基于PCA-RBF神经网络模型的煤层厚度预测

基于淮北某矿区的地震属性参数和钻井数据,利用逐步回归分析方法,优选出与煤层厚度有着显著相关性的参数,通过构建主成分分析算法-径向基函数神经网络模型,预测煤层厚度的变化趋势,并将井旁道的煤层厚度预测值保留,作为下一个未知区域预测模型的输入参数,从而获得更准确的煤层厚度预测值。通过不断扩展预测范围,并对其进行持续分析,从而实现整个研究区域煤层厚度的准确预测。分别对比RBF和PCA-RBF 2种神经网络模型预测的煤层厚度与真实值的绝对误差、相对误差以及相关系数,其中PCA-RBF神经网络模型的预测值与真实值之间的绝对误差为0～0.08 m,相对误差为0%～4%,相关系数为0.999 9。结果表明,PCA-RBF神经网络模型预测得到的煤层厚度变化趋势更接近于真实值,预测结果的精度更高,能够为煤矿安全生产、减少成本、提高效益提供强有力的技术支持。     

主成分分析与BP神经网络在煤耗氧速度预测中的应用

结合主成分分析与神经网络的优点,提出了主成分分析与神经网络相结合的煤耗氧速度预测模型.采用主成分分析法对原始输入变量进行预处理,选择输入变量的主成分作为神经网络输入,一方面减少了输入变量的维数,消除了各输入变量的相关性;另一方面提高了网络的收敛性和稳定性,同时也简化了网络的结构.通过实例验证,基于主成分的神经网络比一般神经网络训练精度更高,学习时间更短,预测效果更优.     

主成分分析与BP神经网络在煤耗氧速度预测中的应用

结合主成分分析与神经网络的优点,提出了主成分分析与神经网络相结合的煤耗氧速度预测模型.采用主成分分析法对原始输入变量进行预处理,选择输入变量的主成分作为神经网络输入,一方面减少了输入变量的维数,消除了各输入变量的相关性;另一方面提高了网络的收敛性和稳定性,同时也简化了网络的结构.通过实例验证,基于主成分的神经网络比一般神经网络训练精度更高,学习时间更短,预测效果更优.     

小波神经网络在矿山变形监测分析中的应用

为了减少矿区塌陷的发生,利用GPS对矿山地表岩移进行了监测分析。为了提高岩移观测数据的预测精度和可靠性,文中采用小波神经网络方法对监测数据进行训练、预测,成功预测出了未来一期的地表移动变化。结果表明,小波神经网络具有良好的函数逼近能力,能够反映出要素之间的非线性关系,预测数据可靠。     

神经网络理论在预测巷道围岩变形中的应用

利用神经网络理论对巷道围岩变形预测问题进行了探讨，与利用灰色模型预测巷道围岩变形的结论作了比较。通过计算机模拟，构造了〔７～１〕ＢＰ模型神经网络模型。结果表明，这种方法是可行的，且有较高的精度。这一模拟的成功，说明神经网络理论是能够应用于工程实际的。     

降雨和库水位影响下水库边坡变形的RBF神经网络预测

在总结前人研究成果的基础上,对影响水库边坡变形的主要因素进行分析,指出降雨和库水位是影响水库边坡变形的两个主要因素。通过未考虑和考虑降雨及库水位条件下的水库边坡RBF神经网络模型预测结果对比,指出考虑降雨和库水位的水库边坡预测模型由于能够刻画边坡变形的实质,因此能够很好的对边坡变形进行预测,在边坡变形预测方面具有良好地应用前景。     

GRNN神经网络在矿区地表变形预测中的应用

针对矿区地表变形预测受多种因素影响的复杂性、非线性等特点,基于新型广义回归神经网络（GRNN）,构建了矿区地表变形预测模型。首先,介绍了GRNN的建模原理,并对影响GRNN网络预测的关键因素进行了讨论;其次,为了提高网络的泛化能力及预测精度,采用滚动建模方式对网络进行建模训练,并基于最小均方误差原理提出了交叉验证搜索算法对GRNN网络预测关键参数平滑因子SPREAD进行优选;最后,将优化后的GRNN网络应用于某矿区地表变形预测,并与LM-BP、RBF、回归分析3种模型的预测效果进行了比较,结果表明,GRNN网络泛化能力强、算法稳定,且预测精度较高,适合于矿区地表变形预测。     

小波神经网络在露天矿边坡变形预测中的应用

为了提高边坡位移变形监测数据预测的精度和可靠性,建立了基于改进BP算法的小波神经网络预测模型。以水厂铁矿GPS边坡监测数据为样本,通过编制Matlab小波神经网络程序进行训练和预测。结果表明,小波神经网络预测模型有良好的函数逼近能力及容错能力。因此,该预测模型在非线性时间序列预测中,具有高精度性和可靠性。     

基于MATLAB的RBF神经网络在建筑物沉降预测中的应用

介绍了RBF神经网络的模型和结构,提出将该网络应用于建筑物沉降预测。运用Matlab工具箱函数建立了沉降预测网络模型,编制了计算程序,通过工程实例验证了该模型的正确性和可行性,并和BP神经网络在收敛速度上进行了比较,结果表明RBF神经网络的收敛速度远远快于BP网络。     

基于BP神经网络模型的巷道变形预测系统开发

通过应用基于BP神经网络模型系统对某矿山巷道围岩的实测变形值进行神经网络模拟,成功预测了巷道围岩的变形,有利于巷道支护设计和生产组织.     

BP和RBF神经网络在起重机钢丝绳断丝数量预测中的比较研究

利用MATLAB工具箱函数分别建立了起重机钢丝绳断丝数目检测的BP神经网络和RBF神经网络模型,并对2种模型的结构、预测精度和训练过程进行了对比研究。结果表明,在一定的样本集和训练条件下,BP和RBF神经网络均能对钢丝绳的断丝数目进行很好预测,可以解决峰值、阀值波宽、小波能量和波形下面积对钢丝绳断丝数目的非线性映射关系,能够满足工程预测的需要。但RBF神经网络较BP神经网络在迭代次数、收敛速度和网络结构方面更具优势,因此其预测能力和泛化能力都优于BP神经网络。     

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。     

基于改进RBF神经网络的巷道变形预测模型

由于经典RBF神经网络中的隐含层节点数、连接权值等结构参数基本由经验获取,因此经典RBF神经网络模型的性能取决于建立模型专家的主观性,存在一定的盲目性和随机性,难以对巷道变形进行准确预测。为此,采用贝叶斯阴阳和谐学习算法对经典RBF神经网络模型的隐含层节点个数、连接权值等结构参数进行了优化,提出了一种基于改进RBF神经网络的巷道变形预测模型,即对角型广义RBF神经网络模型。采用潞安和兖州矿区的综放回采巷道的现场长期监测数据分别对经典RBF神经网络模型以及对角型广义RBF神经网络模型进行了试验分析,结果显示：①对巷道顶底板变形进行预测时,对角型广义RBF神经网络模型的准确率约92.2%,经典RBF神经网络模型的准确率约80.6%;②对煤帮变形进行预测时,对角型广义RBF神经网络模型的准确率约90.2%,经典RBF神经网络模型的准确率约78.6%。上述试验结果表明,对角型广义RBF神经网络模型对于巷道变形预测的精度明显优于经典RBF神经网络模型,对于高精度巷道变形预测有一定的参考价值。     

增强型神经网络在基坑综合变形预测中的应用

为有效改善传统人工神经网络算法的缺陷,精确预测基坑变形,以实际工程为例,采用增强型人工神经网络（ANN）构建神经网络模型,并利用条件相同或相似的已建基坑工程的实测变形资料作为学习样本,实际变形观测值作为期望输出对神经网络进行训练。结果表明：该神经网络训练法的输出结果较为可靠,更接近于实际,是预测基坑变形的一种十分有效的方法,对其他基坑工程具有一定的借鉴价值。     

PCA-LINMAP耦合模型在确定地表变形影响因素权重中的应用

在分析传统赋权方法局限性和不足的基础上,结合主成分分析和线性规划理论,建立确定地表变形各因素权重的PCA-LINMAP耦合模型。该方法充分考虑样品差异和样品的优劣次序,克服了以往赋权方法在确定指标权重中所存在的片面性,使指标体系能全面客观地反映被评价对象,为提高评价的科学性提供了一条较为理想的途径。     

基于主成分分析法的神经网络模型与箱线图在选厂中的应用

利用探索性数据分析法中的箱线图法对选矿数据进行分析,找到最优的精矿品位、回收率组合.并将其作为输入因素输入到主成分分析-神经网络模型进行验证预测,找到在此组合下的更合理的药剂用量.用此药剂量指导生产,可以得到更好的精矿品位和回收率.     

神经网络模型及其在煤矿瓦斯预测中的应用

瓦斯事故是煤矿人员伤亡最多、影响最大的事故。准确预测瓦斯是防止事故、降低损失的基础。人工神经网络由于具有建模能力强，计算准确度高，善于处理模糊的、非线性的、含有噪声的数据等特点，能很好地解决瓦斯预测中的实际问题。简单介绍了神经网络的基本原理和学习算法，建立了基于该原理的BP应用模型，并通过实例进行了验证。     

土钉支护及其变形的BP神经网络预测

在论述土钉支护的分析计算方法和工作性能参数等基本理论的基础上，指出目前土钉的计算方法在分析土钉变形方面的不足。于是，试着把BP神经网络预测应用于土钉的变形计算。经过预测值和实测值的比较，证明该预测方法是有效的。     

灰色模型在预测巷道围岩变形中的应用

本文简介了灰色预测原理及预测效果的残差检验，结合实例给了灰色模型在预测巷道变形趋势，预测软岩巷道合理的二次支护时间等方面的应用，认为灰色预测方法在地下工程是适用的     

RBF人工神经网络在工程项目风险预测中的应用

以自然、行为、经济、技术、政治及组织六个方面的因素为输入层,工程项目整体风险程度为输出层,建立RBF神经网络模型,并以实际数据对该网络进行训练和测试。实践表明,采用该方法所获得的结果是令人满意的,从而展示了神经网络在工程项目风险管理中的广阔前景。