基于CPSO-BP神经网络的冲击地压预测

针对预测冲击地压的传统方法存在的弊端,提出了一种基于混沌(Chaos)优化粒子群的BP神经网络算法。该算法将混沌、粒子群、BP神经网络结合起来,通过混沌粒子群算法寻优得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。该算法对冲击地压的预测取得了较好的效果。     

基于混沌优化神经网络的冲击地压预测模型

为了改进BP神经网络用于冲击地压预测的精度和泛化能力,利用BP算法和混沌优化算法优缺点的互补性,构建了一种组合式优化预测模型(COBP).将该模型应用于重庆砚石台煤矿冲击地压的预测,结果显示,该模型既利用混沌优化帮助BP算法克服了易陷入局部极值的缺点,又利用BP算法克服了基本混沌优化局部搜索能力有限和有时不能搜索到全局最优的缺陷.     

基于灰关联-神经网络方法的冲击地压预测

通过对影响冲击地压的各因素进行灰关联分析,得出了各因素对冲击地压影响程度的重要性排序,选择关联度排列前8位的影响因素作为输入参数,建立了冲击地压预测的BP神经网络模型,并进行了实际应用。     

基于人工神经网络的冲击地压预测

本文应用Matlab语言编写了BP神经网络程序，并对BP算法做了一定的改进，用此算法对冲击地压进行了预测，结果令人满意。     

基于人工神经网络的冲击地压预测

冲击地压是矿山巷道围岩由于开采和地质作用引起的煤岩体应力高度集中,当应力超过允许的极限状态时,造成大量弹性能的突然释放而产生的一种以急剧猛烈的破坏为特征的现象.     

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。     

基于贝叶斯神经网络的冲击地压预测与影响因素权重分析

针对华丰煤矿4#煤层冲击事故频发的问题,采用理论分析及现场实验相结合的方法,对于复杂开采技术类因素和多种典型性地质条件耦合作用下的冲击地压启动机理、能量来源及防治措施展开研究。首先分析4#煤层1411工作面冲击启动能量来源,通过建立工作面前方煤体及围岩结构承受动、静载荷的力学模型,得到冲击启动区煤体内部任意一点的应力解析解,其次基于弹塑性理论,通过主应力平面偏转变换得出的最大、中间和最小主应力求得冲击启动区任意处单元煤体储存的弹性应变能的解析解,并根据现场实际工程参数,分析各种因素对煤体内部应力和能量分布规律的影响。结合力学模型解析解、数值模拟实验和现场记录参数的结果对工作面前方冲击地压的启动、传递和显现进行预测和分析。通过对冲击地压影响因素权重的分析发现了通过水力压裂降低顶板强度或水射流切割顶板降低老顶悬臂梁长度等对工作面防冲治理的优先级应高于保护层开采卸压等手段。     

基于粒子群算法和BP神经网络的冲击危险性评估

为评价冲击矿压危险程度,提出一种基于粒子群算法和BP神经网络(PSO-BP)的冲击危险评估方法。利用已有冲击矿压数据,通过BP网络建立回归模型,并采用PSO算法对模型的连接权重和阀值进行优化,克服了BP网络收敛速度慢、易陷入局部最优的缺点。选取冲击矿压的10种主要影响因素,利用典型冲击矿井的20组工程数据建立PSO-BP评估模型,并将该模型与标准BP模型进行对比分析,结果表明PSO-BP模型较标准BP模型的评估准确率提高15%。最后,通过某矿冲击危险评估的工程实例验证了该方法的可行性和普适性。     

基于IPSO和BP神经网络的光学字符识别

随着信息系统的广泛应用,光学字符识别(Optical Character Recognition,OCR)技术取的了长足的进步。通过引入模拟退火算法、"交叉算子"和"变异算子",提出了一种改进粒子群优化算法(Improved Particle Swarm Optimization,IPSO)对神经网络的参数进行优化计算。试验证明,OCR方法具有很高的识别效率。     

冲击地压的混沌学模型及预测预报

根据混沌学理论 ,研究了冲击地压启动的混沌特性 ,提出了在一定的时间尺度内预测预报冲击地压发生的方法 .应用动力反演方法 ,建立了冲击地压的动力学方程组 ,并以此模型进行冲击地压的预测预报 .实例表明 ,该方法是可行的 .     

基于优化的BP神经网络地层可钻性预测模型

提出了一种粒子群算法(PSO)优化的BP网络模型预测地层可钻性的新方法。利用粒子群算法优化BP网络模型的参数,避免了BP网络陷入局部极小值的缺点,提高了模型的预测速度和精度。结合钻探实例,利用测井资料和地层可钻性级别的关系建立了可钻性级别实时预测模型,并将该模型与传统的BP网络进行对比,结果表明,该模型优于BP网络,具有较高的精度和较快的收敛速度,有一定的适用性。     

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.     

粒子群优化神经网络PID控制在湿法烟气脱硫中的应用

石灰石-石膏湿法烟气脱硫浆液pH值系统存在严重的非线性、滞后性及不确定性。基于混沌模拟粒子群优化算法(SAPSO)的神经网络PID控制器,优化神经网络结构和连接权值,以一定概率接受劣势解,保证算法从局部极值区域跳出,通过参数自适应调整提高全局搜索能力,达到全局最优目的。     

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。     

BP神经网络在射流冲击压力预测中的应用

紊流射流冲击压力的影响因素很多,且存在着复杂的非线性关系,因此难以用传统的数学方法建立冲击压力的理论模型。基于BP神经网络理论,结合射流冲击压力的实验结果,建立了冲击压力的神经网络预测模型。经验证,对于给定的泵压、围压、喷距和径向距离等输入量,该模型能够准确地预测水射流的冲击压力。     

基于改进PSO-BP模型的电磁辐射法冲击地压预测

为及早预测煤矿冲击地压事故的倾向性,准确及时做出防冲措施,研究改进PSO-BP模型的电磁辐射法预测冲击地压倾向性,通过研究电磁辐射法预测煤矿冲击理论及原始PSO-BP模型的改进方法,将改进的PSO-BP模型应用于冲击地压评价,并在某矿1316工作面进行现场实践,准确预测出3起较大等级的冲击,事故预测准确率为100%。     

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。     

矿山深部开采覆岩沉陷预测的改进粒子群优化BP模型

为提高矿山深部开采覆岩沉陷的预测精度,以吉林省某矿山为例,将覆岩抗压强度、工作面推进距离、采厚、煤层倾角、采深作为开采沉陷预测的主要影响因素,以煤层倾角、工作面推进距离、采厚等参数作为预测模型的输入值,将最大沉陷值作为预测模型的输出值,构建了BP神经网络开采沉陷预测模型。针对经典BP神经网络模型在训练时具有学习速度慢、抗干扰能力弱以及易陷入局部最小值等不足,采用一种改进型粒子群优化算法对其进行了优化,构建了改进粒子群优化BP神经网络模型。试验表明：①所提模型的平方相关系数R₂为0.932、平均绝对误差e_ME为0.195、平均相对误差e_MRE为0.082、训练时间t为21.5 s、均方误差e_MSE为0.067 1;②经典BP神经网络模型的平方相关系数R₂为0.802、平均绝对误差e_ME为0.605、平均相对误差e_MRE为0.255、训练时间t为30.9 s、均方误差e_MSE为0.089 1;③PSO-BP神经网络模型的平方相关系数R₂为0.825、平均绝对误差e_ME为0.382、平均相对误差e_MRE为0.216、训练时间t为23.5 s、均方误差e_MSE为0.078 2。可见,所提模型具有较高的训练效率,拟合效果较好且预测精度较高,对于大幅提升矿山开采沉陷预测精度有一定的借鉴价值。     

基于改进BP神经网络的彩色图像边缘检测

利用改进的BP神经网络模型导出了一种新的彩色图像边缘检测算法。为了充分利用图像中的颜色信息,在RGB彩色空间中通过欧式距离度量像素之间的差异获得灰度图像;为了降低训练样本的数量,将灰度图像二值化作为导师信号;针对传统的边缘检测算法容易产生边缘断裂、不连续等缺点,文章将动量法与自适应学习速率结合起来对传统的BP神经网络进行了改进。利用该方法对二值图像进行了边缘检测,实验结果表明,该方法对二值图像的边缘检测较传统的检测方法具有更好的效果。