基于BP神经网络与时间序列的滑坡变形预测分析

多种非线性的组合可提高滑坡位移预测的精度。采用BP神经网络模型与时间序列模型来预测滑坡的位移,充分发挥两非线性方法的优点,利用BP神经网络预测滑坡位移中的稳定趋势项部分,并利用时间序列模型预测滑坡位移的残差部分,实现了滑坡位移预测的目的。通过实际工程数据,证明了综合采用两非线性方法可将预测误差控制在3%以内,具有很强的实用性。     

基于SSA-BP的露天矿山边坡位移变形预测

针对传统的BP神经网络在预测露天矿山边坡位移变形时存在的局限性,构造了一种基于麻雀搜索算法（SSA）和BP神经网络相结合的边坡位移变形预测模型,先利用麻雀搜索算法对传统的BP神经网络进行权值与阈值的优化,再将麻雀搜索算法优化后的BP神经网络算法（SSA-BP）运用于露天矿山边坡位移的预测。为了验证算法的可行性,将SSA-BP预测模型与WOA-BP、BP以及Elman预测模型针对露天矿山边坡位移变形量的预测结果进行比较。实验结果表明：SSA-BP预测模型针对露天矿山边坡位移变形量的预测相比其他三种模型,其迭代速度块,寻优能力强;通过预测精度评价指标来看,SSA-BP算法的R^2、RMSE、MAPE、MAE、MSE明显优于另外三组算法。为露天矿山边坡位移变形预测提供了一种新的思路和方法。     

基于布谷鸟算法优化SVM的尾矿库坝体变形预测

为解决SVM 模型在尾矿库坝体位移预测中,参数寻优时间较长,模型稳定性较差的问题,引入布谷鸟算法(CS)进行优化,构建的CS-SVM模型用于辽宁省风水沟尾矿库2#副坝的位移预测实例中,将该模型预测值与SVM模型和PSO-SVM模型的预测值进行对比分析,结果表明,CS-SVM模型有较高的预测精度,预测值趋近于真实值,模型构建合理,验证了CS-SVM模型在尾矿库坝体位移预测中的可行性和有效性。     

矿井风机振动趋势预测模型的优化

提出一种新的预测方法-基于EMD分解的时间序列模型,利用EMD分解将采集来的矿井风机振动烈度值分解成若干个固有模态函数(IMF)分量和一个残余项分量,运用恰当的时间序列模型(AR、ARMA)分别对各阶IMF进行预测,将各阶预测值重构,得到振动烈度预测值,并与单独运用时间序列模型的预测结果进行比较。结果证明:运用基于EMD分解的时间序列模型对矿井风机振动烈度进行预测比单独运用时间序列模型的预测精度有明显提高,表明提出方法的可行性、有效性。     

基于FA-BP神经网络的巷道位移预测研究

针对传统位移预测算法求解巷道位移时预测精度不佳且误差大等问题，建立萤火虫算法（FA）优化BP神经网络的预测模型，解决了BP神经网络初始权值和阈值难以确定、预测模型参数局部最优及预测精度不佳等问题。以锦丰金矿30中段巷道为研究对象，利用巷道顶板和两帮的位移监测数据进行预测分析，并采用BP神经网络模型与FA-BP神经网络模型进行比较。研究结果表明：FA-BP神经网络模型的平均相对误差分别为0.15%和0.13%,BP神经网络模型分别为-2.02%和0.87%，说明FA-BP神经网络模型具有更好的预测精度。     

基于多变量自优化动态神经网络的“阶跃型”滑坡变形预测

传统累计变形预测方法在曲线结构分解和表征模型选择上具有多样性,由此引起了工作量大、预测精度低以及预测方法适用对象较局限等问题,为此考虑降雨量、库水位、库水位变化对滑坡累计变形的影响,基于非线性自回归模型建立了多变量自优化动态神经网络,并将其应用在三峡库区典型的“阶跃型”滑坡——白家包滑坡累计位移预测中。通过对滑坡变形累计曲线时间序列的分析,采用神经网络方法对全曲线模型进行求解,形成了非线性自回归神经网络模型,利用多种群遗传算法对神经网络的参数和结构进行优化训练,并将适应度函数均方误差作为预测模型误差偏离标准。结果表明:所提出的自优化动态神经网络对滑坡多个测点的累计位移拟合精度高,误差可控制在1%左右,预测过程减少了主观因素引起的误差,考虑了滑坡发展过程的动态性,可为“阶跃型”滑坡累计位移的实时预测提供参考。     

基于WOA优化神经网络的斜坡道拱顶沉降预测研究

为了更准确地预测地下矿山中斜坡道拱顶沉降的趋势,并控制预测精度,以保障矿山安全。本文提出鲸鱼算法优化神经网络的斜坡道拱顶沉降预测方法。主要步骤为：首先采取邻点中值平滑处理的方法对原始数据进行处理,将处理好的监测数据作为输入样本对BP、Elman神经网络进行训练、测试;再利用鲸鱼算法对初始权值和阈值优化,最后通过不同模型输出预测值。通过仿真实验研究表明:鲸鱼优化后的BP、Elman神经网络模型相比优化前均能更准确地预测斜坡道拱顶沉降;WOA-Elman模型的决定系数为0.948,优于WOA-BP模型0.941,但WOA-Elman模型运行时间耗费671.214 s远超于WOA-BP模型307.226 s,WOA-Elman耗费了更多的训练时间换取了少量的精度提升,大幅降低了训练效率;结合工程实例实测值、预测值的分析比较,鲸鱼算法(WOA)优化后的BP神经网络表现出了更高效且准确的斜坡道拱顶沉降预测能力。     

基于VMD-BiLSTM组合模型的矿井涌水量时间序列预测方法研究

矿井涌水量的精准预测对确保煤矿安全生产和保护地下水环境具有重要作用。为提高矿井涌水量时间序列预测精度,构建了一种基于变分模态分解（VMD）与引入贝叶斯算法优化双向长短期记忆网络（BiLSTM）的矿井涌水量组合预测模型。首先,利用VMD将矿井涌水量时序数据分解为多个子序列,然后将分解所得各子序列分别输入到BiLSTM模型中,引入贝叶斯算法优化各模型的超参数,最后,将各子序列的预测结果进行叠加求和得到最终预测值,并与其他模型的预测结果进行对比分析。结果表明,本模型在单步预测中优势较为明显,在多步预测中的表现也相当不俗,预测精度可以达到生产需求,验证了该模型在矿井涌水量时序预测方面的有效性和适用性。     

基于PSO优化BP神经网络的露天矿边坡位移预测模型

BP神经网络的初始连接权重和阈值对露天矿边坡位移预测的精度和收敛速度有重要影响。鉴于粒子群优化(PSO)算法具有全局搜索性能和收敛速度快,引入PSO算法对BP神经网络的初始连接权重和阈值进行全局优化,提出了基于PSO优化BP神经网络的露天矿边坡位移预测模型。将所提出的模型应用于实际案例中,并与BP神经网络进行对比。结果表明:该模型能够提高BP神经网络在露天矿边坡位移预测中的精度和收敛速度,预测结果的最大相对误差和平均相对误差分别是0.566 8%和0.353 0%,具有较好的精度和实际应用价值。     

基于CEEMD与VHBFO_SVM的微网短期负荷预测模型

为适应微网的建设和发展对其负荷预测效率及精度的要求,提出一种基于变概率混合细菌觅食优化算法(VHBFO)优化支持向量机(SVM)的微网短期负荷预测模型。首先利用CEEMD将非平稳的负荷序列按照不同波动尺度逐级进行分解,从而得到多组固有模态函数分量均值,并建立VHBFO_SVM模型对各组分量分别进行预测,最后通过叠加各组分量的预测结果得到预测值。以国内某微网示范工程项目为例,将VHBFO_SVM用于微网短期负荷预测。实例仿真结果表明,所提出的VHBFO_SVM预测模型优于SVM预测模型,更适用于当前微网短期负荷预测需要。     

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Adaboost-PSO-BP模型的开采沉陷预测研究

针对开采沉陷量与多影响因素复杂非线性关系问题，提出了基于粒子群算法优化BP神经网络的Adaboost强预测模型(Adaboost-PSO-BP模型)。预测结果表明，与BP模型、Adaboost-BP模型和PSO-BP模型相比，Adaboost-PSO-BP模型提高了预测精度，平均相对误差值优化到4.26%|该模型融合了Adaboost算法侧重预测误差大的样本和粒子群算法优化神经网络权值及阈值的特点，实现了强预测器“优中选优”的目的，在开采沉陷预测中具有可行性。     

基于GA-BP神经网络的矿井粉尘浓度预测研究

为了准确预测矿井粉尘浓度,有效防治矿井粉尘危害,运用遗传算法优化的BP神经网络预测模型(GA-BP模型)对某矿山工作面时间序列粉尘浓度进行预测,以预测结果的相对误差、平均绝对百分比误差来评判模型的预测准确性。再利用BP神经网络预测模型,卷积神经网络预测模型(CNN模型)的预测结果同GA-BP预测模型的预测结果进行对比验证,以均方根误差来评价三种模型的预测效果。结果表明,应用GA-BP预测模型,相对误差最大为4.27%,最小为0.14%,相对误差都在10%以内,预测样本的平均绝对百分比误差(MAPE)小于10%,达到了高精度预测要求。CNN、BP、GA-BP三种预测模型的RMSE值分别为1.1007、1.0008、0.9354,GA-BP预测模型对于该矿山工作面粉尘浓度预测效果最好。     

基于GA-BP神经网络的毫秒延时爆破振动速度预测研究

由于基坑爆破开挖作用而产生的振动效应受多种因素综合影响,传统的经验公式预测振动速度难以满足目前爆破安全的需求.因此,如何优化爆破参数,减小爆破振动效应,对保证临近建筑的安全具有重要意义.基于某基坑工程现场爆破监测所得的400组样本数据,本文采用遗传算法(GA)优化BP神经网络,对振动速度进行预测,将GA-BP神经网络振...     

基于BP神经网络的矿山排土场滑坡预警模型

排土场滑坡是矿山的重大灾害之一,威胁矿山的安全生产。提出了矿山排土场滑坡预警指标体系,针对综合预警指标,建立了基于BP神经网络的排土场滑坡预警模型。将黏聚力、内摩擦角、地表位移、内部位移、降雨量等10个指标作为网络的输入单元,选取合适的激励函数和学习步长,利用实际工程的20组样本数据,采用改进的梯度算法完成了BP神经网络的学习。应用学习好的预警模型对贵州某矿排土场进行了滑坡预警分析,结果与实际情况一致。该预警模型合理可靠,具有推广应用价值。     

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。