改进的卡尔曼滤波方法在矿区变形数据处理中的应用

针对卡尔曼滤波方法在处理矿区变形数据中的跟踪能力不强、滤波结果与相对真实值有一定误差的缺点,提出一种基于BP神经网络改进的卡尔曼滤波方法,对滤波结果进行校正,从而增强卡尔曼滤波的跟踪能力,使滤波结果更加接近相对真实值.通过实例计算和分析,修正结果的精度与标准的卡尔曼滤波模型和自适应卡尔曼滤波模型的滤波精度相比得到了很大提高,为高精度的变形预报预警提供了有利条件.     

基于遗传BP神经网络模型的矿区开采沉陷预计

为解决常规方法监测矿区开采沉陷的可控性、可操作性差及精度低等问题,采用BP神经网络模型拟合矿区高程值对开采沉陷进行预计是一种有效方法。但传统BP神经网络模型为反向传播算法,在训练时需多次试算方可确定神经网络系统的连接权值和阈值,具有易陷入局部最小值、收敛慢等不足。为此,采用遗传算法（Genetic algorithm,GA）对BP神经网络模型参数进行优化以提高其泛化能力,构建了遗传BP神经网络模型（GA-BP）。以某矿区首采工作面地表25个已进行了三等水准联测的高程监测点数据作为遗传BP神经网络模型（GA-BP）的训练样本（15个监测点数据）和测试样本（其余10个监测点数据）,分别采用BP神经网络模型、二次曲面拟合等方法与其进行试验对比,结果显示：遗传BP神经网络模型（GA-BP）具有更高的内、外符合精度及更小的残差,表明该方法有助于实现对矿区开采沉陷的高精度预计。     

矿区变形监测的作业方法探析

针对矿区变形监测中存在的问题,论述了GPS变形监测方法;按照变形监测精度等级及周期要求,阐述了变形监测等级和应达到的技术指标;工作基点的选择与埋设;工作基点、水准观测点的外业观测和内业计算方法,提出了变形监测的技术设计方案。     

紧邻露天矿的地表移动变形神经网络预测

紧邻露天矿边坡的地表受采剥过程中多种因素耦合的影响,出现移动变形,从而威胁到了毗邻露天矿的工业及民用建筑物的安全使用,为了预测其变形值,通过建立增加动量项的自适应BP神经网络,借助已有样本数据,对网络进行训练、测试,经与目标值对比,其精确度较高。将训练好的网络应用于观测网络的测点预测,得到了其2013年的沉降变形值。该方法对多因素耦合作用的地表沉陷预计具有重要意义。     

InSAR技术在矿区地表变形监测中的应用

以禹州市梁北矿为研究区,利用2018年11月—2020年6月间35景5 m×20 m分辨率Sentinel-1A数据,采用InSAR技术,利用SBAS（短基线集InSAR）雷达干涉测量方法对梁北矿进行地面沉降信息提取解译,并通过实地调查成果认为,采用InSAR技术适合在矿区开展地表变形监测。     

基于时序DInSAR的矿区地表沉降监测

为了获取长时间序列的矿区形变情况,利用13景Radar SAT-2影像数据,基于时序累积DIn SAR技术监测矿区开采沉陷,分析矿区地表动态沉降过程,提取下沉值并与水准实测数据进行对比。结果表明,该方法监测的下沉区域和范围与实际相符,其监测结果可靠,标准差为2.3 cm,为实现长时间序列、大范围的形变监测提供了技术手段。     

GRNN神经网络在矿区地表变形预测中的应用

针对矿区地表变形预测受多种因素影响的复杂性、非线性等特点,基于新型广义回归神经网络（GRNN）,构建了矿区地表变形预测模型。首先,介绍了GRNN的建模原理,并对影响GRNN网络预测的关键因素进行了讨论;其次,为了提高网络的泛化能力及预测精度,采用滚动建模方式对网络进行建模训练,并基于最小均方误差原理提出了交叉验证搜索算法对GRNN网络预测关键参数平滑因子SPREAD进行优选;最后,将优化后的GRNN网络应用于某矿区地表变形预测,并与LM-BP、RBF、回归分析3种模型的预测效果进行了比较,结果表明,GRNN网络泛化能力强、算法稳定,且预测精度较高,适合于矿区地表变形预测。     

基于TerraSAR-X数据监测矿区地表沉陷

采用TerraSAR-X数据,运用GAMMA软件进行D-INSAR二轨法数据处理,获得某矿区工作面地表下沉数据,绘制出相应的下沉盆地,对比实测数据,研究得出:矿区D-INSAR监测下沉值曲线与水准实测下沉值曲线在走势上一致,得到了两者差值和点位距离地表最大下沉点距离之间的变化规律;尝试性的给出了改正公式;改正效果满足地表形变监测的需要。     

基于小波变换的矿区地表变形监测数据处理

文中就目前矿区地表变形分析存在的一些不足之处,提出采用小波变换进行数据降噪处理,使数据达到平滑;同时利用小波变换对形变大的图像进行降噪、压缩处理,在此基础上对矿区地表变形监测数据进行特征提取。并且给出了某煤矿的变形监测数据的处理情况,论证了小波变换在矿区地表变形分析上的可行性。     

基于中位数回归分析的矿区变形监测数据处理

经典的一元和多元线性回归模型多采用最小二乘方法进行参数解算,但最小二乘估计无抗差能力,遇到异常值干扰易导致参数估值出现偏差。为提高回归分析方法的抗差性,将中位数引入回归分析方法中,提出了一种基于中位数的回归分析方法。详细分析了回归分析的相关理论以及基于中位数的回归分析方法的基本原理;以淮北某矿区建筑物的实际变形监测数据为例,分别对变形监测数据进行了最小二乘回归分析、抗差最小二乘回归分析以及中位数回归分析,并对其拟合及预测效果进行了对比。结果表明：观测量受到粗差污染时,中位数回归分析方法可有效抵抗异常值的影响,拟合效果及预计结果均优于其他2种方法,对于提高矿区变形监测数据的处理精度及效率有一定的参考价值。     

灰色神经网络组合模型在变形监测数据分析中的应用

针对基坑变形预测中数据的灰色性和非线性的特点,提出用灰色神经网络组合模型预测基坑变形的新方法.该文将灰色模型与神经网络模型并联构成组合预测模型,融合二者的优点,并结合实例,将灰色模型、神经网络模型和灰色神经网络组合模型的预测结果进行对比分析.结果表明:灰色神经网络组合模型的预测结果更精确,对变形监测的生产实践具有一定的参考意义.     

矿区GPS变形监测

对矿区GPS变形监测网的建立、实时控制、基线平差、变形分析及分形特征等问题进行了探讨。经过对GPS实时监测变形数据分析可知，地表点的移动具有较强的增长规律，GPS变形监测技术能够揭示地表移动的非线性特征，为变形分析与预测提供了新的途径。     

基于神经网络的综采设备配套专家系统研究

对基于神经网络的综采配套专家系统进行了研究,给出了具体处理方法。在此基础上建立了工作面生产能力预测BP神经网络模型和综采工作面设备参数神经网络预测模型,并采用上述模型对济二号煤矿试验工作面的产量、工效和综机设备主要技术参数进行了预测。     

矿区GPS高程异常相关向量机拟合模型

为提高GPS高程异常拟合的精度及可靠性,基于相关向量机模型（Relevance vector machine,RVM）,提出了一种稀疏化概率式的GPS高程异常SVM拟合模型。以柯西核函数与交叉验证法构建相关向量机,并推导了置信区间的估计公式。以某矿区GPS高程控制网为例,构建了基于相关向量机的高程异常拟合模型,并与多项式拟合、BP神经网络和遗传最小二乘支持向量机进行精度对比,通过置信区间估计,评价拟合结果的可靠性。试验结果表明：①相关向量机的平均绝对误差 （Mean absolute error,MAE）、平均绝对百分误差（Mean absolute percentage error,MAPE）、均方根误差（Root mean square error,RMSE）等精度指标均较大幅度优于多项式、BP神经网络和遗传最小二乘支持向量机;②测试数据集的实测高程异常均在相关向量机估计的置信区间内。上述试验结果进一步表明：相关向量机是一种精度及可靠性高的矿区GPS高程异常拟合方法,对于快速测定矿区正常高有一定的参考价值。     

基于BP神经网络的地表沉降预测模型

简述了人工神经网络的基本原理,通过实例建立了时间序列BP网络模型,并利用已有观测数据对网络进行了训练和测试,经过与实测值进行对比回归分析,证明了该网络的有效性和精确性,可作为一种预测方法对地表沉降做出预测。     

基于三维激光扫描技术的矿区建筑物变形监测方法

传统变形监测方法存在工作量大、监测点难以保护、监测时间长等不足,与传统监测方法相比,三维激光扫描技术具有非接触、高密度、高精度、信息量大、快速获取物体表面三维空间坐标等优点。结合相似材料模型试验,提出了基于三维激光扫描技术的矿区建筑物变形监测思路。首先采用全站式三维激光扫描仪分别对二维相似材料模型在5个不同开采时段进行整体扫描,将扫描数据通过点云数据后处理软件进行预处理,从中提取模型上黑白靶标即变形监测点的三维坐标;然后结合MATLAB语言编程,实现监测点由假定坐标到目标坐标的自动化转换,提高点云数据处理效率;最后根据试验得出的变形监测思路,对某矿区水塔进行了变形监测,并与全站仪的监测数据进行了对比分析。研究表明:采用三维激光扫描技术获取的水塔变形监测数据与全站仪获取的监测数据的最大误差仅为1.8 mm,远小于沉降变形监测10 mm的精度要求,可见对矿区建筑物采用三维激光扫描技术进行变形监测具有可行性。     

基于遗传BP神经网络的变形数据分析处理

基于遗传算法的全局寻优特性和BP算法无法避免局部极小的问题。为变形数据的分析预测提出了改进的BP网络．即首先应用遗传算法优化网络的初始权重，然后再利用BP算法最终完成网络训练。实例分析表明，改进后的BP网络的训练次数和最终权值相对稳定，该方法在变形数据预测的精度、速度和稳健性等方面都优于BP网络。     

改进型BP神经网络在矿用感应电机速度控制中的应用

针对传统BP神经网络的不足,提出一种改进型神经网络速度控制器,并且应用于矿用电机矢量控制系统。为提高系统的鲁棒性,采用了在线辨识技术,对参数的变化实时补偿。仿真结果表明,这种基于改进型BP神经网络组成的感应电机速度矢量控制系统具有较好的实时控制性能和鲁棒性。