基于粒子群算法与RBF神经网络的露天矿边坡稳定系数预测

为准确构建边坡稳定影响因素与稳定状态之间的复杂非线性函数,基于粒子群算法全局搜索能力及RBF神经网络非线性变换和局部逼近能力,提出了一种基于粒子群算法与RBF神经网络的露天矿边坡稳定系数预测方法.实践应用表明:与单纯的RBF神经网络方法相比,基于粒子群算法与RBF神经网络预测露天矿边坡稳定系数精度可靠、性能稳定.     

基于智能计算的铁矿石消费预测

为了提高铁矿石消费量的预测精度,采用一种基于智能计算的时间序列预测方法。该方法首先对粒子群算法进行改进,然后利用它的全局寻优能力优化RBF神经网络的关键参数,最后了建立铁矿石的消费预测模型。实验结果表明：与其他预测方法相比,该方法预测精度较高,为铁矿石消费预测提供了一种新途径。     

基于改进粒子群优化RBF神经网络的轧制力预报

依据RBF神经网络的非线性逼近能力和自学习特性, 提出基于RBF神经网络的建模方法。将最近邻聚类用于RBF神经网络隐层中心向量的确定, 并采用改进粒子群算法对最近邻聚类的聚类半径进行优化, 合理确定了RBF神经网络的隐层结构, 提出了一种基于改进粒子群算法的RBF神经网络(IMPSO-RBF)。将该网络应用于轧制力的预报, 与基本粒子群算法优化的RBF神经网络比较, 仿真结果表明其在预报精度和收敛速度上都有很大提高。     

基于粒子群优化径向基神经网络的水质指标预测

为掌握丹江口库区水质未来的变化趋势以及预防污染事件的发生,建立了一个水质指标的预测模型。利用库区某断面自动检测站的水质指标实测参数作为学习样本,选取化学需养量(COD)、生化需养量(BOD)、PH值、氨氮(NH3-N)、总磷(TP)、总氮(TN)等指标作为预测参数,运用粒子群算法优化RBF神经网络的预测模型,对丹江口库区水质指标进行预测,结果表明,利用基于粒子群优化径向基神经网络对水质指标预测具有较高的精度,相对误差小于7%,该模型具有良好的可行性和有效性。     

基于耦合算法的煤矿瓦斯涌出量预测模型研究

针对煤矿回采工作面瓦斯涌出量系统的时变性、非线性、复杂性、不确定性等特点,提出了混沌免疫粒子群算法(CIPSO)与Elman神经网络的耦合算法(CIPSO-ENN)用于非线性动态绝对瓦斯涌出量预测。算法通过实时的对其权值、阈值寻优,建立了基于CIPSO 和ENN 的耦合算法的绝对瓦斯涌出量预测系统模型,并利用矿井监测到的各项历史数据进行试验,结果表明该模型较其他预测模型其辨识收敛速度、预测精度和鲁棒性等性能都有明显的提高。     

基于纵向参数粒子群神经网络集成的煤矿涌水量预测

针对矿井涌水量的非线性特性,提出一种基于纵向参数的粒子群神经网络集成算法(VPPNE)的矿井涌水量预测方法。文中定义了粒子群的纵向参数,以保证多峰值优化。利用其作为判别条件,粒子群在网络权值空间的并行搜索中动态聚类,形成各个子群空间。各搜索子空间的最优粒子对应于各个网络个体。网络集成规模大小由算法自动确定,不同的搜索子空间保证了网络个体的结构差异度。矿井涌水量预测实例表明:VPPNE算法可保证集成网络个体的差异性,有着良好的泛化性能,预测效果显著。     

改进的粒子群支持向量机预测瓦斯涌出量

提出一种基于改进的粒子群参数优化的支持向量回归机算法(IPSO-SVR),该方法引入混沌映射及网格分区寻参思想,能避免粒子群算法(PSO)陷入局部最优解。使用IPSO-SVR算法建立瓦斯涌出量预测模型,结果表明基于IPSO算法寻优参数建立的瓦斯涌出量支持向量回归预测模型具有良好的预测效果。与粒子群优化参数的支持向量回归机(PSO-SVR)模型、广义回归神经网络(GRNN)模型进行比较,IPSO-SVR模型预测效果明显优于PSO-SVR和GRNN模型,可用于瓦斯涌出量的实际预测,表明所提出的IPSO算法是选取SVR参数的有效方法。     

基于IGSA-ELM模型的回采工作面瓦斯涌出量预测

针对现有煤矿回采工作面瓦斯涌出量预测方法存在的预测时间较长,预测精度不高的问题,提出了用IGSA优化ELM神经网络的瓦斯涌出量预测模型。将优选策略和粒子的记忆、信息交换功能引入万有引力搜索方法,利用IGSA对ELM神经网络的网络隐含层节点数进行寻优,利用自相关系数法筛选出回采工作面瓦斯涌出量的8个主要影响因素,建立基于IGSA-ELM算法的瓦斯涌出量预测模型,并结合矿井监测到的历史数据进行实例分析。试验结果表明:经IGSA优化后的ELM神经网络瓦斯涌出量预测模型与PSO-ELM神经网络、ACC-ENN和GSA-ELM神经网络预测模型相比,预测精度分别提高310%、60%、31%,为回采工作面瓦斯涌出量的预测提供了一种新的快速预测方法。     

基于GA-BP网络的掘进工作面风流温度预测的研究

 以解决矿井掘进工作面风流温度预测的问题为研究目的,采用BP神经网络为模型,利用遗传算法优化网络初始权值和阈值,建立了一种新的掘进工作面风温预测模型,并用Matlab编程实现。通过分析影响掘进工作面风流温度的变化因素,得出,局部通风机入口处湿球温度、风流温度,掘进工作面处湿球温度、掘进巷道长度等因素的影响力较大。为验证预测模型的准确性,分别对2个工作面的风温进行预测,结果表明,该模型收敛速度快、预测精确度高,是求解掘进工作面风温预测模型的最有效方法之一。     

基于PSO-BP的矿井淋水井筒风温预测

为解决矿井井底风流温度预测的问题,采用BP神经网络为模型,利用PSO算法优化网络权值和阈值,建立了一种新的井底风温预测模型,并用Matlab编程实现。通过对淮南某煤矿井底风温影响因素的分析得出地面入风口处风流温度、湿球温度,地面大气压力及井底湿球温度等因素的影响力较大。应用PSO-BP模型与BP模型对数据分别进行测试并分析,结果表明,该模型具有收敛速度快、预测精确度高,是求解井底风温非线性变化规律的最有效方法之一。