基于组合模型的矿山设备产量预测研究

鉴于矿山设备产量具有灰色和不确定性的特征,本文利用矿山设备产量的历史数据,建立了基于灰色和BP神经网络的组合预测模型。组合预测模型中各单一模型的权系数通过熵值法确定,克服了传统权系数确定方法的主观性,使得组合预测方法更具客观性最后,实例验证了所构建的组合模型较传统的单一预测模型有良好的预测效果。     

基于灰色神经网络组合模型的煤矿能耗预测研究

针对传统煤矿电能消耗预测模型可靠性和精度低等问题,提出了一种基于灰色神经网络组合模型的煤矿能耗预测方法,该方法将灰色预测模型和BP神经网络有效组合,充分利用2个模型的优点。首先介绍了灰色预测模型和神经网络预测模型的基本原理;其次根据煤矿能耗预测的数据特性,将灰色预测和神经网络预测进行组合,得到一种灰色神经网路组合预测模型;最后,通过仿真验证了所提方法的可行性和有效性,为煤矿能耗预测提供了新的理论依据。     

基于ARMA-BP变异系数组合模型的矿山沉陷预计

针对单项非线性预测模型预测矿山开采地表沉陷精度低、稳定性差的问题,采用变异系数法组合互补性好的ARMA模型与BP神经网络模型,实验结果:预计值均方根误差为3. 2,平均相对误差0. 11%,结果表明组合模型在精度和稳定性方面具有较大优势。     

改进GWO-BP算法的概率积分法预计参数求取

针对BP神经网络模型在求取概率积分法预计参数时的缺陷,提出了一种基于改进灰狼优化算法(GWO)的BP神经网络参数预测模型。主要通过对灰狼算法的收敛因子a进行非线性收敛的改进,再利用粒子群算法(PSO)的速度更新公式更新搜索灰狼搜索位置。用改进的灰狼优化算法对BP神经网络的初始权值和阈值进行优化,然后利用最优的初始权值和阈值对模型进行训练和预测,从而得到概率积分法参数的预测结果。结果显示经过改进的灰狼算法优化BP神经网络的参数预测结果明显优于单一的BP神经网络模型和不改进的灰狼算法优化BP神经网络模型的预测结果,可以在矿区开采沉陷预计方面得到应用。     

煤矿系统安全预测模型与组合预测

为了解煤矿安全预测本质,正确有效地预测煤矿系统的安全状况,基于目前煤矿安全研究现状和手段,从煤矿系统安全预测的内在规律性、有效时间长度及有效性等方面进行了多角度研究,总结出煤矿系统安全预测的本质特征,并研究了安全预测的建模过程.在此基础上,提出了提高预测质量的方法,阐述了组合预测法,最后结合实例,建立了煤矿系统安全预测系统.研究结果表明,采用灰色预测法与自回归法相结合的组合预测模型、自回归法与BP神经网络相结合的非线性组合预测模型均有较高的精度,且非线性组合要好于线性组合.非线性组合预测模型克服了单一预测模型的缺点,解决了由于系统状态安全指标数量随机变动而造成的预测困难.     

基于Adaboost的改进BP神经网络地表沉陷预测

BP神经网络可以解决地表沉陷等非线性关系问题,为了更精确地进行地表沉陷变形预测,引入Adaboost算法对BP神经网络进行改进,并运用Matlab R2014a建立基于Adaboost的BP神经网络地表沉陷预测模型。首先通过BP神经网络进行训练、测试,经过多次迭代,将每个BP神经网络作为一个弱预测器加权组合,形成强预测器,并首次对青岛地铁3号线保河区间隧道进行地表下沉值预测。预测结果表明:Adaboost的BP神经网络预测下沉值的平均绝对误差为0.585 3 mm,平均相对误差为5.82%,与BP神经网络预测相比,绝对误差降低了2.594 7 mm,相对误差降低了27.46%,由此表明Adaboost的BP神经网络适用于地表沉陷预测,且预测精度更高。     

基于Adaboost-PSO-BP模型的开采沉陷预测研究

针对开采沉陷量与多影响因素复杂非线性关系问题，提出了基于粒子群算法优化BP神经网络的Adaboost强预测模型(Adaboost-PSO-BP模型)。预测结果表明，与BP模型、Adaboost-BP模型和PSO-BP模型相比，Adaboost-PSO-BP模型提高了预测精度，平均相对误差值优化到4.26%|该模型融合了Adaboost算法侧重预测误差大的样本和粒子群算法优化神经网络权值及阈值的特点，实现了强预测器“优中选优”的目的，在开采沉陷预测中具有可行性。     

某基坑变形的综合预测模型

在分析BP神经网络和灰色模型群的变形预测基本原理的基础上,以某基坑为例,分别构建了基于BP神经网络的预测模型、基于灰色模型群的预测模型以及基于BP神经网络模型和灰色模型群的综合预测模型,预测了该基坑开挖过程中产生的变形值。研究表明:综合预测模型的预测精度优于其余两类模型,对于提高基坑的变形预计精度有一定的参考价值。     

基于FA-BP神经网络的巷道位移预测研究

针对传统位移预测算法求解巷道位移时预测精度不佳且误差大等问题，建立萤火虫算法（FA）优化BP神经网络的预测模型，解决了BP神经网络初始权值和阈值难以确定、预测模型参数局部最优及预测精度不佳等问题。以锦丰金矿30中段巷道为研究对象，利用巷道顶板和两帮的位移监测数据进行预测分析，并采用BP神经网络模型与FA-BP神经网络模型进行比较。研究结果表明：FA-BP神经网络模型的平均相对误差分别为0.15%和0.13%,BP神经网络模型分别为-2.02%和0.87%，说明FA-BP神经网络模型具有更好的预测精度。     

玲珑金矿开采沉陷动态预计

文中采用多项式拟合、灰色模型、时间序列AR模型、BP神经网络模型预计了山东黄金玲珑金矿的开采沉陷趋势,并将各模型预测值与观测值比较,验证了各模型在预测地表动态移动的有效性;通过使用与开采沉陷趋势相适宜的模型,为矿山安全生产提供有力的科学支撑。     

矿山大型设备更新期预测系统设计与开发

针对矿山大型设备更新期确定难的问题,论文首先阐述了确定矿山设备更新期的依据,然后介绍了采用灰色系统模型和BP人工神经网络模型来建立具有一定普遍性灰色-BP神经网络组合预测模型,并且表达了组合模型预测设备更新期的过程,最后介绍了利用VC++作为前台开发语言,Access作为后台数据库建立的设备更新期预测系统,且重点阐述了该系统的设计思想及主要模块的实现方法,既验证了模型的可靠性,又显示了预测趋势,使预测结果更加直观。     

基于灰色—BP神经网络组合模型的边坡稳定性预报方法

在前人研究成果的基础上,研究BP神经网络模型和灰色系统理论的原理,依据它们的适用条件及优缺点,对同一已知边坡取不同样本区间建立GM(1,1)模型,得到不同的预测结果。将多个灰色预测的结果作为输入变量,使用BP神经网络进行组合,输出组合预测结果。提出基于灰色神经网络范例推理的边坡稳定性评价方法,针对边坡稳定性影响因素的复杂多变性和相当强的不确定性,建立了边坡范例检索模型。通过对边坡稳定性因素的灰色模型预处理,以及边坡范例的神经网络学习,最终实现边坡稳定性评价。     

基于熵权的灰色沉降组合预测模型及应用

基于"组合预测"思想,提出了一种对多种常用预测模型进行熵权法计算权重的组合预测方法,从而可根据有限的沉降实测数据预测沉降发展。工程实例分析表明,基于熵权的灰色沉降组合预测模型能够充分挖掘各模型的有用信息,大大提高了预测精度。     

果蝇算法融合SVM的开采沉陷预测模型

针对目前开采沉陷预计方法的种种缺陷,提出了一种新的预计方法。将果蝇优化算法(FOA)与支持向量机(SVM)相结合,建立FOA-SVM预测模型。选取煤层倾角、采厚、平均采深等参数作为模型的输入参数,最大下沉量作为模型的输出参数。选取训练集样本,应用FOA对SVM的参数进行寻优,确定最佳的SVM参数。采用预测集样本对该预测模型进行检验,同时将该模型预测性能与其他预测模型进行对比分析。结果表明:与GA-SVM模型、PSO-SVM模型和神经网络预测模型相比,该模型具有更高的预测能力和泛化能力,可以较好地实现对开采沉陷的预测。     

灰色系统理论与GA-BP网络模型在导高控制和预测中的应用

利用灰色系统理论对各主要地质采矿因素与导水裂隙带发育高度关联度计算排序,得到影响因素的主次顺序,分别建立了BP神经网络和基于遗传算法优化的BP神经网络预测模型,将2种模型预测结果与实测结果对比分析。     

基于组合权重的地表下沉系数预测分析

地表下沉系数是地表沉陷预计中的重要参数,其取值的精度会对沉陷预计结果产生直接的影响,由于煤矿开采地表下沉系数影响因素众多且因素间存在着不确定性和非线性等复杂关系,从而导致地表下沉系数预测工作极为困难。为解决地表下沉系数难以准确预测的问题并提高预测精度,根据国内35个矿区的实测地表移动观测站数据,构建地表下沉系数预测模型。选取开采厚度、煤层倾角、平均釆深、走向宽深比、倾向宽深比、推进速度、松散层厚度和覆岩平均坚固系数等8个影响因素,采用灰色关联度分析和主成分分析相结合的方法求取地表下沉系数影响因素的组合权重,根据组合权重对地表移动观测站数据中的地表下沉系数影响因素进行排序,获得影响地表下沉系数的主要影响因素,并将主要影响因素作为输入,地表下沉系数作为输入参数,进而提出一种地表下沉系数预测分析的BP神经网络模型。结果表明：松散层厚度、推进速度、平均采深和倾向宽深比的组合权重更大,是地表下沉系数的主要影响因素;由地表下沉系数主要影响因素建立的地表下沉系数BP神经网络预测模型的预测精度高,其绝对误差最小值为3.954%,最大值仅为-6.918%,平均相对误差可以达到7.179%,与实测值极其接...     

老采空区残余沉降的离散灰色预测模型

针对老采空区残余沉降序列波动性较大、传统灰色模型预测效果差的不足,建立了残余沉降的多变量离散灰色预测模型(DGM(2,2)),取阶次为2以适应残余沉降的波动变化,选择残余沉降值作为沉陷系统的主行为因子,而将空气、地下水等外界渐变因素对沉陷系统的综合影响作为相关因子,并按等时间影响原则进行量化。通过实例将DGM(2,2)模型的预测结果与6种传统灰色预测模型作对比分析。结果表明:DGM(2,2)预测模型在拟合优度、预测精度和稳定性等方面明显优于传统灰色预测模型,且建模过程避免了微分方程的解算,降低了计算复杂度。     

基于遗传算法改进BP网络的地表沉陷预计

本文采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络，即先用遗传学习算法进行全局训练，再用BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，将该方法应用于地表沉陷预计问题中。建立了采动地表沉陷的神经网络预计模型，利用矿区大量的地表沉陷实际观测数据样本对该神经网络进行训练和学习，并用该网络对几组数据进行采动地表沉陷预计。结果表明，该神经网络预计模型具有收敛速度快、预测精度高的优点，为采动地表沉陷预计提供了实用的方法。     

基于并联型灰色神经网络模型的隧道沉降量预测方法探讨

灰色预测方法和人工神经网络,在建筑物变形预测中有各自的优势和不足.为了提高预测精度,该文结合灰色GM(1,1)模型和BP神经网络模型的特点,构造并联型灰色神经网络模型(PGNN)对南京地铁隧道某监测点的沉降量进行预测.结果显示,PGNN的预测精度明显高于单一的灰色GM(1,1)模型和BP神经网络模型,证明了PGNN组合方法在地铁隧道沉降量预测中的有效性.     

基于灰色神经网络的边坡稳定性预报方法研究

本文在前人研究成果的基础上,研究了BP神经网络模型和灰色系统理论的原理,依据其适用条件及优缺点,对同一已知边坡取不同样本区间建立GM(1,1)模型,得到不同的预测结果。将多个灰色预测的结果作为输入变量使用BP人工神经网络进行组合,输出组合预测结果。提出了基于灰色神经网络范例推理的边坡稳定性评价方法,针对边坡的稳定性影响因素的复杂多变性和相当强的不确定性,建立了边坡范例检索模型,通过对边坡稳定性因素的灰色模型预处理,以及边坡范例的神经网络学习,最终实现了当前边坡的稳定性评价。