基于灰色神经网络算法的煤矿瓦斯涌出量预测模型研究

煤矿设计和开采受瓦斯涌出量的影响。由于地质条件不同,瓦斯涌出量也各有不同,传统方法预测瓦斯涌出量精确性很低。文章首先对灰色神经网络预测的现状做出介绍,然后分别介绍了灰色系统和神经网络的模型,最后结合灰色神经网络模型对煤矿瓦斯涌出量的应用实例做出分析。研究表明,灰色神经网络算法有很大的应用前景和推广价值。     

安全性预测组合模型的神经网络方法及应用

煤矿安全的首要问题是对安全性指标进行合理的预测。本文指出了传统预测方法存在的不足，提出了应用神经网络建立时间序列的组合预测模型，并提高了预测精度。结果表明，用这种方法进行全安预测效果较好。     

基于灰色神经网络算法的煤矿瓦斯涌出量预测模型研究

矿井瓦斯是煤矿生产过程中存在的主要的不安全因素,煤矿瓦斯涌出量在很大程度上影响着矿井的设计及开采。文章提出利用灰色神经网络预测矿井瓦斯涌出量的思路,并对灰色神经网络模型进行了全面阐述,之后对模型进行了仿真分析。     

基于最优组合模型的煤矿百万吨死亡率预测

为有效解决常规单项预测模型组合时采用单一的加权平均系数而导致预测结果失真的缺陷,通过引入IOWHA(诱导有序加权调和平均)算子构建最优组合预测模型对我国煤矿百万吨死亡率进行预测分析,实证结果表明:该组合预测模型具有较高的拟合和预测精度,可为煤矿部门安全决策和科学规划提供一定理论依据。     

基于灰色—BP神经网络组合模型的边坡稳定性预报方法

在前人研究成果的基础上,研究BP神经网络模型和灰色系统理论的原理,依据它们的适用条件及优缺点,对同一已知边坡取不同样本区间建立GM(1,1)模型,得到不同的预测结果。将多个灰色预测的结果作为输入变量,使用BP神经网络进行组合,输出组合预测结果。提出基于灰色神经网络范例推理的边坡稳定性评价方法,针对边坡稳定性影响因素的复杂多变性和相当强的不确定性,建立了边坡范例检索模型。通过对边坡稳定性因素的灰色模型预处理,以及边坡范例的神经网络学习,最终实现边坡稳定性评价。     

基于神经网络和灰色理论组合的变压器故障预测

基于变压器油中溶解气体分析(DGA)法是使用神经网络和灰色预测对变压器的故障进行预测的。主要是采集变压器油在各种情况下的数据,并对应其故障进行编码,再用Matlab编写神经网络进行训练,输入各特征气体百分含量,输出对应的故障编码。通过对比,发现神经网络预测精度高达80%,使用灰色理论对各特征气体含量进行预测,与实际值对比,预测精度很高。最后将各个特征气体含量转化为百分数,输入已训练好的神经网络系统,预测出变压器的状态。最终所预测出的故障和实际故障一致。     

基于灰色神经网络的我国原煤产量预测

文章采用灰色神经网络进行我国煤炭产量预测模型的建模,灰色神经网络具有灰色系统模型的可以用少量样本数据来建模与神经网络精度高的特性,克服在进行煤炭产量预测样本数据少的问题,仿真结果表明,此种模型预测结果的相对误差是1.57%,只使用灰色模型预测结果的相对误差是9.8%,采用此模型提高了预测的准确性和精度。     

动态灰色时序神经网络组合模型在地铁运营期沉降预测效果分析

为了提高在变形监测中数据预测的精度以及它的可靠性,该文提出了基于动态灰色时序模型与神经网络组合的预测方法。根据已有的地铁沉降数据,对地铁隧道结构变形进行数据分析与预测,并与动态灰色模型、动态灰色时序模型进行精度对比。实例证明,该组合模型在地铁隧道结构变形预测中的精度较高。     

基于遗传算法-BP神经网络的煤矿透水事故涌水量预测模型研究

从煤炭涌水量预测模型的研究出发,利用软件进行预测并得出结论。结果表明,建立遗传算法优化的BP神经网络模型,不仅能得到涌水量的预测值,同时也能得到各输入指标的权重,用来评估输入指标对输出指标的影响程度;提供了事故管控对象的优先级,为透水事故的预防和预测提供参考。     

基于灰色神经网络的矿井涌水量预测

针对矿井涌水系统的复杂性和随机性,提出采用神经网络修正灰色残差模型对矿井涌水量进行预测,既利用GM(1,1)模型能较好预测涌水量发展趋势的特点,又利用神经网络对于复杂非线性系统的优越性,保证了模型的精度,克服了单个模型所存在的不足。结果表明,该模型方法在矿井涌水量的预测中是可行的。     

基于无偏灰色马尔科夫模型的煤矿事故死亡人数预测

寻找煤矿事故死亡人数的规律并有效的预测死亡人数,对制定有效的措施预防安全事故,减少人员伤亡具有重要意义。以2008-2013年的煤矿事故死亡人数数据为基础,利用无偏灰色马尔科夫模型预测2014年煤矿事故死亡人数,预测结果与实际数据的相对误差仅1.92%。最后利用该模型预测2015年煤矿事故死亡人数,最终预测结果为663人,这个结果符合我国煤矿近几年来的发展趋势。     

基于神经网络算法的煤矿瓦斯涌出量预测模型研究

在煤矿生产过程中存在着瓦斯涌出现象,严重威胁着煤矿的安全生产。瓦斯涌出检查在矿井设计、建设和开采作业过程中显得尤为重要。文章采用神经网络有效地对矿井瓦斯气量进行检测分析,利用分析结果进行准确预测。文中将介绍神经网络预测的整体构建过程,结合仿真实例,分析煤矿瓦斯涌出量预测模型的可靠性。     

基于LVQ-GA-BP神经网络的煤矿瓦斯涌出量预测

针对煤矿瓦斯涌出量影响因素多、非线性、复杂性等特点,提出了学习向量量化神经网络(LVQ)与GA-BP神经网络相结合的方法。通过LVQ对诸多影响因素进行分类并选出主要影响因素,再用遗传算法(GA)优化BP神经网络的权值和阈值,构建煤矿瓦斯涌出量预测模型,并通过相关数据将建立的LVQ-GA-BP预测模型与BP神经网络进行了对比分析,结果表明通过这种方法平均相对误差为0.025 51,低于BP神经网络训练的平均绝对误差,网络收敛速度也显著提高了。     

基于GA-BP网络模型的煤矿底板突水非线性预测评价

以非线性预测评价为基础,采用BP神经网络模型,利用遗传算法优化网络初始权值和阈值,建立一个新的煤矿底板突水危险性预测的网络模型,通过收集不同突水矿井的资料,综合考虑多种影响底板突水的因素。运用Matlab编程对网络原始数据进行训练,并对不同工作面底板是否突水及突水量进行预测分析,结果表明,该模型收敛速度快、预测精确度高,且具有较强的泛化能力。     

基于BP神经网络的煤炭成本预测研究

根据煤炭企业的实际情况,分析并找出影响煤炭价格的主要因素,采用BP人工神经网络作为煤炭价格模型的非线性建模方法,对煤炭价格进行预测并通过误差对比分析其准确性。结果表明,BP神经网络能很好地反映变量之间的非线性相关性,并且能够高精度地预测煤炭价格,为煤炭企业的生产经营决策和政府部门政策体系的建立提供了重要依据。     

基于BP神经网络的煤矿安全绩效评价模型

建立了基于BP神经网络的煤矿安全绩效评价模型,并以神华宁夏煤业集团大峰露天煤矿为例对安全绩效评价模型进行验证,根据评价结果对其提出相应的对策和建议,对提高煤矿安全评价工作的效率,增强企业的市场竞争力有着重要的意义。