基于MPSO算法的RBF网络学习算法

针对标准粒子群优化(PSO)算法存在早熟收敛,易陷入局部极值的缺陷,提出了一种利用混沌优化算法确定PSO算法参数的改进粒子群优化(MPSO)算法。为了提高径向基函数(RBF)神经网络的精度和性能,提出了一种基于改进粒子群优化(MPSO)算法的RBF网络学习算法。RBF网络隐层节点个数用对手受罚的竞争学习(RPCL)算法确定后,基函数的中心矢量、方差和网络权值用MPSO算法在全局空间动态确定。采用Iris分类问题做仿真实验,并与基于标准PSO算法的方法和单纯BP网络训练进行比较。实验结果表明,该算法性能优于所比较的2种算法,并且具有良好的收敛性和模式分类能力。     

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。     

概率积分法预计参数的智能优化选择方法研究

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料作为网络的学习训练样本和测试样本,将计算结果与实际值进行了对比分析,并与改进BP算法的计算结果进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。     

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。     

采空区煤自燃预测的随机森林方法

煤自然发火温度的准确预测是矿井煤自燃防控的关键。为了准确可靠地预测采空区煤自燃温度,在大佛寺煤矿40106综放工作面开展了长期的采空区温度和气体观测实验,提出了一种基于随机森林(RF)方法的采空区煤自燃预测模型,并将预测结果与支持向量机(SVM)和BP神经网络(BPNN)方法对比。采用粒子群优化算法(PSO)对RF和SVM超参数进行优化,建立了参数优化的PSO-RF和PSO-SVM预测模型。结果表明,RF,PSO-RF,SVM和PSO-SVM模型均具有较强的泛化性和鲁棒性; RF在建模过程中拥有宽广的参数适应范围,当树的数量(ntree)超过100后,其训练误差趋于稳定,ntree的改变对预测性能没有实质的影响;虽然PSO算法可以找到RF最优超参数,但默认参数的RF模型就能获得满意的预测性能; SVM预测结果则对超参数十分敏感,PSO优化可以显著提高其预测精度,其预测性能依赖于超参数的最优选择; BPNN模型在训练阶段拥有极佳的预测结果,但易出现"过拟合",导致泛化性弱,测试阶段误差较大。通过在其他矿井煤自燃预测中应用,验证了RF方法的稳定性和普适性,且无需复杂参数设置和优化就能获得良好的预测性能,可进一步应用于其他能源燃料领域。     

深度学习耦合粒子群优化SVM的瓦斯浓度预测

为改进工作面煤矿瓦斯涌出浓度的预测精度,基于深度学习网络、SVM和粒子群(PSO)优化算法的原理,建立1种深度学习网络与粒子群优化SVM神经网络耦合的混合算法模型,该算法首先基于深度学习理论学习样本数据较深层次的特征,提取出较少个用来表征原始数据的特征量变量,对特征变量建立PSO-SVM预测模型进行瓦斯涌出浓度预测,通过工作面现场采集的数据进行仿真实验,实验结果表明该方法使预测精度较对原始数据直接进行PSO-SVM预测得到较大的提升,同时实现了原始数据的降维,减少了算法的运行时间,提高了算法效率。     

基于改进粒子群的采煤机齿轮箱故障诊断

采煤机截割部摇臂齿轮箱承担着综采工作面截割部动力传动的重任,其故障与否直接影响采煤机正常工作。而传统的故障诊断方法-BP神经网络采用基于梯度下降的算法,存在容易陷入局部极小值、收敛速度慢等不足,这些不足严重影响了BP网络的应用。然而粒子群算法(PSO)有很好的全局收敛特性。因此,为了提高网络的性能,采用粒子群算法来优化BP神经网络,将改进的PSO引入神经网络的拓扑结构,用PSO的迭代代替BP中的梯度修正。结果表明:提出的改进方案可以有效地优化神经网络,提高其在采煤机齿轮箱故障诊断中的应用价值。     

基于 RF-PSO 混合算法的边坡软弱夹层力学参数反演应用研究

针对传统类神经网络智能优化算法存在的拟合性和泛化性不足等缺陷,引入一种集成学习算法———随 机森林(RF)算法,为智能优化方法提供了一种新的求解方式。 通过以黄山某石灰石矿山边坡软弱夹层力学参数为对 象构建正交设计样本,将随机森林(RF)算法与传统 BP 神经网络和 GA-BP 神经网络模型的性能进行对比,结果表明 RF 算法在数据拟合精度和运行速率相较于类神经网络算法有很明显的优势,凭借其不易陷入过拟合以及泛化能力强 的特点,能够很好地构建数据间的映射关系,同时算法模型凭借控制参数较少具有很好的可操作性。 结合粒子群算 法(PSO)的全局寻优能力,组合成 RF-PSO 混合算法应用到矿山边坡软弱夹层力学参数反演分析中,获得的反演力学 参数通过边坡工程地质数值模型进行正分析对比,结果表明反演力学参数正分析计算的精度达 95%以上,为矿山边 坡软弱夹层力学参数反演分析提供了一种新的方法。     

PCA-PSOBP在边坡稳定性评价中的应用

BP神经网络在使用时会遇到泛化和局部极小的问题。为改善这些问题,引入主成分分析(PCA)方法对样本数据进行处理,同时引入粒子群优化算法(PSO)优化BP网络的初始权值和阀值,采用PSO和BP接力计算的方式。计算结果表明,PCA-PSOBP对边坡稳定性的评价有较好的适用性。     

基于MFOA优化BP神经网络的磨矿粒度软测量

针对磨矿过程中磨矿粒度难以在线实时检测的问题,提出了一种基于混沌粒子群(CPSO)改进果蝇算法(FOA)优化BP神经网络的方法,建立了磨矿粒度软测量模型。利用混沌搜索的遍历性和对初值的敏感性来提高FOA初始种群的多样性;为了减少适应度函数值更新过程中的盲目搜索,引入了粒子群算法(PSO)。然后利用改进后果蝇优化算法(MFOA)良好的全局寻优能力,自适应地调整BP神经网络的权值和阈值,提高了BP网络的收敛性能和测量精度。选取球磨机给矿量、给水量、磨机电流、分级机溢流浓度和螺旋分级机电流为辅助变量,构建MFOA-BP磨矿粒度软测量模型。研究表明,所构建的MFOA-BP模型鲁棒性强、测量精度较高。