生物冶金氧化预处理过程温度预测研究

针对工业现场,尤其是高寒、高海拔地区受气候条件影响,温度变化剧烈,无法准确测量,难以建立精确的温度模型,进而影响生物冶金浸出率的问题,提出一种基于改进鲸鱼算法(EWOA)和核极端学习机(KELM)综合建模的方法。首先从工业现场采集100组实验数据,然后将前66组数据作为训练样本,后34组数据作为测试样本,最后分别采用KELM、WOA-KELM、EWOA-KELM方法建立氧化槽温度预测模型。研究结果表明,EWOA-KELM预测模型的平均绝对误差(MAE)、均方根误差(RMSE)和平均相对百分比误差(MAPE)均比其它几种预测模型的低。该模型具有更高的预测精度和更强的泛化能力,为测量氧化槽的温度变化情况提供了一种新的方法。     

基于PCA-FOA-GRNN的回采工作面瓦斯涌出量预测

回采工作面瓦斯涌出量受多种因素共同影响,很难用线性方法进行准确预测。广义回归神经网络(GRNN)是一种前馈神经网络,具有鲁棒性好和高容错率的优点,并且调节参数只有1个,因此,基于GRNN构建预测模型,运用改进的果蝇优化算法(FOA)对传统GRNN模型进行优化,应用主成分分析法(PCA)对样本数据进行降维简化处理,以减少次要因素对预测结果的干扰。选取晓明矿数据对模型进行验证,预测效果良好,其平均绝对误差为3.98%,低于传统GRNN模型的7.06%。     

基于改进果蝇优化GRNN的冲击地压预测研究

针对煤矿开采过程中非线性,强耦合性等特点所致的动力灾害难以预测的问题,选用一种新的线性生成机制(LGMS)改进果蝇算法(FOA)优化广义回归神经网络(GRNN)的方法,建立了冲击地压煤岩灾害预测模型。采用LGMS改进FOA,避免FOA优化GRNN时陷入局部最优,增强了其搜索全局最优解的能力,提高了GRNN的收敛性与和预测精度。选取冲击地压前的电磁辐射、声发射、红外辐射3个主要指标,根据3种指标的单项危险指数求得综合危险指数,构建冲击地压动力灾害预测的LGMSFOAGRNN模型。研究表明,所构建的LGMSFOA-GRNN模型具有很好的预测能力和泛化能力。     

基于GRNN模型的硫化矿石堆氧化自热温度预测

为得到硫化矿石堆氧化自热温度的变化规律,自主设计硫化矿石堆氧化自热模拟试验装置,以含硫量、矿石块度、升温梯度作为试验影响因素,将硫化矿石堆氧化自热温升速率作为试验判定指标,采用L9(34)正交表构造三因素三水平回归正交试验。运用MATLAB建立硫化矿石堆氧化自热温度的GRNN神经网络模型,通过K-折交叉验证优选得到GRNN神经网络的最佳光滑因子σe,并与RBF神经网络模型、灰色神经网络模型预测效果进行对比。结果表明：GRNN神经网络在小样本预测模型中网络逼近能力、收敛速度、算法稳定性等方面具有优势,对硫化矿石堆氧化自热温度的预测精度高,预测误差为3.51%。     

改进的粒子群支持向量机预测瓦斯涌出量

提出一种基于改进的粒子群参数优化的支持向量回归机算法(IPSO-SVR),该方法引入混沌映射及网格分区寻参思想,能避免粒子群算法(PSO)陷入局部最优解。使用IPSO-SVR算法建立瓦斯涌出量预测模型,结果表明基于IPSO算法寻优参数建立的瓦斯涌出量支持向量回归预测模型具有良好的预测效果。与粒子群优化参数的支持向量回归机(PSO-SVR)模型、广义回归神经网络(GRNN)模型进行比较,IPSO-SVR模型预测效果明显优于PSO-SVR和GRNN模型,可用于瓦斯涌出量的实际预测,表明所提出的IPSO算法是选取SVR参数的有效方法。     

基于改进广义回归神经网络的工作面低氧预测模型研究

为了更有效合理地解决煤矿工作面中低氧问题,以神东某煤矿工作面监测数据为样本, 考虑监测物理参数之间的相互影响关系,借助主成分分析法对广义回归神经网络(GRNN)进行 改进,构建工作面氧气浓度预测模型,编制改进的GRNN模型程序。 将预测氧气浓度结果与实测 数据对比,证明改进后的GRNN模型具有良好的拟合准确度和泛化能力,比改进前GRNN模型和 BP神经网络模型更适合于煤矿工作面低氧问题的预测;利用改进的GRNN模型分析了工作面 进、回风压力及进风温度对工作面及回风平巷氧浓度的影响,为矿井工作面低氧预测及工作面低 氧防治技术提供了参考。     

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。     

基于蚁群算法优化SVM的瓦斯涌出量预测

为了提高瓦斯涌出量预测的精度和预测模型的泛化能力,提出了一种基于蚁群算法(ACO)优化支持向量机(SVM)参数的瓦斯涌出量预测方法。在SVM所建立预测模型中各个参数的取值区间内,采用蚁群优化算法计算预测模型各个参数的最佳值,基于最佳参数的SVM建立瓦斯涌出量预测模型。结果表明:采用未优化的SVM建立的预测方法,其个别预测误差相对较大,最大误差为8.11%,平均误差为4.68%,采用ACO对于预测模型的参数进行优化后,预测性能有显著提高,最大误差为4.37%,平均误差为2.89%,表明所建议的方法是有效、可行的。     

MFOA-SVM在采煤工作面瓦斯涌出量预测中的应用

针对新安煤矿采煤工作面瓦斯涌出量系统时变非线性特点,建立改进果蝇算法(MFOA)支持向量机(SVM)预测模型。利用FOA具有运算简单、收敛速度快、寻优精度高等优势来优化SVM核函数参数g、惩罚因子c和不敏感损失函数ε,但FOA也存在可能陷入局部最优的不稳定缺陷,则嵌入三维搜索、混沌优化、自适应变步长和最优保留策略进行改进,并利用Rosenbrock测试函数和采煤工作面瓦斯涌出量历史数据进行试验分析,结果表明:该模型预测平均相对误差为2.16%,比其他预测模型具有更高的预测精度、更快的收敛速度、更强的泛化能力,具有一定的实际应用价值。     

基于RS-GWO-GRNN的充填管道失效风险研究

为克服充填管道失效风险评判指标间的复杂性,传统方法预测精度低及适用性差等缺陷,提出基于粗糙集(RS)和灰狼优化(GWO)算法融合广义回归神经网络(GRNN)的充填管道失效风险评价模型。选取10项风险评价指标,通过属性约简提取影响充填管道失效的主要风险因素,运用GWO优化GRNN的参数,构建预测模型,以国内某具体矿山充填系统为例进行实证研究,结果表明:与其它预测模型相比,RS-GWO-GRNN模型的预测精度更高,泛化能力更强,为充填管道失效风险研究提供了新思路,具有较好的借鉴意义。     

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。     

基于GA-PSO融合算法的开采沉陷Richards预计模型参数优化

在矿区开采地表沉降动态预计模型建立过程中,针对Richards时间函数模型参数在地质采矿条件复杂情况下难以一次性准确求取的问题,采用遗传粒子群(Genetic Algorithm and Particle Swarm Optimization,GA-PSO)融合算法对Richards模型参数进行动态修正,建立了一种基于...     

基于GA-GRNN的地表下沉系数预测方法研究

将遗传算法(GA)和广义回归神经网络(GRNN)方法进行融合,采用GA算法搜寻最优的GRNN光滑因子,简要分析了地表下沉系数的影响因素,建立了基于GA-GRNN的地表下沉系数预测模型。以我国典型观测站的数据资料作为学习和测试样本,将预测结果与实测值进行比较。结果表明:采用GA-GRNN模型预测地表下沉系数能够综合考虑诸多的地质采矿因素,预测结果与实测值得最大相对误差仅为5.44%,完全满足现场工程的需要,为今后预测地表下沉系数提出了一种新的方法。     

矿区边坡变形预测的IGM-LSSVM模型

由于监测环境恶劣,变形监测序列常伴有较大波动,针对灰色模型（gray model,GM）仅适用于分析指数型变形序列,且最小二乘支持向量机（least squares support vector machine,LSSVM）在进行变形预测时存在参数难以有效选取的问题,提出了一种改进的灰色最小二乘支持向量机变形预测模型（IGM-LSSVM）。将几何平均生成变换引入GM（1,1）模型,增强其输入样本的指数规律性,初步预测出变形值并计算残差;针对人工蜂群算法（artificial bee colnony,ABC）在优化LSSVM参数时易陷入局部极值的缺陷,引入Metropolis准则并为其设计了自适应降温函数,得到自适应Metropolis人工蜂群算法（adaptive metropolis artificial bee colnony,AMABC）;利用AMABC算法优化的LSSVM训练GM（1,1）模型得到的预测残差值补偿GM（1,1）模型,得到最终预测值。某矿区边坡变形预测表明：AMABC算法有效克服了ABC算法易陷入局部最优解的缺点,IGM-LSSVM、GM（1,1）、ABC-GM-LSSVM等模型预测的平均相对误差分别为1.223%,9.565％、3.200％,可见,IGM-LSSVM的预测精度相对于其余2种模型优势明显,对于实现矿区边坡变形高精度预测有一定的参考价值。     

基于GM(1,N)_GRNN组合模型的瓦斯涌出量预测研究

为解决瓦斯涌出量影响因素众多、难以准确预测的问题,本文利用多变量灰色系统易于处理不规则数据,GRNN神经网络模型训练速度快、人为干预因素少等优势,建立起1阶N变量灰色模型与GRNN神经网络嵌入型组合模型GM(1,N)_GRNN。用该模型对某煤矿回采工作面的瓦斯涌出量进行了预测,并与GM(1,N)模型、GRNN两种模型单独预测的结果做了对比,发现组合模型预测结果的平均误差仅3.7%,明显优于两种模型单独预测的平均误差。因此,对煤矿安全生产有重要指导意义。     

PSO优化算法在尾矿库空间预测中的应用

由于尾矿库的空间变异特殊性,传统的插值法预测精度不高,误差很大。为解决这一问题,考虑到粒子群算法在求解非线性问题时具有更强的全局搜索能力、并行性和多样性、适应性和自适应性,提出了一种基于粒子群算法优化Kriging模型来拟合尾矿库内部参数数据的克里格空间预测算法,旨在提高尾矿库内部参数信息的拟合精度,减少误差。为验证改进算法的有效性,采用多种预测评价指标进行分析,并与传统Kriging进行交叉验证分析,确定优化算法的可靠性。结果表明：相比于传统的加权最小二乘法拟合法,采用PSO算法拟合 Kriging 模型参数时,内摩擦角平均误差率降低了23.36%,黏聚力平均误差率降低了8.45%,证明算法可行和有效。     

一种新型煤矿底板破坏深度预测模型

为有效预防煤矿底板突水风险,在传统的粒子群优化算法中增加自适应权重,结合遗传算法的交叉、变异步骤改进传统的粒子群优化算法,并用其优化SVM模型,建立改进的GA-PSO-SVM煤矿底板破坏深度预测模型,选取采深、煤层倾角、采高、工作面长度、煤层底板承压水水压和煤层底板损伤变量作为影响底板破坏深度的主控因素,通过15组煤炭生产单位采集底板破坏带深度相关数据,测试改进的GA-PSO-SVM模型的性能,并与FOA-SVM模型、BP模型的预测结果进行对比,研究表明:改进的GA-PSO-SVM模型预测结果与实测结果的误差范围为0.36%~5.22%,FOA-SVM模型预测结果的误差范围为1.60%~12.49%,BP模型预测结果的误差范围为1.01%~20%,改进的GA-PSO-SVM模型预测结果的误差范围更小,更适合煤矿现场的应用要求。