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。     

粒子群算法优化BP神经网络在边坡稳定性中的应用

影响边坡稳定的因素繁杂多变,给边坡的稳定性评价与预测带来了困难,神经网络能够通过自学功能从样本数据中获取复杂的非线性关系,适用于解决边坡稳定性评价问题.因此,通过 Python语言建立了 BP神经网络模型,在此基础上借助粒子群算法提高模型的收敛速度与预测精度,建立了基于粒子群算法优化 BP神经网络实现边坡形变数据的分析预测模型,选取边坡土体的容重、黏聚力和内摩擦角等６个主要影响因素作为评判边坡稳定性的指标,将神经网络模型得到的预测结果与实际数据进行对比,结果表明利用粒子群算法优化后得到的预测值误差更小,验证了该模型的合理性和有效性.     

煤层底板导水破坏深度的灰色BP神经网络预算模型

在综合分析影响煤层底板导水破坏深度因素的基础上,应用灰色关联理论筛选预测指标,建立底板破坏深度的灰色BP神经网络计算模型。该模型采用全国典型突水范例和实测数据作为训练样本和测试样本,对实测值、BP和灰色BP神经网络模型计算值进行对比分析。实例分析表明:应用灰色理论筛选指标考虑因素更加全面,结合神经网络预算结果更为接近实际,该模型为承压水上安全采煤提供了科学依据。     

改进的BP神经网络在边坡稳定性评价中的应用

本文利用人工神经网络的非线性映射能力,在考虑影响边坡稳定性的各种因素的基础上建立了边坡稳定性评价的BP神经网络模型。经过计算结果的检验,证明该模型是可行的,对今后边坡稳定性预测具有借鉴意义。     

露天矿最终边坡角的BP神经网络预测及数值模拟验证

利用专家调查表的方式分析露天矿山边坡稳定性的主要影响因素,确定网络模型的输入层神经元。研究BP神经网络的结构和输出方式,对神经网络模型进行优化,并收集大量矿山稳定边坡的相关参数作为样本库,建立神经网络预测模型,将该模型用于某大型深凹露天矿山最终边坡角的预测。根据预测边坡角参数,采用SURPAC—MIDAS—FLAC3D多软件组合的方式,创建逼真的矿山边坡稳定性三维数值计算模型并进行模拟分析,结果表明,模型预测的边坡角满足设计要求。     

基于PSO-BP神经网络的边坡稳定性模型研究

为了对边坡的稳定性进行分析,以黏聚力、内摩擦角、边坡倾角、坡体的容重、边坡高度、孔隙压力比6个主要影响因素作为边坡稳定性的判别指标,利用粒子群算法优化BP神经网络的权值和阀值,建立边坡稳定性的PSO-BP模型,并对5个边坡的稳定性进行分析,预测的平均误差达到1.98%,预测效果较好。结果表明,PSO-BP神经网络模型较传统的BP神经网络模型精度更高,收敛速度更快。     

BP神经网络在边坡稳定性预测中的应用

对BP神经网络的基本知识进行了简单介绍,并以BP神经网络为基础建立了边坡稳定性预测的数学模型,利用MATLAB的神经网络工具箱模拟了边坡稳定性的预测,结合收集到的边坡实例进行训练。结果表明,BP神经网络对边坡稳定性预测结果与实际符合,能够满足工程需要。表明应用BP神经网络进行边坡稳定性的预测是可行的。     

人工神经网络在边坡稳定性预测中的应用

对人工神经网络及BP神经网络的基本知识进行了介绍,并以BP神经网络为基础建立了边坡稳定性预测的数学模型,利用MATLAB的神经网络工具箱实现了边坡稳定性的预测,通过收集到的边坡实例进行训练。结果表明,利用BP神经网络对边坡稳定性进行预测,预测结果与实际相吻合,能够满足工程需要,说明应用BP神经网络进行边坡稳定性的预测是可行的。     

PCA和GA-BP神经网络在边坡稳定性预测中的应用

针对现有边坡稳定性预测模型存在的不稳定性和精度不高的问题,采用主成分分析方法 PCA和遗传算法GA对传统BP神经网络模型进行优化。PCA方法将露天矿边坡稳定性的6个评价指标转换为4个主成分,作为BP神经网络的输入变量;遗传算法对神经网络的初始权阈值进行了筛选优化。经优化后的模型既减少了神经网络的输入变量,提高了学习训练效率,又使得传统BP神经网络模型的精度大大提高。最后将PCA-GA-BP模型、GA-BP模型和传统BP模型得到的预测结果进行对比和误差分析。结果表明,基于PCA-GA-BP神经网络模型的预测精度较好,对露天矿边坡稳定性的预测具有一定的参考价值。     

用L-M法改进的BP神经网络评价边坡稳定性

根据人工神经网络理论,采用L-M算法,对BP神经网络的性能进行改进,建立了边坡稳定性评价模型,并在MATLAB下运行实现。通过对检验样本的预测,验证了模型的可靠性,进而应用此模型对一露天矿边坡进行稳定性评价,并与简化毕肖普方法进行了比较。计算分析表明,基于L-M算法改进的BP神经网络收敛速度快、计算精度高、泛化能力强,可以作为评价边坡稳定性的一种方法。     

基于灰色理论的小波神经网络对瓦斯涌出量的预测

将灰色理论引入到收敛速度快、预测精度高的小波神经网络，使灰色理论和小波神经网络有机地结合起来，建立了瓦斯涌出量的预测新模型，经训练和实验结果表明，该方法对所预测的结果比较理想，能够达到准确指导实践的要求.     

一种边坡稳定性多参量辨识模型及应用

为实现对边坡稳定性高效、快速和准确的评价,考虑影响边坡稳定性多种参量指标,其参量指标间存在一定多元共线性,导致边坡稳定性评价存在一定偏差。引入一种主元分析(PCA)对影响边坡稳定性指标变量去相关和降维化,通过提取3个主元综合得分对边坡稳定性进行评价,经主元分析后的各指标相互独立,能够较好地满足径向基神经网络(RBFNN)中高斯分布要求。在主元分析基础上,建立边坡稳定性评价RBFNN模型,并将其应用到我国32组典型边坡实测数据中,仿真结果表明：6种不同学习情况下,主元分析-RBFNN模型的误判率分别为6.25%、6.25%、6.25%、9.38%、15.62%和15.62%,同时对模型可能存在的一些问题进行了讨论和检验。说明主元分析-RBFNN模型可为边坡稳定性评价提供一种新思路。     

基于AdaBoost卷积神经网络的矿山边坡稳定性预测

为了准确快速地分析露天矿边坡的稳定性,本文提出 Adaboost卷积神经网络（Adaboost-CNN）建立露天矿边坡稳定性和影响因素之间的非线性关系。Adaboost-CNN是结合自适应Boosting算法(Adaboost)和卷积神经网络（CNN）的一种新的机器学习方法。其核心思想是将CNN的特征提取能力和AdaBoost处理非平衡数据的能力结合起来,具有高可靠性、高精度性、训练时间少等优点。Adaboost-CNN利用迁移学习,不仅消除了传统CNN需要大量训练样本的限制,而且解决了AdaBoost算法序列化过程中存在着的降低实际性能的问题。本文分别采用BP神经网络、支持向量机（SVM）、卷积神经网络以及Adaboost-CNN对工程实测数据进行建模与分析,通过对比均方根误差(RMSE)和相对预测误差（RPE）,发现Adaboost-CNN的预测精度最高、模型泛化能力最强。结果表明,Adaboost-CNN能够较精确对边坡的稳定性进行预测,是边坡稳定性预测的可靠性工具     

基于BP神经网络的炼焦煤质量预测研究

焦炭的质量对高炉冶炼的生产有着重要的影响,为了解决焦炭质量预测问题,提出了基于BP神经网络的质量预测算法,文中详细阐述了该模型的建立过程和实现方法,同时也给出了在进行模型处理的时候数据预处理的方法。利用人工神经网络对非线性问题的模拟能力,构建了焦炭质量预测模型,测试结果表明在100组不同类型的焦炭质量预测分析中,质量预测的精度达到了95%。     

基于人工神经网络的变压器温升预测应用研究

文章详细介绍了BP神经网络模型和算法 ,建立了变压器绕组温度预测和人工神经元网络BP模型 ,并验证了其可行性和优越性。     

煤矿重大危险源BP网络评价方法的探讨

该文借鉴煤矿重大危险源的传统标准评价体系基础上,尝试性地建立煤矿重大危险源的动态BP网络评价模型,并且探索性地针对贵州省煤矿区域特点,建立和应用BP神经网络评价框架方法,以达到预期的评价目的和效果。     

基于遗传算法和模糊神经网络的矿区GPS高程转换

基于模糊神经网络和遗传算法的原理,确定了矿区GPS高程转换的遗传算法-模糊神经网络模型,研究了遗传-模糊神经网络、二次曲面拟合和 BP 神经网络3种模型在CPS高程转换中的应用.结果表明:遗传-模糊神经网络模型拟合数据的精度更高、网络性能更稳定,有效的避免了局部极值的问题,可以用于GPS高程转换.     

边坡稳定性预测的Fisher判别分析模型

将Fisher判别分析法应用于边坡稳定性预测问题中,建立了边坡稳定性预测的Fisher判别分析模型,选取岩石重度、粘聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6项指标作为Fisher判别分析模型的判别因子,以边坡工程实测数据作为学习样本进行训练,建立相应的判别函数对待判样本进行分类。研究结果表明Fisher判别分析模型分类性能良好,预测精度高,回判估计的误判率很低,是边坡稳定性预测的一种有效方法,可以在实际工程中进行推广。