基于RBF神经网络的煤矿瓦斯涌出量预测

煤矿瓦斯涌出量预测是矿井安全中的一个关键和热点问题。煤矿瓦斯涌出量涉及很多因素,例如日产量、日进度、煤层厚度、煤层间距、煤层深度等,瓦斯涌出量预测是一个非线性问题。径向基神经网络是目前应用非常广泛的一种局部神经网络模型,在函数回归、序列预测中具有很好的应用效果。文中提出了将径向基神经网络用于预测煤矿瓦斯涌出量的想法,并分析了可行性。     

基于模糊聚类径向基神经网络的煤质分析模型

为了实现煤炭指标的快速智能预测,建立了基于模糊聚类的径向基函数(RBF)神经网络预测模型,将已测定的收到基全水、收到基灰分、收到基挥发分和收到基全硫的含量作为分类指标进行模糊聚类,根据分类结果分别建立了基于径向基函数神经网络的定量分析模型,对干燥无灰基挥发分、空干基全硫、收到基低位发热量和空干基高位发热量进行了预测,并与直接使用径向基神经网络模型进行比较。结果表明,该分析模型不仅精度高,且泛化能力强,鲁棒性好。     

基于优化变权组合模型的配电网中台区负荷波动范围预测研究

负荷波动范围预测决定了电力系统是否处于平稳运行状态,为此提出一种基于优化变权组合模型的配电网中台区负荷波动范围预测方法。考虑负荷信号数据的横、纵向数据特征,运用固定阈值门限准则确立阈值大小,构建加权平均阈值函数,反归一化处理得到去噪后的负荷波动数据;分析数据观测序列,将组合预测偏差的最低绝对值作为推导原则,获得单项预测法与组合预测法的预测偏差,引入目标函数创建台区负荷波动范围预测模型。实验结果表明,所提方法能准确分析外部环境对负荷波动范围的影响,预测精度高,实用性极强,为配电台区的高效稳定运行发挥应有作用。     

PCA-RBF神经网络模型在桥梁变形预测中的应用分析

在由多种因素导致的桥梁变形进行变形预测时,针对大多神经网络预测方法具有局部最优等局限性,以及高维度的影响因子之间具有很强的相关性和信息重叠性等问题,该文提出基于主成分分析(PCA)的径向基函数(RBF)神经网络来进行桥梁变形预测,并和直接采用RBF神经网络的预测结果进行了对比。实例分析证明:两种方法的训练误差都在10~(-15)mm级,均能很好地训练样本,其中基于主成分分析的径向基函数神经网络误差更小,提高了预测精度,这对变形监测中分析主要的影响因子从而建立预测模型具有参考意义。     

燃煤飞灰浮选除炭的径向基神经网络模型

利用MATLAB程序构建径向基函数神经网络，运用计算机经过517次训练学习后，可实现粉煤灰除炭浮选工艺产品结果预测和工艺参数确定，并通过试验验证了神经网络模型的计算结果。实践表明，径向基神经网络模型所映射的关系可达很高的精度，明显优于其他形式的数学模型。     

考虑风电出力的电力系统短期负荷自动预测方法

利用目前方法预测电力系统短期负荷时,存在电力负荷预测误差大的问题,为此提出了考虑风电出力的电力系统短期负荷自动预测方法。由于风电出力具有不稳定性,所以该方法在预测负荷前先分析了风电出力特性,以此提升不同风电出力情况下的电力负荷预测效果。基于分析结果采集负荷数据,对相同时间下的负荷采集数据进行归类,以此为输入构建BP神经网络预测模型,利用预测模型对归类数据进行处理,最终利用该模型实现电力系统短期负荷的预测。实验结果表明,所提方法的短期负荷预测有效性强、预测精度高。     

径向基神经网络无偏灰色瓦斯涌出量预测

利用径向基神经网络纠正无偏灰色预测残差,构建了一种径向基无偏灰色组合模型,并利用该组合模型对某矿山瓦斯相对涌出量进行实验仿真。结果表明,该组合模型预测与无偏灰色模型相比,平均绝对误差比RBF神经网络增高,且不受数据波动性影响,能够更好地反映矿山瓦斯相对涌出量的规律,预测准确、可靠。     

岩石巷道爆破效果预测及应用效果实践研究

为更准确地预测岩石巷道的爆破效果,以提高爆破效率和降低生产成本,基于随机森林方法确定了影响爆破效果的6个关键因素：总装药量、断面面积、炮眼深度、掏槽眼装药量、辅助眼装药量、周边眼装药量,构建基于网格搜索法-支持向量机回归预测模型,以平均绝对误差和相关系数为评价指标,预测炸药单耗。建立了径向基核函数、多项式核函数和线性核函数三种核函数的支持向量机模型,并采用随机森林回归算法作为对照组。结果表明,SVR-Rbf组表现最好,在数据库和顾北煤矿实际案例的预测中相关系数均达到0.95左右,平均绝对误差也至少比其他组小一倍左右,并将最优模型应用于顾北矿岩石巷道爆破炸药单耗预测,效果良好,表明建立的Grid Search CV-SVM预测模型是预测岩石巷道爆破效果有效方法。     

径向基函数网络在选矿工艺上的应用

对径向基函数网络的结构及其特性作了分析,并就工程实例进行了应用,指出径向基函数网络是进行回归分析的理想工具。     

基于径向基神经网络的液压支架前连杆可靠性评估研究

为了解决液压支架前连杆可靠性评估困难的问题,提出了一种基于径向基神经网络的液压支架前连杆可靠性评估的方法。首先使用ANSYS参数化语言APDL对液压支架前连杆进行静力分析,确定与前连杆可靠性相关的设计变量;再使用ANSYS/PDS模块结合拉丁超立方抽样法对前连杆进行可靠性分析,获取多组前连杆不同设计变量的可靠度;最后使用径向基(RBF)神经网络拟合设计变量与可靠性之间的函数关系,建立前连杆可靠性评估模型,预测前连杆的可靠度。计算结果表明,前连杆可靠度计算结果的最大相对误差为4.46%,最小误差为1.59%。证明了径向基神经网络应用于液压支架前连杆可靠性评估的可行性,为液压支架前连杆可靠性评估提供了新的方法与思路。     

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。     

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。     

RBF神经网络在往复泵故障诊断中的应用

论述了RBF神经网络的基本网络结构和网络的学习及运行过程,结果表明:RBF神经网络具有极快的学习收敛速度。讨论了RBF神经网络在往复泵故障诊断中的应用,并对训练后的网络进行了仿真测试,仿真结果表明RBF网络有较高诊断正确率。     

基于神经网络的提升机减速器工况预测研究

针对传统监测方法无法实现提升机减速器工况预测的缺点,利用Matlab神经网络工具箱建立了提升机减速器工况参数的预测模型。对比模型预测值和实际测量值表明:BF和RBF神经网络模型预测结果和实际值的误差均小于10%,证明了神经网络模型用于减速器工况预测的可行性。对比BP和RBF神经网络预测结果,表明RBF神经网络模型训练时间短,预测精度高,更加适用于井下提升机减速器工况参数预测。     

基于RBF-FCM-OLS的边坡稳定性评价方法

RBF神经网络具有很强的非线性并行处理能力和泛化能力,并且有很快的学习收敛速度,不易陷入局部极小,在边坡稳定性评价中已得到广泛的应用.但其过分依赖于隐含层数据中心的选取是否合适,故引入模糊-C均值聚类(FCM)算法对其进行优化.以122组边坡样本作为样本总体,其中1～114组为训练样本,115～122组为测试样本,运用FCM算法在边坡训练样本中初选多个RBF网络的数据中心,在此基础上运用正交最小二乘法(OLS)训练网络,利用训练后得到的回归矩阵信息在初选结果中重新选择RBF网络的数据中心,从而使数据中心得到优化,简化了RBF神经网络的结构.将优化后的RBF神经网络应用到边坡测试样本的安全系数的预测中,得到较高的预测精度.该方法加快了RBF神经网络的训练速度,提高了运算速率,与传统的BP网络进行比较,进一步证明RBF及其学习算法的优越性和实用性.     

基于模糊神经网络的往复压缩机的性能预测研究

为了能够准确地预测出离心泵的性能参数值,利用了径向基函数神经网络(RBF)建立对其进行性能预测的神经网络模型,可以研究离心泵的流量,叶片出口安装角,压力比和效率之间的神经网络与预测关系。利用MATLBA软件实现了RBF神经计算,分别对离心泵的压力比和效率进行了性能预测,预测效果表明,RBF神经网络的计算模型可以提高预测效率和预测精度。     

基于W-RBF的瓦斯时间序列预测方法

对煤矿监测监控系统采集到的瓦斯历史数据进行特征分析,通过小数据量法判定瓦斯时间序列为混沌时间序列.利用混沌时间序列的特性确定RBF神经网络的输入节点个数.提出了基于W-RBF的瓦斯时间序列预测方法.该方法将小波的多分辨率特性与RBF神经网络相结合,以提高预测精度.仿真结果表明,该方法不仅能预测出瓦斯时间序列的变化趋势,还可以保证预测值的精度,预测值与真实值对比,绝对误差最大为0.1%,且92个采样点的预测值与真实值相一致.     

基于多RBF神经网络的板形数据建模

常规单RBF神经网络板形识别模型不能全面分离出输入变化对每个特征参数的影响, 为此设计了多RBF神经网络板形识别模型, 用多个子网络分别识别不同的特征参数, 能够更直接、更充分的提取出输入与每个输出的关系。仿真研究结果表明: 所设计的多RBF神经网络板形识别模型能够正确识别出全部板形缺陷的类型, 并且识别精度上比单RBF神经网络板形识别模型提高了16.1%。     

基于RBF神经网络的露天矿爆破效果预测研究

露天矿爆破是一个受诸多因素共同影响的系统工程,是露天开采的重要环节之一,其爆破效果的优劣直接影响后续工序的完成。提高爆破技术水平和爆破质量,对矿山安全和生产具有重要的意义。本文通过随机森林选择影响爆破效果的主要参数,结合模糊评价确定爆破综合效果,建立了RBF神经网络爆破效果预测模型。将该模型应用于矿山爆破效果预测中,并将爆破现场实测的11组数据作为模型训练样本,另外5组现场数据作为预测样本进行测试,通过与BP神经网络比较,发现RBF神经网络的预测性能更为优越,可广泛应用于现场实践中。     

基于MATLAB的DTⅡ型带式输送机计算机辅助设计系统

开发了基于MATLAB环境的DTⅡ型固定式带式输送机计算机辅助设计系统,提出RBF神经网络对参数智能选择的方法,提高了系统的设计计算能力和对数据的处理能力。