基于灰色理论与神经网络的煤与瓦斯突出预测

影响煤与瓦斯突出的因素众多,应用神经网络进行预测时,选取突出预测指标是关键．应用灰色关联分析筛选突出预测指标,结合神经网络建模进行了突出预测,使突出预测指标的选择由定性分析转化为定量分析,实现了灰色理论同神经网络在煤与瓦斯突出预测领域内的结合．     

基于灰色理论确定煤与瓦斯突出预测敏感指标

为了提高煤矿瓦斯突出危险性风险评价的准确度和可靠性,利用灰色系统理论中灰色关联分析数学模型,定量分析了4种预测煤与瓦斯突出的指标,并确定了能够较精确反映龙山煤矿二1煤层煤与瓦斯突出预测的敏感指标,该结果为龙山矿煤与瓦斯突出预测指标的选择提供了定量化依据.     

基于灰色理论确定煤与瓦斯突出预测敏感指标

为了提高煤矿瓦斯突出危险性风险评价的准确度和可靠性,利用灰色系统理论中灰色关联分析数学模型,定量分析了4种预测煤与瓦斯突出的指标,并确定了能够较精确反映龙山煤矿二1煤层煤与瓦斯突出预测的敏感指标,该结果为龙山矿煤与瓦斯突出预测指标的选择提供了定量化依据.     

灰色系统理论在煤与瓦斯突出预测中的应用

本文采用灰色系统理论中的灰色聚类法对开滦矿区煤与瓦斯突出预测进行了尝试，经实践验证是可行的。     

灰色系统理论在煤与瓦斯突出预测中的应用

本文采用灰色系统理论中的灰色聚类法对开滦矿区煤与瓦斯突出预测进行了尝试，经实践验证是可行的。     

煤与瓦斯突出预测的改进差分进化神经网络模型研究

鉴于常规煤与瓦斯突出BP预测模型的不足,将改进DE算法用于BP网络模型参数的优化及训练,提出结合两者优点的改进差分进化神经网络(IDEBP)煤与瓦斯突出预测模型.模型通过对变异模式、变异交叉因子自适应确定等改进,有效提高了标准DE的性能.实现了DE全局优化搜索与BP自适应、自学习的有机结合,稳健性得到加强,更能充分辨识煤与瓦斯突出样本的复杂非线性知识.以36组工程实例数据,进行了IDEBP和DEBP模型与BP模型仿真对比实验.结果表明:该模型能有效避免常规BP的不足,在收敛迅速、结果辨识和预测精度等方面均大为提高,为瓦斯智能预测提供了新的解决方案.     

应用神经网络技术进行煤与瓦斯突出预测

应用神经网络技术进行煤与瓦斯突出预测包括三步：网络构造、网络训练和网络应用。作者详细讨论了利用ＢＰ网络进行煤与瓦斯突出预测的具体步骤及实践体会。     

概率神经网络在煤与瓦斯突出中的应用

为准确预测矿井煤与瓦斯突出的危险性,针对小样本情况下BP神经网络泛化能力低的缺点,采用概率神经网络对煤与瓦斯突出的危险性进行预测.该模型的预测准确性高,能有效地预测煤与瓦斯突出的危险性.     

煤与瓦斯突出区域预测方法探讨

采用多参数综合分析方法进行区域性预测，划分突出危险区和突出威胁区的范围，分区、分级管理，指导煤矿安全生产。     

基于神经网络的煤与瓦斯突出规模预测研究

由于传统煤与瓦斯突出预测方法难以理清多种致因间的非线性关系,提出依据人工神经网络建立新的预测方法.基于枚举法思想改进BP、RBF神经网络,使其能够迭代出最佳隐藏层层数、神经元个数以及spread值,并引入GA-BP、GRNN神经网络对矿区实测数据进行学习仿真,对比4类不同的神经网络预测煤与瓦斯突出规模的性能.结果表明,...     

基于粗糙集与神经网络的煤与瓦斯突出预测方法

煤与瓦斯突出是受诸多因素影响的复杂问题,且影响因素相互关联,为了提高其预测的准确性,文中提出了一种基于粗糙集与神经网络的煤与瓦斯突出预测方法。通过煤与瓦斯突出预测实证分析,并与一般预测方法进行对比,进一步验证了文中预测方法的正确性和可行性。     

基于灰色神经网络理论的东江水库入库径流量预测

针对目前径流预测模型精度偏低的现状,提出了灰色神经网络预测模型,充分发挥了灰色理论的少量数据建模和神经网络能够逼近任意复杂函数的优点,并将该模型应用于东江水库年径流预测.结果证明,该模型预测精度更高,实用性更强.     

基于支持向量机的煤与瓦斯突出预测研究

煤与瓦斯突出已经成为影响煤矿生产最严重的安全问题和经济问题之一.在国内外有多种用于预测煤与瓦斯突出的方法,包括动态和静态预测,但是这些方法大多只考虑单一的参数,因此它们对煤与瓦斯突出的预测效果并不是很理想.对于近年来应用较为广泛的神经网络,由于其固有的缺陷,对于高维、小样本的情况具有不太理想的预测效果.作者综合考虑了多个因素,并将支持向量机(Support Vector Machine)这一方法应用到煤与瓦斯突出预测中.经过仿真试验,证明这种方法能够取得较好的预测效果.     

基于支持向量机的煤与瓦斯突出预测研究

煤与瓦斯突出已经成为影响煤矿生产最严重的安全问题和经济问题之一．在国内外有多种用于预测煤与瓦斯突出的方法,包括动态和静态预测。但是这些方法大多只考虑单一的参数,因此它们对煤与瓦斯突出的预测效果并不是很理想．对于近年来应用较为广泛的神经网络。由于其固有的缺陷。对于高雏、小样本的情况具有不太理想的预测效果．作者综合考虑了多个因素,并将支持向量机（Support Vector Machine）这一方法应用到煤与瓦斯突出预测中．经过仿真试验。证明这种方法能够取得较好的预测效果．     

基于贝叶斯分类器的煤与瓦斯突出强度预测研究

摘。要：选取了影响煤与瓦斯突出的5个因素作为属性条件,把突出强度作为目标变量,利用训练样本对朴素贝叶斯分类器模型进行了学习训练,对测试样本进行了预测,从结果来看精确度较高．因此朴素贝叶斯分类器模型预测煤与瓦斯突出强度是有效的．     

基于灰色神经网络模型预测变压器油中溶解气体的含量

建立了变压器油中溶解气体的灰色神经网络预测模型,用MATLAB仿真计算,结果表明该模型优于单独GM（1,1）模型。