及收敛速度慢的缺点.实践表明:该方法不仅能更快地收敛于最优解,且预测精度有明显的提高.     

异步电动机故障诊断粒子群优化神经网络模型研究

为了提高异步电动机故障诊断的准确性,采用了一种自适应权重粒子群优化神经网络的方法,用于BP网络的初始权值优化,并用优化好的BP网络进行故障诊断。仿真结果表明,该算法克服了BP网络收敛速度慢、易陷入局部极小的问题,取得了较好的诊断效果。     

基于粒子群神经网络的底板突水预测研究

将粒子群优化算法用于优化神经网络,有效地避免了神经网络易于陷入局部最小点、收敛速度慢等缺陷.将影响底板突水因子的水压、断层、岩溶发育、隔水层厚度作为输入矢量,将粒子群优化的神经网络模型用于煤矿的底板突水预测中,结果表明：模型具有良好的适应性,对比传统的BP网络,精度取得了极大提高,收敛更快.     

基于粒子群优化RBF神经网络的煤矿通风机故障诊断

为了提高煤矿通风机故障诊断的准确性,采用了一种粒子群优化RBF神经网络的方法。利用粒子群容易实现等特点,对RBF网络的中心、宽度以及连接权重进行优化,并用优化好的神经网络对通风机进行故障诊断。仿真结果表明,该方法具有较好的分类效果,适用于通风机的故障诊断,是一种实用的故障诊断方法。     

基于混沌粒子群算法的采煤机优化设计

为了能够提高采煤机的性能,利用混沌粒子群优化算法对采煤机螺旋滚筒进行了优化设计。讨论了采煤机螺旋滚筒的优化数学模型;分析了混沌粒子群算法的基本原理;利用MATALAB软件编制优化设计程序,对采煤机滚筒进行了优化设计。     

基于混沌粒子群算法的采煤机优化设计

介绍了混沌粒子群算法的基本原理及其优化算法,构建了采煤机螺旋滚筒的优化模型,并将混沌粒子群算法应用采煤机螺旋滚筒优化之中,通过实践发现,优化后的采煤机工作稳定,能够有效提升采煤机性能。     

基于改进粒子群算法的电力系统无功优化

通过对IEEE14节点系统的优化配置表明,文章所采用的改进粒子群算法对于电力系统无功优化问题来说是行之有效的。该算法结构简单、收敛性好、寻优质量高,适合于求解电力系统无功寻优问题,具有一定的应用前景。     

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。     

基于冲击风险量化评估模型的采掘方案优化案例研究

冲击风险量化评估模型,是一种基于理论与数据驱动融合的冲击矿压风险评估方法,在冲击危险矿压领域具有广阔的前景,但是目前该技术评估冲击危险的应用研究还比较少。将冲击风险量化评估模型与实时监测数据相结合,对菏泽赵楼煤矿7302工作面回采过程中的危险进行实时风险量化评估,并对强冲击风险评估(风险评估值大于0.75)区域进行了分析验证,发现强冲击危险区域与电磁辐射值成正比关系,且具有较好的一致性,进而验证了冲击风险量化评估模型的可行性。在此基础上,使用当前数据对后续开采过程进行了冲击风险预测,通过对比分析危险区域的变化及演变趋势,确定了冲击风险相对较小的缩面方案。     

基于混合粒子群优化算法的矿山生产配矿

为了提高矿山低品位矿产资源的利用率, 确保生产过程中矿石质量的稳定性和均匀性, 建立了一种矿山多目标配矿优化模型, 并将标准遗传算法中的交叉和变异操作与标准粒子群算法融合, 提出求解该优化模型的混合粒子群算法。以国内某地下铝土矿为例, 分别运用混合粒子群优化算法、标准遗传算法和标准粒子群算法3种方法对建立的多目标配矿优化模型进行求解, 通过对比优化结果发现: 混合粒子群优化算法求解的各采区月出矿量完全满足矿山实际生产要求, 而标准遗传算法和标准粒子群算法求解结果存在误差, 分别达到9.92%和14.94%, 且易陷入局部最优值; 从迭代进化曲线可知, 混合粒子群优化算法收敛速度快, 稳定性和鲁棒性较高, 具有一定科学研究和实际应用价值。     

基于粗糙集和混沌粒子群算法的桥式起重机故障诊断研究

为了能够提高桥式起重机的故障诊断准确率,深入地探究了粗糙集和混沌粒子群算法在其中的应用。分析了桥式起重机在工作过程中可能发生的主要故障及其产生原因;讨论了粗糙集的基本理论;分析了混沌粒子群算法的基本原理和流程;对桥式起重机进行故障诊断仿真分析,仿真结果表明该方法具有较高的故障诊断效率和诊断精度。     

基于粒子群算法的选矿能力优化研究

根据选矿能力优化的复杂性与非线性特性,建立了选矿能力优化的数学模型;运用粒子群优化算法（PSO）对某一矿山企业的选矿能力规划进行了优化计算。解决了在选矿能力、供矿量、尾矿库容等约束条件下的选厂生产能力的优化问题,计算结果符合实际生产情况。对于合理配置资源,挖掘选厂的最大生产能力,提高经济效益具有重要的指导作用。也表明了该算法应用于选厂生产能力优化中的可行性。     

基于PSO优化BP神经网络的变压器故障诊断

为克服BP神经网络算法在故障诊断应用中的缺点,提出了粒子群优化BP神经网络的方法,并在此基础上优化BP神经网络的结构来提高准确率。最后,通过对变压器故障诊断在Matlab中的仿真结果,验证了此方法有较高的准确率和较快的收敛速度。     

基于粒子群优化RBF神经网络的液压钻机故障诊断

提出了一种基于粒子群优化径向基神经网络的液压钻机故障诊断方法。该方法使用虚拟仪器及LabVIEW软件对液压钻机的特征信号进行采集,利用粒子群优化算法对径向基神经网络的径向基中心值、宽度以及权值进行优化,实现了液压钻机的故障诊断。结果表明,基于粒子群优化径向基神经网络的液压钻机故障诊断方法在小样本情况下,诊断准确率高,实用性强。     

基于DSP和粒子群优化的神经网络的齿轮箱故障监测系统设计

为了满足齿轮箱远程监测与分析的要求,设计了以TMS320F28335为核心处理器的在线监测系统。该系统可以脱离上位机直接运行,利用F28335的高性能的数据处理能力,结合丰富的外围模块,实现了对齿轮箱的信号采集,信号传输,信号处理分析,输出结果一系列功能。针对机电设备采集数据量大,计算缓慢,分析结果不准确等因素,采用粒子群优化神经网络嵌入DSP中齿轮箱的在线故障诊断。使用监测系统对JZQ250型齿轮箱进行测试,表明系统能够实现长时间在线监测,并能正确识别故障。