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。     

基于BP神经网络TTU屋面风压极值插值分析

为解决风洞试验中模型屋面测点布置无法完全覆盖,而导致对屋面风压数据掌握不完全的问题,本文基于BP神经网络对低矮建筑标准模型屋面角部区域风压极值进行插值预估,建立神经网络模型训练样本的同时保证极值信息的完备,构建贝叶斯训练模型对角部区域测点进行训练.结果表明:当风向角为0°和90°时,BP神经网络预测角部区域极值结果误差...     

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。     

基于遗传算法和BP神经网络岩爆预测

将BP神经网络与遗传算法相结合,使用遗传算法优化神经网络的权值和阈值,然后用BP算法训练网络,避免了单独使用BP神经网络训练时易于陷入局部极小值的问题,建立了一种新的岩爆预测模型。采集国内外具有代表性的一些岩爆案例作为BP训练样本,将样本数据经过多次迭代之后,达到指定误差停止训练,利用训练好的模型对某铜矿部分岩爆进行预测,预测结果与实际岩爆等级一致。     

神经网络技术在路堤沉降预测中应用探讨

针对传统的BP网络模型的不足，应用了改进的BP神经网络模型，把它应用到软基高速公路的路堤沉降预测中，提出了两种构造神经网络训练样本的思路，并分别进行了计算和对比，指出了各自的优、缺点。结果表明改进的BP网络模型比较稳健、收敛快，而且根据时间与对应的沉降量形成的样本训练的网络预测出的工后沉降误差小、精度高。     

基于因子分析与BP神经网络的煤体瓦斯渗透率预测

为提高煤体瓦斯渗透率预测准确性,使用因子分析法对BP神经网络模型进行优化、改进,提出一种改进的BP神经网络预测模型。根据煤体瓦斯渗透率相关主要影响因素实例数据,使用因子分析法对4个煤体瓦斯渗透率影响因素原始数据进行降维数据处理,优化得到2个公共因子;以2个公共因子代替原有4个煤体瓦斯渗透率影响因素作为BP神经网络模型输入层参数,建立改进的BP神经网络煤体瓦斯渗透率预测模型,进行实例数据检验改进BP模型预测效果。最终验证结果:20组训练样本预测值与实际值的相对平均误差为0. 63%,证明训练完成的改进BP神经网络模型具有良好的拟合效果;改进BP模型预测样本平均相对误差为3. 16%,传统BP模型预测样本平均相对误差为6. 37%,证明改进BP模型预测精确度优于传统BP模型。     

神经网络储层参数测井解释在五百梯气田的应用

建立神经网络储层参数解释模型和进行解释处理的工作流程中,首先是进行各种储层参数的测井响应特征分析,确定输入曲线、网络模型结构,细致准备训练样本数据集;第二步是基于训练样本集的BP神经网络模型学习,统计误差,评价不同网络结构的神经网络模型的学习精度,然后挑选出最合适的BP神经网络模型对研究区各井目的层段的储层参数解释、预测。     

共轭梯度法优化的BP神经网络焦炭质量预测模型

针对目前焦炭质量预测线性方法的现状及不足,建立了共轭梯度法优化的BP神经网络焦炭质量预测模型。该模型既能满足焦炭质量预测的非线性关系,又克服了神经网络收敛速度低、易陷入局部极小值的缺点。模型的实例验证分析表明,共轭梯度法优化的BP神经网络焦炭质量预测模型有较好的适应性和预测精度,具有一定的实际应用价值。     

基于改进BP神经网络算法的煤巷支护方案预测研究

基于工程实践和巷道支护领域知识的研究和分析,将改进的BP神经网络算法应用到煤巷支护参数预测中,确定了煤巷支护设计主要影响因素,从现场收集的巷道支护典型工程案例作为神经网络训练样本。建立了基于改进的BP神经网络支护参数预测模型,应用该方法对云驾岭煤矿巷道进行支护方案预测,预测误差在允许范围内,验证了本方法的可靠性。     

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。     

采用BP神经网络和挤压形状因子 预测挤压力与挤压出口温度

结合数值模拟和BP神经网络, 研究了挤压形状因子对挤压过程中挤压力和挤压出口温度的影响规律。采用DEFORM-3D软件模拟了14组不同挤压形状因子的镁合金型材挤压变形过程, 得到挤压力和挤压出口温度变化曲线。采用MATLAB软件建立了挤压力和挤压出口温度预测BP神经网络, 选取5组数值模拟结果作为训练样本, 以挤压形状因子和挤压行程为输入变量, 挤压力和挤压出口温度为输出变量, 对网络进行训练。采用训练后的网络对训练样本以外的4组挤压形状因子下的挤压力和挤压出口温度进行预测, 结果表明预测得到的结果与数值模拟得到的结果相吻合, 最大误差小于2%。     

基于T-S模型的模糊神经网络在地下硐室超挖预测中的应用

以山东某隧道为例, 运用基于T-S模型的模糊神经网络, 结合相关影响因素对地下硐室超挖进行了预测。预测模型根据工程实际情况选用了199组数据, 其中179组数据作为训练样本训练网络, 20组数据作为测试样本验证模型的预测结果。通过计算, 基于T-S模型模糊神经网络超挖预测的相关系数为0.962 8, 均方差为0.449, 平均相对误差为6.33%。与BP神经网络和回归模型的预测结果进行了比较分析, 结果表明基于T-S模型的模糊神经网络预测效果最好, 能精确预测地下硐室爆破超挖量, 对控制超挖量具有重要意义。     

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.     

基于LM-BP神经网络的液压支架顶梁疲劳寿命预测及应用

本文提出基于LM-BP神经网络进行液压支架顶梁疲劳寿命预测方法,选取主筋板厚度、柱窝上方中心处横板厚度、两侧横板厚度、导向套筒孔半径、顶板厚度作为输入参量,将样本的液压支架顶梁疲劳寿命作为输出量,在进行训练时采用LM算法对BP神经网络进行改进,得到基于LM的BP神经网络模型,利用该模型进行液压支架顶梁疲劳寿命预测。研究结果表明:基于LM的BP神经网络模型的计算结果与测试样本拟合精度较高,具有广泛的应用前景。     

PCA和GA-BP神经网络在边坡稳定性预测中的应用

针对现有边坡稳定性预测模型存在的不稳定性和精度不高的问题,采用主成分分析方法 PCA和遗传算法GA对传统BP神经网络模型进行优化。PCA方法将露天矿边坡稳定性的6个评价指标转换为4个主成分,作为BP神经网络的输入变量;遗传算法对神经网络的初始权阈值进行了筛选优化。经优化后的模型既减少了神经网络的输入变量,提高了学习训练效率,又使得传统BP神经网络模型的精度大大提高。最后将PCA-GA-BP模型、GA-BP模型和传统BP模型得到的预测结果进行对比和误差分析。结果表明,基于PCA-GA-BP神经网络模型的预测精度较好,对露天矿边坡稳定性的预测具有一定的参考价值。     

矿山地质环境评价模型的改进SVM算法

经典SVM（Support vector machine）算法使用的对象样本较大、运算速度较慢,难以对矿山地质环境进行有效评价,故对其进行了改进,提出了一种改进SVM算法的矿山地质环境评价模型。该算法利用比特压缩原理,首先将样本数据进行比特压缩;然后用加权支持向量机训练分类器实现样本压缩,提高收敛速率。采用江西某矿区的实测数据分别对BP神经网络算法、经典SVM算法与改进SVM算法构建的评价模型进行对比分析,结果表明：①改进SMV算法构建的评价模型输出误差、收敛速率均优于BP神经网络算法建立的模型,经典SVM算法与改进SVM算法建立的评价模型的输出误差相近,但改进SVM算法构建的模型的收敛速率较高;②改进SMV算法随着比特压缩位数的增大,训练样本缩减率逐渐增大,即在样本数量减少、训练时间缩短、收敛速率提高的情况下,模型输出误差可基本保持不变。可见,采用改进SMV算法构建的评价模型,不仅提高了模型的训练速率,而且降低了样本数据量,可对矿山地质环境进行有效评价。     

某基坑变形的综合预测模型

在分析BP神经网络和灰色模型群的变形预测基本原理的基础上,以某基坑为例,分别构建了基于BP神经网络的预测模型、基于灰色模型群的预测模型以及基于BP神经网络模型和灰色模型群的综合预测模型,预测了该基坑开挖过程中产生的变形值。研究表明:综合预测模型的预测精度优于其余两类模型,对于提高基坑的变形预计精度有一定的参考价值。     

基于GA-BP神经网络的概率积分法预计参数研究

针对BP神经网络的不足,为提高概率积分法预计开采沉陷的准确性,采用遗传算法(GA)优化BP神经网络,建立了一种基于GA-BP神经网络的概率积分法参数预计模型。将多组地表观测站实测数据分为训练样本和检验样本,以工作面的7个地质采矿条件参数为输入集,5个概率积分法预计参数为输出集,通过GA优化的BP神经网络机器学习方法对训练样本进行训练,利用训练模型预计检验样本的概率积分法参数,并与观测站实测数据进行了对比分析。研究表明:对于不同地质采矿条件下的概率积分法参数进行预计时,GA-BP模型明显优于BP神经网络和偏最小二乘模型,平均相对误差最大为8.64%,预计精度可靠性较高。     

GA-BP神经网络在深基坑变形预测中的应用

选取深圳前海某基坑工程的监测数据为例,分别采用BP神经网络和GA-BP神经网络两种模型对基坑支护结构进行变形预测,将变形预测值与实际监测数据对比分析,指出遗传算法优化的GA-BP神经网络模型能更精确的预测基坑变形。