煤矿本质安全管理评价的GA-NN模型及应用

为评价煤矿本质安全管理水平,根据煤矿本质安全管理的内涵,构建了评价指标体系。针对以往评价方法主观设置指标权重的缺陷,采用神经网络对煤矿本质安全管理进行评价。鉴于遗传算法全局搜索最优解的特点,将遗传算法用于获取神经网络权重的最优值,建立了煤矿本质安全管理评价的遗传优化神经网络模型(GA-NN)。测试结果表明,基于GA-NN模型的评价方法具有较高的精度,且无需人为设置指标权重,避免了人的主观因素对评价结果的影响,能够更客观、准确地得出评价结果,有利于监管部门评价煤矿安全管理水平及企业内部的评比与管理,对建立煤矿安全管理机制具有重要作用。     

基于遗传神经网络的矿井通风机故障诊断研究

为了提高矿井通风机机械故障诊断的准确性,提出了一种基于遗传神经网络的矿井通风机故障诊断模型。利用BP神经网络的自学习、自适应、强容错性,并通过遗传算法优化BP神经网络的连接权重和阈值。弱化了故障诊断中的人为因素,提高了评价结果的准确性和权威性。仿真结果表明,该诊断方法具有准确度高、诊断速度快等优点,是一种实用的故障诊断方法。     

煤体冲击倾向性指标权系数与冲击危险性研究

为了准确地反映煤体冲击倾向性,统计分析了大量的实验数据,采用遗传算法优化BP神经网络方法确定了冲击能量指数、弹性能量指数、动态破坏时间的冲击倾向性指标权重系数,并通过专家打分法对其进行修正,根据实验数据的统计规律,分别建立了每项指标的模糊隶属函数,从而形成煤体冲击倾向性的模糊综合评价体系,通过与实际结果进行对比表明:基于遗传算法优化的BP神经网络与专家打分法确定的权重具有较好的可信性。     

利用遗传算法优化的小波神经网络实现地热资源预测

文章主要介绍了一种基于遗传算法优化的小波神经网络进行地热资源评测的方法。选择对地热资源产生具有较大影响的火山、地震、布格重力、磁异常、到断层距离和地下水SiO2组分作为评测影响因子,利用小波神经网络优异的时频转换、网络自学习特性和遗传算法的全局优化特点,将两者相结合,对网络参数进行优化,并进行网络自学习。通过数据仿真得到的预测值与实际值基本一致,证明了该方法具有良好的地热资源评测前瞻性。     

基于正态云模型的地下水资源脆弱性评估

针对现有地下水资源脆弱性评价方法存在的效率低问题,采用正态云模型实现评价方法的优化设计。将脆弱性分为5个等级,设置各个等级的划分标准。从固有脆弱性和特殊脆弱性2个方面,分析水资源脆弱性的影响因素。构建地下水资源脆弱性评价指标体系,标注各个指标的性质。通过正态云模型的构建与应用,计算评价指标的具体取值。脆弱性评价指标经标准化处理后,综合考虑客观和主观因素,求解评价指标权重,得出地下水资源脆弱性的评价结果。通过实例应用分析得出,通过正态云模型应用,地下水资源脆弱区面积的评价误差明显降低了0.38 km²,有效提升了评价效率,说明正态云模型在地下水资源脆弱性评价中具有较高的应用价值。     

基于遗传算法—BP神经网络的突出强度预测

煤与瓦斯突出强度的预测对研究煤与瓦斯突出,保证矿井安全正常生产有着重要意义。本文提出采用遗传算法结合BP神经网络的模型来预测突出强度,采用遗传算法对BP神经网络的权重和阈值进行优化,将优化好的权重与阈值作用于网络进行训练,直至性能函数符合要求。实际计算表明,该模型有较好的预测精度,且克服了普通BP神经网络训练时间长、收敛速度慢的缺点,在已知瓦斯膨胀能和煤层厚度的前提下,可以用该模型对突出强度进行预测。     

用BP神经网络评价地浸砂岩型铀矿床某退役采区地下水水质

以我国GB/T 14848—1993《地下水质量标准》作为学习样本,选取U、SO42-、∑Fe、Ca2+、NO3-、Cl-和矿化度7个指标作为评价因子,用建立的基于地下水水质评价的BP神经网络模型,对地浸砂岩铀矿床某退役采区地下水水质进行评价。为更有效地验证评价模型的准确性,将该模型与综合指数法的评价结果进行比较。结果表明:建立的BP神经网络模型评价精度高,能有效描述评价因子与水质等级间复杂的非线形关系,拓宽了BP神经网络应用研究领域。     

基于物元分析的矿区地下水水质评价

矿区开采造成水体污染,为了解矿区水体污染情况,试将物元分析法应用于阜新海州露天矿矿区地下水水质评价中,并根据矿区地下水水质状况选出总硬度、SO_4~(2-)、CL~-、溶解性总固体、硝酸盐具有代表性的污染因子进行评价。为对矿区水质的了解,选取了3个远离矿区的对比点,7个矿区内的监测点位。结果表明,3个对照点位的水质为Ⅰ-Ⅱ类,水质较好;阜新海州露天矿矿区地下水水质为Ⅳ-Ⅴ类,水体污染严重;物元分析法是对不同评价因子所占权重比例进行综合评判,评价结果全面、系统、准确,与RBF神经网络对该矿区地下水的评价结果基本一直,说明物元分析法在矿区地下水水质评价中适用。     

基于神经网络和遗传算法的位移反分析研究

运用遗传算法和人工神经网络构造了位移反分析的遗传人工神经网络模型，并基于正交试验获得的训练样本对网络进行学习，以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础，用遗传算法来学习神经网络的权系数，既保留了遗传算法的强全局随机搜索能力，又具有神经网络的鲁棒性和自学习能力。结果表明遗传算法和神经网络的结合，可兼有神经网络广泛映射能力和遗传算法快速全局收敛等特性。     

基于小波神经网络的矿井安全综合指标评价方法分析

通过参考不同的矿井安全评价体系,文章构建了一套新的矿井安全评价应用研究体系,给影响矿井安全关键因素赋予不同的权值,引入到小波神经网络方法中去。小波神经网络是结合小波分析和神经网络思想构建的一种新型神经网络模型,提出了一种构建指标和它们的权重的实践方法,并且讨论了使用小波神经网络方法评价矿井安全的原理。小波神经网络方法是一种极好的矿井安全的综合评价方法。     

改进梯度下降BP算法在地下水位预测中的应用

本文给出了BP神经网络预测模型的原理,分析了标准BP算法缺陷,通过改变学习率和增加动量项改进BP算法。用改进的算法预测某地地下水位,并对训练过程进行优化,实验结果表明,改进的BP神经网络能有效地提高地下水位预测的速度和精度,比标准BP算法预测性能有较大改善。     

基于GA-BP算法的齿轮箱故障诊断研究

为了解决BP算法的缺陷,建立了GA-BP相结合的故障诊断模型。利用GA算法优化BP神经网络权值和阈值,改善故障诊断性能。GA-BP网络对齿轮箱的工作状态进行故障诊断,仿真表明:该算法可以高效、可靠地运用于齿轮箱故障诊断中。     

基于遗传算法优化BP神经网络的提升机制动系统故障诊断

针对提升机故障诊断系统的复杂性,利用浮点数编码的遗传算法优化BP神经网络的初始权值和阈值,再按BP算法沿负梯度方向进行网络学习直至收敛,构建起遗传算法优化BP神经网络的诊断方法。将此诊断方法应用于2JTP-1.2型提升机液压制动系统,诊断结果表明,该方法用于提升机液压制动系统常见故障诊断可行。     

固体废弃物膏体充填料浆质量的神经网络研究

固体废弃物膏体充填在我国煤炭系统是一种新的胶结充填模式.充填料浆质量的研究至关重要.它是一典型的多输入、多输出、非线性的模糊模型.一方面,运用神经网络结合遗传算法构造了膏体充填料浆质量的隐式模型,建立该模型的方法以神经网络为基础,用遗传算法来学习神经网络的权系数,既保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力.该模型具有较强预测能力,为优化固体废弃物膏体充填料浆质量的影响因素提供了理论依据.另一方面,利用已训练好的膏体充填料浆质量模型获得遗传算法,对充填料浆质量的影响因素进行优化,该法在配比设计时,可在较少的试验次数下获得较好的配比.     

基于改进花粉算法优化的神经网络负荷预测研究

为预测短期电力负荷,可采用神经网络方法预测,而神经网络复杂权重和阈值的参数调节为预测精度的提升增加了一定程度的困难。采用进化计算算法优化过后的神经网络拥有更为优良的结构,能够提高神经网络的预测精度,为了使求解神经网络结构的进化计算算法拥有更为优秀的搜索能力,可改进算法求解网络模型结构。对进化计算花粉算法的改进及改进效果进行了研究。     

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。     

基于遗传算法和人工神经网络的煤层厚度预测

将具有高度非线性识别能力的人工神经网络与遗传算法相结合,探讨了应用于煤层厚度预测的方法,提出了先用遗传算法优化神经网络,再进行结果预测。实践表明,该方法有效提高了精度,对煤层厚度预测提供了一个重要模型。     

基于GA-BP混合算法的电力变压器故障诊断方法

为解决BP神经网络在变压器故障诊断中存在的收敛速度慢,容易陷入局部最优点等缺点,采用了将BP网络和遗传算法相结合的方式,利用遗传算法的全局收敛性,优化BP网络的初始权值和阈值,再由BP网络进行调整搜索,同时采用了LM优化方法训练神经网络以提高网络精度,缩短训练时间,最后将训练好的网络应用到油中溶解气体分析技术中。     

基于模糊综合评判算法的矿井水质检测系统

为了能够准确快速地实现矿井水质检测,采用基于离差加权法的模糊综合评判原理对水质类型进行判别。根据邢台矿的地下水化学特征构建了用于矿井水质检测的模糊综合评判的算法模型,用C#语言实现了算法的设计,并成功应用于基于Visual Studio 2008和SQL Server 2005平台开发的矿井水质快速检测系统,为矿井水害防治提供了一种辅助决策方法。     

基于遗传算法改进BP网络的地表沉陷预计

本文采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络，即先用遗传学习算法进行全局训练，再用BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，将该方法应用于地表沉陷预计问题中。建立了采动地表沉陷的神经网络预计模型，利用矿区大量的地表沉陷实际观测数据样本对该神经网络进行训练和学习，并用该网络对几组数据进行采动地表沉陷预计。结果表明，该神经网络预计模型具有收敛速度快、预测精度高的优点，为采动地表沉陷预计提供了实用的方法。